DeepStationing：利用解剖上下文编码与关键器官自动搜索的 CT 扫描胸部淋巴结分区解析
图像与视频处理
2021-09-21 v1 计算机视觉与模式识别
摘要
从计算机断层扫描（CT）中勾画淋巴结分区（LNS）是放射肿瘤学工作流中不可或缺的一步。肿瘤科医生间的高差异性及高昂的人工成本促使了自动化方法的发展。以往工作利用解剖先验，基于预定义的特定边界推断 LNS。然而，在没有体素级监督的情况下，性能受到严重限制。LNS 具有高度上下文依赖性——其边界受解剖器官约束——我们将其表述为通过编码解剖器官实现的深度空间与上下文解析问题。这使得深度网络能更好地从 CT 表观与器官上下文中学习。我们制定了一种分层参考器官分割协议，将器官分为锚定与非锚定两类，并利用前者的预测来引导后续分割。我们进一步开发了自动搜索模块，以识别对最优 LNS 解析性能起关键作用的组织器官。我们在 98 名食管癌患者的数据集上进行了广泛四折交叉验证实验（迄今最全面的胸部 12 个 LNS + 22 个器官集合）。我们的 LNS 解析模型取得了显著性能提升，平均 Dice 系数为 81.1% ± 6.1%，分别比纯基于 CT 的深度模型和以往代表性方法高出 5.0% 和 19.2%。
引用
@article{arxiv.2109.09271,
title = {DeepStationing: Thoracic Lymph Node Station Parsing in CT Scans using Anatomical Context Encoding and Key Organ Auto-Search},
author = {Dazhou Guo and Xianghua Ye and Jia Ge and Xing Di and Le Lu and Lingyun Huang and Guotong Xie and Jing Xiao and Zhongjie Liu and Ling Peng and Senxiang Yan and Dakai Jin},
journal= {arXiv preprint arXiv:2109.09271},
year = {2021}
}