DeepOrgan：用于自动化胰腺分割的多级深度卷积网络

自动器官分割是医学图像分析中一个重要且具有挑战性的问题。胰腺是一个解剖变异性极强的腹部器官。这阻碍了以往的分割方法达到高准确度，尤其是与其他器官（如肝脏、心脏或肾脏）相比。本文中，我们提出一种基于概率自底向上方法的胰腺分割，用于腹部计算机断层扫描（CT）图像，使用多级深度卷积网络（ConvNets）。我们提出并评估了深度 ConvNets 的若干变体，用于图像块和区域（即超像素）上的分层由粗到细分类。我们首先通过 $P{-}\mathrm{ConvNet}$ 和最近邻融合给出局部图像块的密集标注。然后我们描述了一个区域 ConvNet（$R_1{-}\mathrm{ConvNet}$），它以“缩小”方式在不同上下文尺度上围绕每个图像超像素采样一组边界框。我们的 ConvNets 学习为作为胰腺的每个超像素区域分配类别概率。最后，我们研究了一个堆叠的 $R_2{-}\mathrm{ConvNet}$，利用 CT 强度与 $P{-}\mathrm{ConvNet}$ 密集概率图的联合空间。3D 高斯平滑和 2D 条件随机场均被用作后处理的结构化预测。我们在 82 名患者的 CT 图像上以 4 折交叉验证进行评估。我们在训练中获得 83.6$\pm$6.3% 的 Dice 相似系数，在测试中获得 71.8$\pm$10.7%。