用于 T2 加权 MRI 上基于 UNet 的分区前列腺分割的条件随机场插入模块开发
定量方法
2020-02-18 v1 图像与视频处理
摘要
目的：常规 2D UNet 卷积神经网络（CNN）架构可能导致分割输出中边界不清。若干研究在 UNet 每一层施加更强约束以提升 2D UNet 性能，如 SegNet。本研究探讨 2D SegNet 与所提条件随机场插入模块（CRFI）用于临床 T2 加权 MRI 数据的分区前列腺分割。方法：我们引入结合 SegNet 与 CRFI 的新方法以提高分割的准确性与鲁棒性。CRFI 具有反馈连接，在特征金字塔的多个层级上促进数据一致性。在 SegNet 的编码器侧，CRFI 基于空间局部相似性结合输入特征图与卷积块输出，如同可训练的双侧滤波器。所有网络训练中使用了 725 张 2D 图像（即 29 例 MRI）；测试中使用了 174 张 2D 图像（即 6 例）。结果：带 CRFI 的 SegNet 在外周带、中央带和整个腺体上分别取得较高 Dice 系数（0.76、0.84 和 0.89）。与 UNet 相比，SegNet+CRFI 的分割通常具有更高 Dice 分数，并在确定解剖结构边界方面较 SegNet 或 UNet 分割展现出鲁棒性。末端带 CRFI 的 SegNet 表明 CRFI 可纠正 SegNet 输出的分割错误，生成平滑且一致的前列腺分割。结论：本研究表明基于 UNet 的深度神经网络可执行分区前列腺分割，较文献结果取得更高 Dice 系数。所提 CRFI 方法可减少影响基线 UNet 与 SegNet 模型分割性能的模糊边界。
引用
@article{arxiv.2002.06330,
title = {Development of Conditional Random Field Insert for UNet-based Zonal Prostate Segmentation on T2-Weighted MRI},
author = {Peng Cao and Susan M. Noworolski and Olga Starobinets and Natalie Korn and Sage P. Kramer and Antonio C. Westphalen and Andrew P. Leynes and Valentina Pedoia and Peder Larson},
journal= {arXiv preprint arXiv:2002.06330},
year = {2020}
}