用于CT图像中肺叶分割的高效三维全卷积网络
图像与视频处理
2019-09-18 v1 计算机视觉与模式识别
摘要
人肺是一个复杂的呼吸器官，由称为肺叶的五个不同解剖腔室组成。从计算机断层扫描（CT）图像中准确且自动地分割这些肺叶，对于肺部疾病评估和治疗规划具有临床重要性。然而，由于肺叶边界模糊、解剖变异和病理形变，该任务具有挑战性。在本文中，我们提出一种高分辨率且高效的三维全卷积网络来自动分割肺叶。我们将该网络称为肺叶分割网络（PLS-Net），其设计旨在从高分辨率体积CT图像中高效利用三维空间与上下文信息，以实现有效的体到体学习与推断。PLS-Net基于非对称编码器-解码器架构，具有三个新颖组件：(i) 三维深度可分离卷积，通过将每个常规三维卷积分解为两个更简单操作来提升网络效率；(ii) 空洞残差密集块，以高效扩展网络感受野并聚合多尺度上下文信息用于分割；(iii) 在每个下采样分辨率处的输入增强，以补偿因卷积和下采样操作导致的空间信息损失。我们在包含210张来自广泛肺部异常患者的CT图像的多机构数据集上评估了所提PLS-Net。实验结果表明，我们的PLS-Net以更佳计算效率实现了最先进（SOTA）性能。进一步实验证实了PLS-Net各新颖组件的有效性。
引用
@article{arxiv.1909.07474,
title = {Efficient 3D Fully Convolutional Networks for Pulmonary Lobe Segmentation in CT Images},
author = {Hoileong Lee and Tahreema Matin and Fergus Gleeson and Vicente Grau},
journal= {arXiv preprint arXiv:1909.07474},
year = {2019}
}