用于腹部器官深度分割的端到端对抗形状学习
计算机视觉与模式识别
2019-10-16 v1
摘要
利用医学影像对腹部器官进行自动分割在临床工作流中有许多潜在应用。近来，器官分割的最优性能已由深度学习模型即卷积神经网络（CNN）取得。然而，训练感知器官形状与拓扑的传统基于 CNN 的分割模型颇具挑战。本工作中，我们通过引入一种新颖的端到端形状学习架构——器官点网络来解决此问题。它以深度学习特征为输入，并生成位于器官表面的点作为器官形状表示。随后我们提出一种新颖的对抗形状学习目标函数以优化点网络，从而更好地捕获形状信息。我们以多任务方式将点网络与基于 CNN 的分割模型一同训练，使共享网络参数同时受益于形状学习与分割任务。我们以包括肝脏、脾脏和胰腺在内的三种具挑战性的腹部器官演示了我们的方法。点网络生成具有细粒度细节的表面点，且被发现对改进器官分割至关重要。因此，所引入的形状学习改进了深度分割模型，脾脏与胰腺分割的 Dice 分数显著提升即为明证。
引用
@article{arxiv.1910.06474,
title = {End-to-End Adversarial Shape Learning for Abdomen Organ Deep Segmentation},
author = {Jinzheng Cai and Yingda Xia and Dong Yang and Daguang Xu and Lin Yang and Holger Roth},
journal= {arXiv preprint arXiv:1910.06474},
year = {2019}
}
备注
Accepted to International Workshop on Machine Learning in Medical Imaging (MLMI2019)