用于胰腺分割的分层 3D 特征学习
图像与视频处理
2022-06-29 v1 机器学习
摘要
我们提出一种新颖的 3D 全卷积深度网络，用于从 MRI 与 CT 扫描中自动分割胰腺。更具体地，所提模型由一个学习在不同尺度提取体特征的 3D 编码器组成；取自编码器层级不同位置的特征随后被送入多个 3D 解码器，各自预测中间分割图。最后，所有分割图被组合以获得唯一的精细分割掩模。我们在 CT 与 MRI 成像数据上测试我们的模型：公开可用的 NIH Pancreas-CT 数据集（包含 82 例对比增强 CT）与一个私有 MRI 数据集（包含 40 次 MRI 扫描）。实验结果表明，我们的模型在 CT 胰腺分割上优于现有方法，取得约 88% 的平均 Dice 分数，并在极具挑战性的 MRI 数据集上产生有前景的分割性能（平均 Dice 分数约 77%）。额外的对照实验表明，所取得的性能归功于我们的 3D 全卷积深度网络与分层表示解码的结合，从而证实了我们的架构设计。
引用
@article{arxiv.2109.01667,
title = {Hierarchical 3D Feature Learning for Pancreas Segmentation},
author = {Federica Proietto Salanitri and Giovanni Bellitto and Ismail Irmakci and Simone Palazzo and Ulas Bagci and Concetto Spampinato},
journal= {arXiv preprint arXiv:2109.01667},
year = {2022}
}