基于形态学蛇与深度卷积神经网络的胰腺检测与分割
计算机视觉与模式识别
2023-02-14 v1
摘要
胰腺癌是最致命的癌症类型之一，确诊患者中仅 25% 存活一年，6% 存活五年。计算机断层扫描（CT）筛查试验在改善胰腺癌早期检测方面发挥了关键作用，显著提高了患者生存率。然而，此类图像的深入分析通常需要手动分割胰腺，这是一项耗时的任务。此外，胰腺形状变异性高，在整体腹部 CT 扫描中仅占极小区域，增加了问题的复杂性。深度学习的快速发展有助于提供鲁棒算法，给出廉价、准确且独立于用户的分割结果，以辅助领域专家。本学位论文通过研究一种两步法来解决该任务，借助先验的粗略定位或胰腺检测来辅助分割。胰腺的粗略定位由估计的概率图给出，检测任务通过使用 YOLOv4 深度学习算法实现。分割任务通过应用于裁剪数据的改进 U-Net 模型以及形态学活动轮廓算法来解决。作为对比，U-Net 模型也应用于完整 CT 图像，提供粗胰腺分割作为参考。检测网络在国立卫生研究院（NIH）数据集和医学分割十项全能（Medical Segmentation Decathlon）中的胰腺肿瘤任务数据集上的实验结果显示平均精度（mean Average Precision）为 50.67%。最佳分割网络在 NIH 数据集上取得了良好的分割结果，达到 67.67% 的 Dice 系数。
引用
@article{arxiv.2302.06356,
title = {Detection and Segmentation of Pancreas using Morphological Snakes and Deep Convolutional Neural Networks},
author = {Agapi Davradou},
journal= {arXiv preprint arXiv:2302.06356},
year = {2023}
}