基于 U-net 逻辑集成与体积验证的肾脏及肾肿瘤分割
图像与视频处理
2019-11-06 v1 计算机视觉与模式识别
摘要
自动化医学图像分割是计算方法的一个优先研究领域。特别地,癌症肿瘤的检出是该领域中具有现实影响潜力的当前挑战。本文描述了为响应 2019 肾肿瘤分割挑战赛(KiTS19)而开发的方法。来自 210 名肾癌患者的轴位计算机断层扫描(CT)被用于开发和评估这一基于全卷积网络(FCN)架构逻辑集成并辅以体积验证的自动分割方法。数据使用传统计算机视觉技术进行预处理:阈值化、直方图均衡化、形态学操作、居中、缩放与尺寸调整。训练了三个二值 FCN 分割模型,分别用于分类肾脏与肿瘤(2 个)以及仅肿瘤(1 个)。模型输出图像被堆叠并经过体积验证,以生成每位患者扫描的最终分割。使用预处理图像与标注计算的肾脏和肿瘤像素分类平均 F1 分数为 0.6758;尽管恢复至原始图像格式降低了该分数。其与其它方案的比较尚待观察。
引用
@article{arxiv.1908.02625,
title = {Kidney and Kidney Tumor Segmentation using a Logical Ensemble of U-nets with Volumetric Validation},
author = {Jamie A. O'Reilly and Manas Sangworasil and Takenobu Matsuura},
journal= {arXiv preprint arXiv:1908.02625},
year = {2019}
}
备注
9 pages, 4 figures, 1 table, competition submission manuscript