用于头颈部 CT 图像中危险器官分割的双形状引导网络
图像与视频处理
2021-10-26 v1 计算机视觉与模式识别
机器学习
摘要
在头颈部 CT 图像中准确分割危险器官 (OARs) 是头颈癌患者放射治疗的关键步骤。然而，对众多 OAR 进行手动勾画即使对专家肿瘤科医生而言也耗时费力。此外，手动勾画结果易受较高的个体内与个体间变异性影响。为此，我们提出一种新颖的双形状引导网络 (DSGnet) 来自动勾画头颈部 CT 图像中的九个重要 OAR。为应对 CT 图像中 OAR 形状变化大与边界不清的问题，我们使用器官特定的单侧反距离图 (UIDM) 表示器官形状，并从两个不同视角引导分割任务：遵循分割预测的直接形状引导，以及通过共享分割特征的跨形状引导。在直接形状引导中，分割预测不仅由真实标签掩码监督，还由真实 UIDM 监督，这通过从标签空间到距离空间的简单而有效的编码器-解码器映射实现。在跨形状引导中，UIDM 用于通过优化共享特征图来促进分割。在实验中，我们构建了一个包含来自不同志愿者的共 699 张图像的大型头颈部 CT 数据集，并与其他最先进方法进行了全面实验与比较，以证明我们所提方法的有效性与高效性。九个重要 OAR 上 0.842 的总体 Dice 相似系数 (DSC) 值展示了在提升勾画质量与减少时间成本方面的巨大应用潜力。
引用
@article{arxiv.2110.12192,
title = {Dual Shape Guided Segmentation Network for Organs-at-Risk in Head and Neck CT Images},
author = {Shuai Wang and Theodore Yanagihara and Bhishamjit Chera and Colette Shen and Pew-Thian Yap and Jun Lian},
journal= {arXiv preprint arXiv:2110.12192},
year = {2021}
}