基于三维边界约束深度神经网络的腹部多器官分割改进
图像与视频处理
2022-10-11 v1 计算机视觉与模式识别
机器学习
摘要
从临床获取的CT扫描中对腹部区域进行定量评估，需要同时对腹部器官进行分割。得益于高性能计算资源的可用性，基于深度学习的方法在三维腹部CT扫描分割中取得了最先进的性能。然而，具有模糊边界的器官的复杂表征阻碍了深度学习方法对这些解剖器官的准确分割。具体而言，由于器官间边界强度高度变化，器官边界上的体素更易被误预测。本文探讨了通过利用器官边界预测作为辅助任务，来改善现有三维编码器-解码器网络的腹部图像分割性能的可能性。为解决腹部多器官分割问题，我们训练三维编码器-解码器网络通过多任务学习同时分割CT扫描中的腹部器官及其对应边界。该网络使用结合两项任务特定损失(即完整器官分割损失与边界预测损失)的损失函数进行端到端训练。我们在统一的多任务框架内基于两任务间权重共享程度探索了两种不同的网络拓扑。为评估辅助边界预测任务在改善腹部多器官分割中的作用，我们使用了三种最先进的编码器-解码器网络：3D UNet、3D UNet++与3D Attention-UNet。利用器官边界信息对腹部多器官分割的有效性在两个公开可用的腹部CT数据集上进行了评估。在Mean Dice Score上分别观察到Pancreas-CT与BTCV数据集最大3.5%与3.6%的相对提升。
引用
@article{arxiv.2210.04285,
title = {Improved Abdominal Multi-Organ Segmentation via 3D Boundary-Constrained Deep Neural Networks},
author = {Samra Irshad and Douglas P. S. Gomes and Seong Tae Kim},
journal= {arXiv preprint arXiv:2210.04285},
year = {2022}
}
备注
15 pages, 16 figures, journal paper