基于集成多阶段深度学习方法的肾脏肿瘤分割：对 KiTS19 挑战赛的贡献
图像与视频处理
2020-11-03 v1 计算机视觉与模式识别
摘要
在肾癌治疗的背景下，尤其是对需要精确定位待切除组织的保肾手术而言，肾脏及肾肿瘤特征的精确刻画至关重要。对准确且自动勾画工具的需求催生了 KiTS19 挑战赛。该挑战旨在加速该领域的研究与开发，通过提供 300 例已表征的待分割 CT 扫描数据集，以辅助预后评估与治疗规划。为应对该挑战，我们提出了一种基于 Residual UNet 框架的自动、多阶段、2.5D 深度学习分割方法。末端加入集成操作，以结合先前各阶段的预测结果，降低单一模型间的方差。我们的神经网络分割算法在 90 例未见测试病例上，对肾脏和肾肿瘤分别达到 0.96 和 0.74 的平均 Dice 系数。所得结果颇具前景，并且可通过引入关于良性囊肿的先验知识来改进——这些囊肿常会降低肿瘤分割效果。
引用
@article{arxiv.1909.00735,
title = {Kidney tumor segmentation using an ensembling multi-stage deep learning approach. A contribution to the KiTS19 challenge},
author = {Gianmarco Santini and Noémie Moreau and Mathieu Rubeaux},
journal= {arXiv preprint arXiv:1909.00735},
year = {2020}
}
备注
11 pages, 4 figures, submitted to MICCAI 2019 - KiTS Challenge