用于多模态非对比 MRI 上肝肿瘤量化分割与不确定性预测集成的边缘感知多任务网络
图像与视频处理
2023-07-06 v1 计算机视觉与模式识别
机器学习
摘要
在多模态非对比磁共振成像（NCMRI）上同时实现肝肿瘤的多指标量化、分割与不确定性估计，对于准确诊断至关重要。然而，现有方法缺乏有效的多模态 NCMRI 融合与精确边界信息捕获机制，使这些任务颇具挑战。为解决这些问题，本文提出一个统一框架，即边缘感知多任务网络（EaMtNet），以关联多模态 NCMRI 上肝肿瘤的多指标量化、分割与不确定性。EaMtNet 采用两个并行 CNN 编码器与 Sobel 滤波器分别提取局部特征与边缘图。新设计的边缘感知特征聚合模块（EaFA）用于特征融合与选择，通过捕获特征图与边缘图间的长程依赖使网络具备边缘感知能力。多任务利用预测差异估计不确定性并提升分割与量化性能。在包含 250 名临床受试者的多模态 NCMRI 上进行了大量实验。所提模型大幅优于当前最优方法，对 MD 取得了 90.011.23 的 dice 相似系数与 2.720.58 mm 的平均绝对误差。结果展示了 EaMtNet 作为医学图像分析可靠临床辅助工具的潜力。
引用
@article{arxiv.2307.01798,
title = {Edge-aware Multi-task Network for Integrating Quantification Segmentation and Uncertainty Prediction of Liver Tumor on Multi-modality Non-contrast MRI},
author = {Xiaojiao Xiao and Qinmin Hu and Guanghui Wang},
journal= {arXiv preprint arXiv:2307.01798},
year = {2023}
}