利用全分辨率特征上下文通过集成框架实现肝脏肿瘤与血管分割：在嵌入式微处理器下的肝脏肿瘤与血管三维重建应用
图像与视频处理
2022-03-01 v4 计算机视觉与模式识别
机器学习
摘要
肝癌是世界上最常见的恶性疾病之一。在CT图像中对肝脏肿瘤和血管进行分割与标记，可为医生进行肝脏肿瘤诊断和手术干预提供便利。过去几十年间，许多最先进的医学图像分割算法相继出现。随着嵌入式设备的发展，医学分割与自动重建的嵌入式部署为未来自动化手术任务带来了前景。然而，现有大多数分割方法多关注空间特征上下文，对医学图像的语义相关性存在感知缺陷，这显著影响了肝脏肿瘤和血管的分割精度。将庞大复杂的模型部署到嵌入式设备中，需要在模型精度、推理速度和模型容量之间做出合理权衡。针对这些问题，我们提出了一种基于Transformer的多尺度特征融合网络TransFusionNet。该网络在肝脏血管和肝脏肿瘤分割任务中取得了极具竞争力的性能，同时可通过利用CT图像的全局信息改善肝脏肿瘤形态边界的识别。实验表明，在血管分割任务中TransFusionNet的平均Dice系数达到0.899，在肝脏肿瘤分割任务中平均Dice系数达到0.961。与最先进的框架相比，我们的模型取得了最佳的分割结果。此外，我们将模型部署到嵌入式微结构中，构建了用于肝脏肿瘤血管分割与重建的集成模型。该专有结构将成为未来医疗领域的专属组件。
引用
@article{arxiv.2111.13299,
title = {Exploiting full Resolution Feature Context for Liver Tumor and Vessel Segmentation via Integrate Framework: Application to Liver Tumor and Vessel 3D Reconstruction under embedded microprocessor},
author = {Xiangyu Meng and Xudong Zhang and Gan Wang and Ying Zhang and Xin Shi and Huanhuan Dai and Zixuan Wang and Xun Wang},
journal= {arXiv preprint arXiv:2111.13299},
year = {2022}
}
备注
11 pages, 6 Figures