应用于肝脏分割的深层自监督轮廓嵌入神经网络
计算机视觉与模式识别
2021-01-26 v5
摘要
目的：本文提出一种基于神经网络的肝脏分割算法，并使用腹部计算机断层扫描（CT）图像评估其性能。方法：为克服体图像分割问题，开发了全卷积网络。为引导神经网络精确勾画目标肝脏对象，通过对网络施加自适应自监督方案以提取关键轮廓来对其进行深层监督，该轮廓作为全局形状的补充。判别性轮廓、形状与深度特征在内部融合以得到分割结果。结果与结论：使用160张腹部CT图像进行训练与验证。所提网络的定量评估通过八折交叉验证进行。结果表明，该利用轮廓特征的方法比当前最优方法分割肝脏更准确，Dice系数提升2.13%。意义：本研究引入了一种引导神经网络并学习互补轮廓特征的新框架。所提神经网络证明，引导的轮廓特征能显著提升分割任务的性能。
引用
@article{arxiv.1808.00739,
title = {Deeply Self-Supervised Contour Embedded Neural Network Applied to Liver Segmentation},
author = {Minyoung Chung and Jingyu Lee and Minkyung Lee and Jeongjin Lee and Yeong-Gil Shin},
journal= {arXiv preprint arXiv:1808.00739},
year = {2021}
}
备注
10 pages, 9 figures