结合CNN分割与形态学操作的 fully automatic 肝脏衰减估计
图像与视频处理
2021-06-09 v2 计算机视觉与模式识别
摘要
在诊断非酒精性脂肪性肝病（NAFLD）时，于计算机断层扫描（CT）上手动勾画肝脏内感兴趣区域（ROIs）是测量肝脏衰减的事实标准方法。然而，手动勾画耗费大量资源。为克服这些局限并推广肝脂肪变的定量CT测量，我们提出基于自动肝脏衰减ROI的测量（ALARM）方法以实现自动化肝脏衰减估计。ALARM方法包含两个主要阶段：（1）基于深度卷积神经网络（DCNN）的肝脏分割；（2）自动化ROI提取。首先，利用我们先前开发的SS-Net实现肝脏分割；随后，基于肝脏分割与形态学操作计算出一个中心ROI（center-ROI）与三个圆形ROI（periphery-ROI）。ALARM方法作为开源Docker容器提供（https://github.com/MASILab/ALARM）。来自非裔美国人-糖尿病心脏研究（AA-DHS）的246名受试者共738次腹部CT扫描被用于外部验证（测试），独立于训练与验证队列（100次临床采集的腹部CT扫描）。
引用
@article{arxiv.1906.09549,
title = {Fully Automatic Liver Attenuation Estimation Combing CNN Segmentation and Morphological Operations},
author = {Yuankai Huo and James G. Terry and Jiachen Wang and Sangeeta Nair and Thomas A. Lasko and Barry I. Freedman and J. Jeffery Carr and Bennett A. Landman},
journal= {arXiv preprint arXiv:1906.09549},
year = {2021}
}
备注
Medical Physics