基于深度学习辅以检测的肝脏病灶分割
计算机视觉与模式识别
2017-12-01 v1
摘要
全自动分割肝脏并定位其病态组织的技术，是诊断肝脏疾病及评估相应疗效的便捷工具。本工作中，我们提出一种利用卷积神经网络(CNNs)从计算机断层扫描(CT)中分割肝脏及其病灶的方法，CNNs 已在包括医学影像在内的多种计算机视觉任务中证明良好效果。分割病灶的网络采用级联架构，先聚焦于肝脏区域，再于其上分割病灶。此外，我们训练一个检测器来定位病灶，并用阳性检测结果掩蔽分割网络的输出。分割架构基于 DRIU——一种带侧输出的全卷积网络(FCN)，其在不同分辨率的特征图上工作，最终受益于网络不同阶段学到的多尺度信息。本工作的主要贡献是使用检测器定位病灶，我们证明其有助于去除分割网络引发的假阳性。源代码与模型见 https://imatge-upc.github.io/liverseg-2017-nipsws/ 。
引用
@article{arxiv.1711.11069,
title = {Detection-aided liver lesion segmentation using deep learning},
author = {Miriam Bellver and Kevis-Kokitsi Maninis and Jordi Pont-Tuset and Xavier Giro-i-Nieto and Jordi Torres and Luc Van Gool},
journal= {arXiv preprint arXiv:1711.11069},
year = {2017}
}
备注
NIPS 2017 Workshop on Machine Learning for Health (ML4H)