基于膨胀密集注意力Unet（DDAUnet）的CT图像食管肿瘤分割
图像与视频处理
2021-03-25 v3 计算机视觉与模式识别
摘要
已知CT图像中食管肿瘤的手工或自动勾画极具挑战性。这是由于肿瘤与邻近组织对比度低、食管解剖结构变异以及偶有异物（如饲管）存在。因此医师通常利用内镜发现、临床病史、PET扫描等额外影像模态等附加知识。获取这些附加信息耗时，且结果易出错并可能导致非确定性结果。本文旨在研究仅基于CT的简化临床工作流在何种程度上可自动分割食管肿瘤且达到足够质量。为此，我们提出一种基于卷积神经网络（CNNs）的端到端全自动食管肿瘤分割方法。所提网络称为膨胀密集注意力Unet（Dilated Dense Attention Unet, DDAUnet），其在每个密集块中利用空间与通道注意力门选择性聚焦于决定性特征图与区域。膨胀卷积层用于管理GPU内存并增大网络感受野。我们收集了来自288名不同患者的792次扫描的数据集，包含不同解剖结构及\mbox{气腔}、饲管和近端肿瘤。对三种不同的训练与验证集划分进行了可重复性与再现性研究。所提网络在287次测试扫描中取得了值、平均表面距离及豪斯多夫距离，证明了基于CT单一模态的简化临床工作流具有良好前景。我们的代码公开于\url{https://github.com/yousefis/DenseUnet_Esophagus_Segmentation}。
引用
@article{arxiv.2012.03242,
title = {Esophageal Tumor Segmentation in CT Images using Dilated Dense Attention Unet (DDAUnet)},
author = {Sahar Yousefi and Hessam Sokooti and Mohamed S. Elmahdy and Irene M. Lips and Mohammad T. Manzuri Shalmani and Roel T. Zinkstok and Frank J. W. M. Dankers and Marius Staring},
journal= {arXiv preprint arXiv:2012.03242},
year = {2021}
}