HALOS：器官切除术后无幻觉的器官分割
计算机视觉与模式识别
2023-03-15 v1
摘要
基于深度学习的医学图像分割的广泛研究在多类应用中推动了技术边界。一个受到较少关注的临床相关问题是处理具有不规则解剖结构的扫描图像，例如器官切除术后。最先进的分割模型常导致器官幻觉，即器官的假阳性预测，且无法通过过采样或后处理来缓解。受开发鲁棒深度学习模型日益增长的需求驱动，我们提出 HALOS 用于 MR 图像中的腹部器官分割，以处理器官切除术后的病例。为此，我们将缺失器官分类与多器官分割任务结合到一个多任务模型中，形成分类辅助的分割流程。分割网络通过特征融合模块学习纳入关于器官是否存在的信息。在小型标注测试集和大规模 UK Biobank 数据上的大量实验证明了我们的方法在更高分割 Dice 分数和近乎零的假阳性预测率方面的有效性。
引用
@article{arxiv.2303.07717,
title = {HALOS: Hallucination-free Organ Segmentation after Organ Resection Surgery},
author = {Anne-Marie Rickmann and Murong Xu and Tom Nuno Wolf and Oksana Kovalenko and Christian Wachinger},
journal= {arXiv preprint arXiv:2303.07717},
year = {2023}
}
备注
To be published in proceedings of Information Processing In Medical Imaging (IPMI) 2023