通过卷积神经网络学习模糊聚类用于 SPECT/CT 分割
计算机视觉与模式识别
2021-05-31 v3
摘要
定量骨单光子发射计算机断层扫描(QBSPECT)由于能更好地量化重叠结构中的活性,相比平面骨闪烁显像有潜力提供更好的骨转移定量评估。评估骨转移应答的一个重要因素是准确的图像分割。然而,受 QBSPECT 图像特性的限制,解剖感兴趣区域(ROIs)的分割仍严重依赖专家的手动勾画。本工作提出了一种快速且鲁棒的自动分割方法,用于将 QBSPECT 图像划分为病灶、骨和背景。我们提出了一种新颖的无监督分割损失函数及其半监督和有监督变体,用于训练卷积神经网络(ConvNet)。这些损失函数基于经典模糊 C 均值(FCM)算法的目标函数开发。我们进行了全面研究,将所提方法与使用有监督损失函数训练的 ConvNet 以及传统聚类方法进行比较。采用 Dice 相似系数(DSC)及其他若干指标作为在模拟和临床 SPECT/CT 图像中勾画病灶和骨任务上的评价指标。我们通过实验证明,所提方法在临床数据集上产生了良好的分割结果,尽管训练是使用逼真的模拟图像完成的。我们开发并评估了一种基于 ConvNet、使用新颖损失函数的图像分割方法。该方法可根据标注训练数据的可用性以无监督、半监督或全监督模式运行。结果表明所提方法为 QBSPECT/CT 提供了快速且鲁棒的病灶和骨分割。该方法有望应用于其他医学图像分割任务。
引用
@article{arxiv.2104.08623,
title = {Learning Fuzzy Clustering for SPECT/CT Segmentation via Convolutional Neural Networks},
author = {Junyu Chen and Ye Li and Licia P. Luna and Hyun Woo Chung and Steven P. Rowe and Yong Du and Lilja B. Solnes and Eric C. Frey},
journal= {arXiv preprint arXiv:2104.08623},
year = {2021}
}
备注
This manuscript has been published by Medical Physics (2021)