基于混合CNN与Transformer层的MRI肝脏及肝病灶分割
图像与视频处理
2023-03-23 v3 计算机视觉与模式识别
机器学习
摘要
由于肝癌年发病率不断上升，基于深度学习的肝脏及其内部肝病灶分割在临床实践中的相关性稳步提升。尽管近年来已成功开发出多种在医学图像分割领域取得总体可喜结果的网络变体，但几乎所有方法都难以应对磁共振成像（MRI）中肝病灶精确分割的挑战。这催生了结合卷积与基于Transformer架构要素以克服现有局限的思路。本工作提出一种称为SWTR-Unet的混合网络，由预训练的ResNet、Transformer块以及常见的Unet风格解码路径组成。该网络主要应用于单模态非增强肝脏MRI，并额外应用于公开的肝脏肿瘤分割（LiTS）挑战赛计算机断层扫描（CT）数据，以验证对其他模态的适用性。为更广泛评估，我们实现并应用了多个最先进网络，确保直接可比性。此外，进行了相关性分析与消融研究，以探究影响所提方法分割精度的各种因素。在MRI数据集上肝脏和病灶分割的Dice分数平均分别为98±2%和81±28%，在CT数据集上分别为97±2%和79±25%，所提出的SWTR-Unet被证明是一种精确的肝脏及肝病灶分割方法，在MRI上取得最先进结果，在CT成像中具有竞争性的精度。如肝病灶分割的观察者间变异性所示，所取得的分割精度与专家手动分割相当。总之，所提方法可在临床实践中节省宝贵的时间与资源。
引用
@article{arxiv.2201.10981,
title = {Joint Liver and Hepatic Lesion Segmentation in MRI using a Hybrid CNN with Transformer Layers},
author = {Georg Hille and Shubham Agrawal and Pavan Tummala and Christian Wybranski and Maciej Pech and Alexey Surov and Sylvia Saalfeld},
journal= {arXiv preprint arXiv:2201.10981},
year = {2023}
}