使用HED-Mask R-CNN从多模态图像进行肝脏分割
图像与视频处理
2021-09-06 v1
摘要
精确的肝脏分割对于计算机辅助诊断（如活体供肝移植手术前的肝脏评估）至关重要。由于器官边界模糊、无数解剖变异以及背景的复杂性，该任务具有挑战性。计算机断层扫描(Computed tomography, CT)和磁共振成像(magnetic resonance imaging, MRI)图像具有不同参数和设置。因此，从不同模态获取的图像彼此差异较大，使肝脏分割成为一项挑战性任务。我们提出了一种高效的肝脏分割方法，结合整体嵌套边缘检测(holistically-nested edge detection, HED)与 Mask 区域卷积神经网络(Mask-region-convolutional neural network, Mask R-CNN)以应对这些挑战。所提 HED-Mask R-CNN 方法基于从多模态图像中有效识别边缘图。该系统首先应用图像增强的预处理步骤以获得腹部的“原始草图”。然后将 HED 网络应用于增强的 CT 和 MRI 模态图像以获得更好的边缘图。最后，使用 Mask R-CNN 从边缘图图像中分割肝脏。我们使用了来自 CHAOS 挑战赛的 20 名 CT 患者和 9 名 MR 患者数据集。系统分别在 CT 和 MRI 图像上训练，然后转换为 2D 切片。我们在数据库上显著提高了 CT 和 MRI 图像的分割精度，CT 的 Dice 值为 0.94，T2 加权 MRI 为 0.89，T1 加权 MRI 为 0.91。
引用
@article{arxiv.1910.10504,
title = {Liver Segmentation from Multimodal Images using HED-Mask R-CNN},
author = {Supriti Mulay and Deepika G and Jeevakala S and Keerthi Ram and Mohanasankar Sivaprakasam},
journal= {arXiv preprint arXiv:1910.10504},
year = {2021}
}
备注
Accepted in 1st International Workshop on Multiscale Multimodal Medical Imaging (MMMI 2019) - MICCAI 2019