基于深度学习的中纵隔淋巴结检测与分割
图像与视频处理
2022-12-23 v1 计算机视觉与模式识别
机器学习
摘要
用于癌症分期的淋巴结(LN)自动分割与检测至关重要。在临床实践中，计算机断层扫描(CT)与正电子发射断层扫描(PET)成像用于检测异常淋巴结。尽管淋巴结对比度低且大小和形态多样，其分割仍是一项具有挑战性的任务。深度卷积神经网络常用于医学图像中的目标分割。大多数先进方法通过池化和卷积破坏图像分辨率，导致模型结果不尽如人意。考虑到这些问题，我们利用双线性插值和基于全广义变分(TGV)的上采样策略改进了成熟的深度学习技术 UNet，以分割和检测纵隔淋巴结。改进后的 UNet 保持纹理不连续性，选择噪声区域，通过反向传播搜索适当平衡点，并重建图像分辨率。从 TCIA、5 名患者和 ELCAP 公共数据集收集 CT 图像数据，在经验丰富的医学专家协助下制备了数据集。使用这些数据集训练 UNet，并采用三种不同数据组合进行测试。利用所提方法，模型在 COMBO_3 上取得了 94.8% 准确率、91.9% Jaccard、94.1% 召回率和 93.1% 精确率。在不同数据集上评估了性能并与先进方法比较。采用混合策略的 UNet++ 模型表现优于其他模型。
引用
@article{arxiv.2212.11956,
title = {Mediastinal Lymph Node Detection and Segmentation Using Deep Learning},
author = {Al-Akhir Nayan and Boonserm Kijsirikul and Yuji Iwahori},
journal= {arXiv preprint arXiv:2212.11956},
year = {2022}
}