用于计算机断层扫描肺叶分割的多任务学习 V-Net 开发及其在病变肺中的应用
图像与视频处理
2021-05-12 v1 计算机视觉与模式识别
摘要
自动化肺叶分割可实现肺部疾病的区域评估，对诊断和治疗规划具有重要意义。允许此类评估的先进统计工作流是呼吸医学中一个亟需的领域；其应用仍然缓慢，且工作流准确性差。病变肺区域常在 CT 图像上产生高密度区，由于斜裂或裂缺，限制了算法对受损肺叶的界定。这一影响促使我们开发一种改进的机器学习方法来分割肺叶，该方法利用气管支气管树信息，通过算法对空间的熟悉度增强分割准确性，从而更精确地界定肺叶范围。该方法采用多任务学习（MTL）结合 V-Net-attention（成像领域中流行的卷积神经网络）并行分割肺叶和辅助组织。鉴于模型具有更好的泛化能力，在包含四种不同疾病（重度肺癌、COVID-19 肺炎、肺萎陷和慢性阻塞性肺疾病（COPD））患者的外部数据集上保持了高性能，尽管训练数据未包含这些病例。我们的外部验证测试尤其具有相关益处，因为所选患者均患有伴放射学异常的确诊肺病。为在主任务中所有分割具有同等地位，我们按每个分割报告以下性能（Dice 分数）：正常肺 0.97、COPD 0.94、肺癌 0.94、COVID-19 肺炎 0.94 和肺萎陷 0.92，均在 p<0.05。即使分割 CT 图像上严重变形的肺叶，模型仍保持高准确性。该方法可作为放射科医生的稳健工具轻松用于临床环境。
引用
@article{arxiv.2105.05204,
title = {Development of a Multi-Task Learning V-Net for Pulmonary Lobar Segmentation on Computed Tomography and Application to Diseased Lungs},
author = {Marc Boubnovski Martell and Mitchell Chen and Kristofer Linton-Reid and Joram M. Posma and Susan J Copley and Eric O. Aboagye},
journal= {arXiv preprint arXiv:2105.05204},
year = {2021}
}
备注
13 pages, 4 figures