基于多模态 3D U-Net 的椎间盘全自动分割
图像与视频处理
2020-09-30 v1 计算机视觉与模式识别
摘要
椎间盘（IVDs）作为相邻椎体间的小关节，在缓冲压力与保护组织方面具有重要作用。由于对脊柱疾病诊断至关重要且能为治疗提供定量参数，椎间盘的全自动定位与分割已在文献中被探讨多年。传统方法基于图像强度与形状先验提取手工特征以定位和分割椎间盘。随着深度学习的发展，各类神经网络模型在图像分析中取得巨大成功，包括椎间盘的识别。特别地，U-Net 因在训练数据相对较少的生物医学图像上表现优异而脱颖而出。本文提出一种基于 3D U-Net 的新型卷积框架，从多模态 MRI 图像中分割椎间盘。我们首先定位每个脊柱样本中椎间盘的中心，然后以定位出的椎间盘为中心裁剪小体数据来训练网络。文中给出了基于多种多模态组合结果的详细综合分析。此外，在增强与非增强数据集上分别开展 2D 与 3D U-Net 实验，并就 Dice 系数与豪斯多夫距离进行比较。我们的方法被证明是有效的，平均分割 Dice 系数为 89.0%，标准差为 1.4%。
引用
@article{arxiv.2009.13583,
title = {Fully Automatic Intervertebral Disc Segmentation Using Multimodal 3D U-Net},
author = {Chuanbo Wang and Ye Guo and Wei Chen and Zeyun Yu},
journal= {arXiv preprint arXiv:2009.13583},
year = {2020}
}