EnMcGAN: 用于三维完整肾结构分割的对抗集成学习
图像与视频处理
2021-06-09 v1 计算机视觉与模式识别
摘要
三维完整肾结构(CRS)分割旨在一次推理中分割肾脏、肿瘤、肾动脉与肾静脉。一旦成功,它将为腹腔镜部分肾切除术(LPN)提供术前计划与术中引导,在肾癌治疗中起到关键作用。然而,由于肾结构形状复杂、对比度低及解剖变异大,三维 CRS 分割尚无成功报道。在本研究中,我们利用对抗集成学习并首次提出集成多条件 GAN(EnMcGAN)用于三维 CRS 分割。其贡献有三方面。1)受窗宽窗位启发,我们提出多窗位委员会,将 CTA 图像划分为多个具有不同窗中心与窗宽的窄窗,以增强显著边界与软组织的对比度;随后在这些窄窗上构建集成分割模型以融合分割优势并提升整体分割质量。2)我们提出多条件 GAN,为分割模型配备多个判别器,以促使分割结构符合其真实形状条件,从而提升形状特征提取能力。3)我们提出对抗加权集成模块,利用训练好的判别器评估分割结构质量,并将这些评估分数归一化为面向输入图像的集成权重,从而增强集成结果。本研究纳入 122 例患者,肾结构的平均 Dice 系数达到 84.6%。在肾结构上具有良好结果的广泛实验揭示了强大的分割精度及在肾癌治疗中的重大临床意义。
引用
@article{arxiv.2106.04130,
title = {EnMcGAN: Adversarial Ensemble Learning for 3D Complete Renal Structures Segmentation},
author = {Yuting He and Rongjun Ge and Xiaoming Qi and Guanyu Yang and Yang Chen and Youyong Kong and Huazhong Shu and Jean-Louis Coatrieux and Shuo Li},
journal= {arXiv preprint arXiv:2106.04130},
year = {2021}
}