利用全自动低层分割PET数据训练对应CT数据的高层深度学习算法
计算机视觉与模式识别
2019-03-08 v1
摘要
我们在本研究中提出了一种利用人工神经网络在CT图像中全自动分割膀胱的方法。自动医学图像分析已成为疾病不同治疗阶段中不可或缺的工具。尤其是医学图像分割起着至关重要的作用，因为分割通常是图像分析流程中的初始步骤。由于深度神经网络在过去几年中对图像处理领域产生了重大影响，我们使用两种不同的深度学习架构来分割膀胱。这两种架构均基于预训练的分类网络，并经过调整以执行语义分割。由于深度神经网络需要大量训练数据，特别是图像及相应的真实标签，我们进一步提出了一种从正电子发射断层扫描/计算机断层扫描（PET/CT）图像数据生成此类合适训练数据集的方法。这是通过对正电子发射断层扫描数据应用阈值处理以获得真实标签，并利用数据增强来扩充数据集来实现的。在本研究中，我们讨论了数据增强对分割结果的影响，并从定性和定量分割性能方面对所提出的架构进行了比较和评估。本研究呈现的结果可得出结论：深度神经网络可被视为在CT图像中分割膀胱的一种有前景的方法。
引用
@article{arxiv.1903.02871,
title = {Exploit fully automatic low-level segmented PET data for training high-level deep learning algorithms for the corresponding CT data},
author = {Christina Gsaxner and Peter M. Roth and Jürgen Wallner and Jan Egger},
journal= {arXiv preprint arXiv:1903.02871},
year = {2019}
}
备注
20 pages