基于Dempster-Shafer理论的深度PET/CT融合用于淋巴瘤分割
图像与视频处理
2021-08-29 v1 计算机视觉与模式识别
摘要
从全身正电子发射断层扫描/计算机断层扫描(PET/CT)体数据中检测与分割淋巴瘤对于手术指征和放疗至关重要。设计能够有效利用PET与CT信息并解决其不确定性的自动分割方法仍具挑战。本文提出一种采用带证据PET/CT融合层UNet的淋巴瘤分割模型。单模态体数据分别训练得到初始分割图，并提出一种证据融合层利用Dempster-Shafer理论(DST)融合两路证据。此外，提出多任务损失函数：除对PET与CT分割使用Dice损失外，增加基于两分割一致性的损失函数以约束最终分割。我们在多中心淋巴瘤患者PET/CT体数据库上评估所提方法，由专家勾画。我们的方法无需任何用户交互即获得Dice系数0.726的准确分割结果。定量结果表明该方法优于现有最优方法。
引用
@article{arxiv.2108.05422,
title = {Deep PET/CT fusion with Dempster-Shafer theory for lymphoma segmentation},
author = {Ling Huang and Thierry Denoeux and David Tonnelet and Pierre Decazes and Su Ruan},
journal= {arXiv preprint arXiv:2108.05422},
year = {2021}
}
备注
MICCAI 2021 Workshop MLMI