DEEPBEAS3D：深度学习与 B 样条显式活动曲面
图像与视频处理
2023-12-07 v1 计算机视觉与模式识别
摘要
基于深度学习的自动分割方法已成为最先进方法。然而，它们通常不够鲁棒，无法直接用于临床应用，因为训练与测试数据之间的域偏移会影响其性能。自动分割的失败可能导致需要修正的次优结果。为解决这些问题，我们提出一种交互式分割框架的新颖三维扩展，该框架将卷积神经网络（CNN）的分割表示为 B 样条显式活动曲面（BEAS）。BEAS 确保分割在三维空间中光滑，增加解剖合理性，同时允许用户精确编辑三维曲面。我们将该框架应用于经会阴超声（TPUS）图像中肛括约肌复合体（AS）的三维分割任务，并将其与盆底疾病诊所使用的临床工具（4D View VOCAL，GE Healthcare；奥地利 Zipf）进行比较。实验结果表明：1）所提框架赋予用户对曲面轮廓的显式控制；2）通过 NASA-TLX 指数计算的感知工作负荷比 VOCAL 降低 30%；3）所需用户时间比 VOCAL 减少 70%（170 秒）（p < 0.00001）。
引用
@article{arxiv.2309.02335,
title = {DEEPBEAS3D: Deep Learning and B-Spline Explicit Active Surfaces},
author = {Helena Williams and João Pedrosa and Muhammad Asad and Laura Cattani and Tom Vercauteren and Jan Deprest and Jan D'hooge},
journal= {arXiv preprint arXiv:2309.02335},
year = {2023}
}
备注
4 pages, 3 figures, 1 table, conference