结合短程与长程上下文信息的脊柱 CT 图像椎体识别与定位
计算机视觉与模式识别
2018-12-11 v1
摘要
从任意 CT 图像中自动进行椎体识别与定位具有挑战性。椎体通常具有相似的形态学外观。由于病理及 CT 扫描的任意视野，很难依赖某些锚定椎体或参数化方法来建模其外观与形状。为解决该问题，我们认为应利用短程上下文信息（如附近某些器官的存在（若有））来粗略估计目标椎体；由于脊柱列独特的解剖结构，椎体具有固定的先后顺序，这为进一步校准结果提供了重要的长程上下文信息。我们提出了一种鲁棒且高效的椎体识别与定位系统，能够以有监督方式内在地学习融合短程与长程上下文信息。为此，我们开发了多任务 3D 全卷积神经网络（3D FCN）来有效提取目标椎体周围的短程上下文信息。对于长程上下文信息，我们提出多任务双向循环神经网络（Bi-RNN）来编码可见脊柱列中椎体间的空间与上下文信息。我们在一个具有挑战性的数据集上证明了所提方法的有效性，实验结果表明我们的方法大幅优于当前最优（state-of-the-art）方法。
引用
@article{arxiv.1812.03500,
title = {Joint Vertebrae Identification and Localization in Spinal CT Images by Combining Short- and Long-Range Contextual Information},
author = {Haofu Liao and Addisu Mesfin and Jiebo Luo},
journal= {arXiv preprint arXiv:1812.03500},
year = {2018}
}