基于点击驱动注意力与双路连接的病灶分割及RECIST直径预测
图像与视频处理
2021-05-06 v1 计算机视觉与模式识别
摘要
在肿瘤学图像分析中，测量病灶大小是评估肿瘤生长及监测疾病进展与治疗反应的重要步骤。尽管繁琐且极其耗时，放射科医生仍须依据 RECIST 标准（实体瘤疗效评价标准）例行手动完成该任务。即便病灶分割可能是更准确且临床价值更高的手段，医生如今也无法手动分割病灶，因为这将需要繁重得多的劳动。本文提出一种先验引导的双路网络（PDNet），以准确自动地分割全身常见类型病灶并预测其 RECIST 直径。与 [1] 类似，仅需放射科医生的点击引导。PDNet 有两个关键特性：1) 通过所提先验编码器从点击先验信息并行学习病灶特异性注意力矩阵，称为点击驱动注意力；2) 在所提解码器中引入自顶向下与自底向上连接综合聚合提取的多尺度特征，称为双路连接。实验利用 DeepLesion 数据集与外部测试集，展示了所提 PDNet 在病灶分割与 RECIST 直径预测上的优越性。PDNet 为我们的任务学习了全面且具有代表性的深度图像特征，并在病灶分割与 RECIST 直径预测上均产出更精确的结果。
引用
@article{arxiv.2105.01828,
title = {Lesion Segmentation and RECIST Diameter Prediction via Click-driven Attention and Dual-path Connection},
author = {Youbao Tang and Ke Yan and Jinzheng Cai and Lingyun Huang and Guotong Xie and Jing Xiao and Jingjing Lu and Gigin Lin and Le Lu},
journal= {arXiv preprint arXiv:2105.01828},
year = {2021}
}