基于深度神经网络的全自动腹部磁共振多器官分割
图像与视频处理
2020-08-25 v1 计算机视觉与模式识别
摘要
多个危险器官（OARs）的分割对于放射治疗计划制定及其他临床应用至关重要。我们基于 2D U-net 与密集连接网络结构，并在数据增强和训练流程（如深度连接、辅助监督和多视角）上进行了针对性设计，开发了自动化的基于深度学习的腹部多器官分割（ALAMO）框架。该模型输入多切片 MR 图像并生成分割结果输出。本研究收集并使用了 102 名受试者的 3 特斯拉 T1 VIBE（容积插值屏气检查）图像。研究了十个 OARs，包括肝脏、脾脏、胰腺、左/右肾、胃、十二指肠、小肠、脊髓和椎体。两名放射科医生手动勾画并达成共识轮廓作为金标准。在 102 例完整队列中，留出 20 例用于独立测试，其余用于训练和验证。性能通过体积重叠度和表面距离衡量。ALAMO 框架生成的分割标签与手动结果高度一致。具体而言，在 10 个 OARs 中，除十二指肠的 DSC 为 0.80 外，其余 9 个均取得了 0.87–0.96 范围内的高 Dice 相似系数（DSCs）。对于 320x288x180 的 3D 体积，推理在一分钟内完成。总体而言，ALAMO 模型达到了最先进（state-of-the-art）性能。所提出的 ALAMO 框架可实现全自动腹部 MR 分割，且具有高精度以及低内存与计算时间需求。
引用
@article{arxiv.1912.11000,
title = {Fully Automated Multi-Organ Segmentation in Abdominal Magnetic Resonance Imaging with Deep Neural Networks},
author = {Yuhua Chen and Dan Ruan and Jiayu Xiao and Lixia Wang and Bin Sun and Rola Saouaf and Wensha Yang and Debiao Li and Zhaoyang Fan},
journal= {arXiv preprint arXiv:1912.11000},
year = {2020}
}
备注
21 pages, 4 figures, submitted to the journal Medical Physics