DeepIGeoS：一种用于医学图像分割的深度交互式测地框架
计算机视觉与模式识别
2018-06-05 v3
摘要
准确的医学图像分割对于诊断、手术规划及许多其他应用至关重要。卷积神经网络（CNNs）已成为最先进的自动分割方法。然而，全自动结果可能仍需细化，以达到临床使用所需的准确性和鲁棒性。我们提出了一种基于深度学习的交互式分割方法，以改进自动 CNN 获得的结果，并在细化过程中减少用户交互以实现更高的准确性。我们使用一个 CNN 获得初始自动分割，并在其上添加用户交互以指示分割错误。另一个 CNN 将用户交互与初始分割作为输入，并给出细化结果。我们提出通过测地距离变换将用户交互与 CNNs 相结合，并提出一种保持分辨率的网络以提供更好的密集预测。此外，我们将用户交互作为硬约束集成到可反向传播的条件随机场中。我们在胎儿 MRI 的 2D 胎盘分割和 FLAIR 图像的 3D 脑肿瘤分割背景下验证了所提出的框架。实验结果表明，我们的方法相比自动 CNNs 取得了巨大改进，并且与传统交互式方法相比，以更少的用户干预和更少的时间获得了相当甚至更高的准确性。
引用
@article{arxiv.1707.00652,
title = {DeepIGeoS: A Deep Interactive Geodesic Framework for Medical Image Segmentation},
author = {Guotai Wang and Maria A. Zuluaga and Wenqi Li and Rosalind Pratt and Premal A. Patel and Michael Aertsen and Tom Doel and Anna L. David and Jan Deprest and Sebastien Ourselin and Tom Vercauteren},
journal= {arXiv preprint arXiv:1707.00652},
year = {2018}
}
备注
14 pages, 15 figures