MCMC引导的CNN训练与分割用于胰腺提取
计算机视觉与模式识别
2020-03-10 v1
摘要
高效的器官分割是各种定量分析的前提。由于胰腺在形状、大小和位置上的高度解剖变异性，从腹部 CT 图像中分割胰腺是一项具有挑战性的任务。此外，胰腺在腹部中仅占很小一部分，且器官边界非常模糊。所有这些因素使得其他器官的分割方法不太适用于胰腺分割。在本报告中，我们提出一种马尔可夫链蒙特卡洛（Markov Chain Monte Carlo, MCMC）采样引导的卷积神经网络（convolutional neural network, CNN）方法，以应对形态与光度变异性中的此类困难。具体而言，所提方法主要包含三个步骤：首先，进行配准以减轻体重与位置变异性。然后，采用 MCMC 采样来引导 3D 块的采样，这些块被送入 CNN 进行训练。同时，也学习胰腺分布以用于后续分割。第三，从所学分布中采样，MCMC 过程引导分割过程。最后，基于块的分割使用贝叶斯投票方案进行融合。该方法在包含 82 个腹部增强 CT 体数据的 NIH 胰腺数据集上进行了评估。最终，我们在测试数据中取得了具有竞争力的结果：78.13% 的 Dice 相似系数值和 82.65% 的召回率值。
引用
@article{arxiv.2003.03938,
title = {MCMC Guided CNN Training and Segmentation for Pancreas Extraction},
author = {Jinchan He and Xiaxia Yu and Chudong Cai and Yi Gao},
journal= {arXiv preprint arXiv:2003.03938},
year = {2020}
}