MicroSegNet：一种用于显微超声图像前列腺分割的深度学习方法
计算机视觉与模式识别
2024-01-29 v3 人工智能
机器学习
图像与视频处理
摘要
显微超声(micro-US)是一种新颖的29-MHz超声技术，其分辨率比传统超声高3-4倍，有望实现低成本、准确的前列腺癌诊断。准确的前列腺分割对于前列腺体积测量、癌症诊断、前列腺活检和治疗规划至关重要。然而，由于显微超声中前列腺、膀胱和尿道在中线处存在伪影及边界模糊，前列腺分割具有挑战性。本文提出MicroSegNet，一种专门设计用于应对这些挑战的多尺度标注引导transformer UNet模型。在训练过程中，MicroSegNet更关注难以分割的区域（困难区域），这些区域的特征是专家与非专家标注之间存在差异。我们通过提出一种标注引导的二元交叉熵(AG-BCE)损失来实现这一点，该损失对困难区域中的预测误差赋予更大权重，对简单区域中的预测误差赋予更低权重。AG-BCE损失通过多尺度深度监督无缝集成到训练过程中，使MicroSegNet能够在多个尺度上捕获全局上下文依赖与局部信息。我们使用来自55名患者的显微超声图像训练模型，随后在20名患者上评估。我们的MicroSegNet模型达到了0.939的Dice系数和2.02 mm的Hausdorff距离，优于几种最先进的分割方法以及三名具有不同经验水平的人类标注者。我们的代码公开于https://github.com/mirthAI/MicroSegNet，数据集公开于https://zenodo.org/records/10475293。
引用
@article{arxiv.2305.19956,
title = {MicroSegNet: A Deep Learning Approach for Prostate Segmentation on Micro-Ultrasound Images},
author = {Hongxu Jiang and Muhammad Imran and Preethika Muralidharan and Anjali Patel and Jake Pensa and Muxuan Liang and Tarik Benidir and Joseph R. Grajo and Jason P. Joseph and Russell Terry and John Michael DiBianco and Li-Ming Su and Yuyin Zhou and Wayne G. Brisbane and Wei Shao},
journal= {arXiv preprint arXiv:2305.19956},
year = {2024}
}