通过多分辨率网络改进上半身CT中独立骨骼分割
图像与视频处理
2023-02-01 v1 计算机视觉与模式识别
机器学习
摘要
目的：从CT扫描中自动进行独立骨骼分割广泛用于规划和导航工作流。U-Net变体在监督语义分割中已知可提供优异结果。然而，在上半身CT的独立骨骼分割中，需要大视场和计算密集的3D架构。这导致在使用高分辨率输入时产生缺乏细节的低分辨率结果或因缺失空间上下文而定位错误。方法：我们提出通过使用端到端可训练的分割网络来解决此问题，该网络结合多个工作在不同分辨率的3D U-Net。我们的方法扩展并推广了HookNet和MRN，在较低分辨率捕获空间信息并将编码信息跳接到在较小高分辨率输入上运行的目标网络。我们针对单分辨率网络评估了所提架构，并对信息拼接和上下文网络数量进行了消融研究。结果：我们提出的最佳网络在所有125个分割骨骼类别上取得0.86的中位DSC，并减少了不同位置相似外观骨骼间的混淆。这些结果优于我们此前发表的该任务3D U-Net基线结果以及其他组报道的独立骨骼分割结果。结论：所提多分辨率3D U-Net通过允许捕获更大视场同时避免输入像素和中间计算的三次增长（其迅速超出3D中的计算能力）来解决上半身CT骨骼分割的当前不足。该方法从而改进了上半身CT中独立骨骼分割的准确性和效率。
引用
@article{arxiv.2301.13674,
title = {Improved distinct bone segmentation in upper-body CT through multi-resolution networks},
author = {Eva Schnider and Julia Wolleb and Antal Huck and Mireille Toranelli and Georg Rauter and Magdalena Müller-Gerbl and Philippe C. Cattin},
journal= {arXiv preprint arXiv:2301.13674},
year = {2023}
}
备注
Under submission