使用循环 3D-DenseUNet 的肺癌肿瘤区域分割
图像与视频处理
2020-09-09 v2
摘要
从计算机断层扫描（CT）体积图像中进行肺癌计算机辅助自动诊断系统的性能，极大依赖于肿瘤区域的准确检测与分割。本文提出 Recurrent 3D-DenseUNet，一种基于深度学习的新颖架构，用于从 CT 扫描中分割体积肺肿瘤。所提架构由一个学习提取细粒度空间特征与粗粒度时间特征的 3D 编码器块、一个由多个卷积长短期记忆（ConvLSTM）层组成的循环块以提取细粒度时空信息，以及一个从潜在特征空间重建所需体积分割掩码的 3D 解码器块构成。编码器与解码器块由多个 3D 卷积层组成，这些层在自身之间密集连接，以便必要特征聚合可贯穿整个网络发生。在预测时，我们在网络预测之上应用选择性阈值化继而形态学操作，以更好区分肿瘤与非肿瘤图像切片，这比仅基于阈值化的方法更有前景。我们在由 The Cancer Imaging Archive (TCIA) 为 2018 IEEE VIP Cup 提供的 300 名患者的 NSCLC-Radiomics 数据集上训练并测试我们的网络。此外，我们对该任务中实践中不同损失函数进行了广泛的消融研究。所提网络以 0.7228 的平均 dice 分数优于其他最先进的 3D 分割架构。
引用
@article{arxiv.1812.01951,
title = {Lung Cancer Tumor Region Segmentation Using Recurrent 3D-DenseUNet},
author = {Uday Kamal and Abdul Muntakim Rafi and Rakibul Hoque and Jonathan Wu and Md. Kamrul Hasan},
journal= {arXiv preprint arXiv:1812.01951},
year = {2020}
}