用于自动肝脏与肿瘤分割的分层卷积-反卷积神经网络
计算机视觉与模式识别
2017-10-13 v1
摘要
肝脏及其肿瘤的自动分割是提取定量影像生物标志物的重要步骤，对于准确的肿瘤检测、诊断、预后以及肿瘤治疗反应评估具有重要意义。MICCAI 2017 肝脏肿瘤分割挑战赛（LiTS）提供了一个通用平台，用于在对比增强腹部 CT 图像上比较不同的自动算法，任务包括：1）肝脏分割，2）肝脏肿瘤分割，以及 3）肿瘤负荷估计。我们通过开发一个基于深度全卷积-反卷积神经网络（CDNN）的分层框架来参与这一挑战赛。首先训练一个简单的 CDNN 模型，以在整个 CT 体积上提供快速但粗糙的肝脏分割，然后将另一个 CDNN 应用于肝脏区域以进行精细的肝脏分割。最后，将经过直方图均衡化增强的分割肝脏区域作为第三个 CDNN 的附加输入，用于肿瘤分割。在训练 CDNN 模型时，使用 Jaccard 距离作为损失函数，以消除样本重新加权的需要。我们的框架使用 LiTS 提供的 130 个挑战赛训练病例进行训练。在 70 个挑战赛测试病例上的评估结果显示，肝脏分割的平均 Dice 相似系数（DSC）为 0.963，肿瘤分割的平均 DSC 为 0.657，肿瘤负荷估计的均方根误差（RMSE）为 0.017，这使我们的方法分别排名第一、第五和第三。
引用
@article{arxiv.1710.04540,
title = {Hierarchical Convolutional-Deconvolutional Neural Networks for Automatic Liver and Tumor Segmentation},
author = {Yading Yuan},
journal= {arXiv preprint arXiv:1710.04540},
year = {2017}
}
备注
2017 MICCAI-LiTS challenge