Deep LOGISMOS：基于深度学习的图模型 CT 胰腺肿瘤三维分割
计算机视觉与模式识别
2018-01-29 v1
摘要
本文报道 Deep LOGISMOS 方法，通过将深度上下文学习得到的边界信息引入 LOGISMOS（多层最优图图像分割之多对象与曲面）来实现三维肿瘤分割。准确可靠的肿瘤分割对肿瘤生长分析与治疗选择至关重要。首先训练一个全卷积网络（FCN）UNet，使用以肿瘤为中心的三张相邻 2D 块，为每个 2D 块提供上下文 UNet 分割与概率图。随后通过高斯混合模型（GMM）与形态学操作对 UNet 分割进行细化。细化后的 UNet 分割用于提供初始形状边界以构建分割图。图中每个节点的代价由 UNet 概率图确定。最后，采用最大流算法求得全局最优解从而获得最终分割。为评估，我们将该方法应用于 51 例 CT 扫描的胰腺肿瘤分割数据集，其中 30 例用于训练，21 例用于测试。使用 Deep LOGISMOS，DICE 相似系数（DSC）与相对体积差（RVD）分别达到 83.2±7.8% 与 18.6±17.4%，均较上下文 UNet 和/或单独 LOGISMOS 有显著改善（p<0.05）。
引用
@article{arxiv.1801.08599,
title = {Deep LOGISMOS: Deep Learning Graph-based 3D Segmentation of Pancreatic Tumors on CT scans},
author = {Zhihui Guo and Ling Zhang and Le Lu and Mohammadhadi Bagheri and Ronald M. Summers and Milan Sonka and Jianhua Yao},
journal= {arXiv preprint arXiv:1801.08599},
year = {2018}
}
备注
4 pages,3 figures