E$^2$Net：一种用于 CT 扫描中精确肝脏与肿瘤分割的边缘增强网络
图像与视频处理
2020-07-21 v1 计算机视觉与模式识别
摘要
从 CT 扫描开发有效的肝脏与肝肿瘤分割模型对于肝癌诊断、手术规划和癌症治疗的成功非常重要。在这项工作中，我们提出一个用于 2D 肝脏与肿瘤分割的两阶段框架。第一阶段为粗粒度肝脏分割网络，第二阶段为用于更精确肝脏与肿瘤分割的边缘增强网络 (ENet)。ENet 在网络内显式建模互补对象（肝脏与肿瘤）及其边缘信息，以保留器官与病灶边界。我们在 ENet 中引入边缘预测模块，并设计肝脏与肿瘤边界之间的边缘距离图，其用作额外监督信号来训练边缘增强网络。我们还提出深度交叉特征融合模块以细化来自对象及其边缘的多尺度特征。ENet 可使用小规模标注数据集更轻松高效地训练，并且可在原始 2D CT 切片上训练/测试（解决 3D 模型中的重采样误差问题）。所提框架在肝脏与肝肿瘤分割上相比若干最先进的 2D、3D 及 2D/3D 混合框架均表现出优越性能。
引用
@article{arxiv.2007.09791,
title = {E$^2$Net: An Edge Enhanced Network for Accurate Liver and Tumor Segmentation on CT Scans},
author = {Youbao Tang and Yuxing Tang and Yingying Zhu and Jing Xiao and Ronald M. Summers},
journal= {arXiv preprint arXiv:2007.09791},
year = {2020}
}