用于多器官分割的分层3D全卷积网络
计算机视觉与模式识别
2017-04-24 v1
摘要
3D全卷积网络（FCN）的最新进展使得对完整体积图像生成密集体素级预测成为可能。在这项工作中，我们表明，在七种腹部结构（动脉、静脉、肝脏、脾脏、胃、胆囊和胰腺）的手动标注CT扫描上训练的多类3D FCN能够取得有竞争力的分割结果，同时避免了手工设计特征或训练特定器官模型的需要。为此，我们提出了一种两阶段、由粗到精的方法，该方法训练一个FCN模型在第一阶段粗略描绘感兴趣器官（看到患者身体简单自动生成的二值掩码内约40%的体素）。然后我们利用第一阶段FCN的这些预测来定义一个候选区域，用于训练第二个FCN。这一步骤将FCN必须分类的体素数减少到约10%，同时保持>99%的高召回率。这个第二阶段FCN现在可以专注于器官的更精细分割。我们分别使用了由281和50张临床CT图像组成的训练集和验证集。我们的分层方法在验证集中平均为每个器官提供了7.5个百分点的Dice分数提升。我们进一步在不同医院获取的完全未见过的数据集上测试我们的模型，该数据集包含150张具有三个解剖标签（肝脏、脾脏和胰腺）的CT扫描。在如胰腺这样具有挑战性的器官上，我们的分层方法将平均Dice分数从68.5%提高到82.2%，取得了该数据集上报道的最高平均分数。
引用
@article{arxiv.1704.06382,
title = {Hierarchical 3D fully convolutional networks for multi-organ segmentation},
author = {Holger R. Roth and Hirohisa Oda and Yuichiro Hayashi and Masahiro Oda and Natsuki Shimizu and Michitaka Fujiwara and Kazunari Misawa and Kensaku Mori},
journal= {arXiv preprint arXiv:1704.06382},
year = {2017}
}