KEVS：基于高斯核密度估计增强腹部脂肪组织在术前 CT 中的分割
图像与视频处理
2025-05-13 v1 人工智能
计算机视觉与模式识别
摘要
目的：腹部脂肪组织 (VAT) 在术后并发症中的分布是指示其发生趋势。现有的 CT 术前脂肪组织分割方法采用强度阈值，存在跨观察者变异性问题。此外，难以创建真实掩码限制了深度学习 (DL) 模型的开发。本文引入一种新方法，用于术前 CT 中的 VAT 预测，该方法完全自动化，不需要真实的 VAT 掩码进行训练，从而克服了上述局限。方法：我们引入基于高斯核密度估计的腹部脂肪组织分割器 (KEVS)，将 DL 语义分割模型用于多体特征预测，结合对预测亚腹部脂肪组织的高斯核密度估计分析，以实现腹腔内 VAT 的准确扫描特定预测。独特的是，KEVS 的 DL 流水线不需要真实的 VAT 掩码。结果：我们验证了 KEVS 在未见的 CT 数据上准确分割腹部器官的能力，并将 KEVS 的 VAT 分割预测与包含 20 例术前 CT 扫描的数据集进行比较，该数据集来自 University College London Hospital (UCLH-Cyst)，配有专家真实标注。KEVS 在 UCLH-Cyst 上的 Dice 系数分别比第二名的 DL 方法和基于阈值的 VAT 分割技术提高了 4.80% 和 6.02%。结论：本研究引入了 KEVS；一种用于术前 CT 中 VAT 预测的自动化、SOTA 方法，消除了跨观察者变异性，完全基于不包含真实 VAT 掩码的开源 CT 数据集进行训练。
引用
@article{arxiv.2503.22592,
title = {KEVS: Enhancing Segmentation of Visceral Adipose Tissue in Pre-Cystectomy CT with Gaussian Kernel Density Estimation},
author = {Thomas Boucher and Nicholas Tetlow and Annie Fung and Amy Dewar and Pietro Arina and Sven Kerneis and John Whittle and Evangelos B. Mazomenos},
journal= {arXiv preprint arXiv:2503.22592},
year = {2025}
}
备注
Preprint for submission to IPCAI special edition of IJCARS 2025, version prior to any peer review