用于胸部X光片多类分割的全卷积架构
计算机视觉与模式识别
2018-02-14 v4 机器学习
摘要
深度卷积神经网络在图像分类与识别任务上的成功导致了其在非常多样化的背景中的新应用，包括医学影像领域。本文中，我们研究并提出用于胸部 X 光片（CXR）中解剖器官（即肺、锁骨和心脏）自动化多类分割的神经网络架构。我们解决了若干开放挑战，包括模型过拟合、减少参数数量以及通过融合卷积网络近期概念并将其适配于 CXR 中的分割问题任务来处理 CXR 中严重不平衡的数据。我们证明，我们的架构结合了延迟下采样、指数线性单元、高度限制性正则化和大量高分辨率低级抽象特征，在所有考虑的器官上均优于最先进的方法，并且在肺和心脏上优于人类观测者。这些模型使用具有三个目标类的多类配置，并在公开可用的 JSRT 数据库上训练和测试，该数据库由 247 张 X 射线图像组成，其真值掩码可在 SCR 数据库中获取。我们性能最佳的模型采用基于 Dice 系数的损失函数训练，达到了肺 95.0\%、锁骨 86.8\% 和心脏 88.2\% 的平均 Jaccard 重叠分数。该架构在肺和心脏上优于人类观测者结果。
引用
@article{arxiv.1701.08816,
title = {Fully Convolutional Architectures for Multi-Class Segmentation in Chest Radiographs},
author = {Alexey A. Novikov and Dimitrios Lenis and David Major and Jiri Hladůvka and Maria Wimmer and Katja Bühler},
journal= {arXiv preprint arXiv:1701.08816},
year = {2018}
}
备注
Final pre-print version accepted for publication in TMI Added new content: * additional evaluations * additional figures * improving the old content