利用渐进扩张卷积网络在 MRI 中对膀胱癌结构进行多区域分割
计算机视觉与模式识别
2019-03-06 v4
摘要
精确分割膀胱壁和肿瘤区域是迈向非侵入性识别肿瘤分期和分级的关键步骤，这对膀胱癌（BC）患者的治疗决策和预后至关重要。然而，由于膀胱形状变化显著、尿液中强度不均匀性强烈以及人群间差异极大（尤其在肿瘤外观上），在磁共振图像（MRI）中自动勾画膀胱壁和肿瘤是一项具有挑战性的任务。为解决这些问题，我们提出使用深度全卷积神经网络。所提网络包含扩张卷积，以在不产生额外开销或不降低性能的情况下增大感受野。此外，我们在每个卷积块中引入渐进扩张，从而无需大扩张率即可实现广阔感受野。所提网络在来自 60 名病理确诊 BC 患者的 3.0T T2 加权 MRI 扫描上进行评估。实验显示所提模型达到高准确度，内壁、外壁和肿瘤区域的平均 Dice 相似系数分别为 0.98、0.84 和 0.69。这些结果与参考轮廓高度一致，且相比现有方法性能有所提升。此外，整个 3D 体积的推断时间不到一秒，比该应用的相关最先进方法快 2-3 个数量级。我们证明了 CNN 能在 MRI 上对膀胱癌患者的膀胱壁和肿瘤进行精确分割。整个分割过程全自动，且与参考标准高度一致，证明了深度学习模型用于膀胱癌 MRI 图像自动多区域分割的可行性。
引用
@article{arxiv.1805.10720,
title = {Multi-region segmentation of bladder cancer structures in MRI with progressive dilated convolutional networks},
author = {Jose Dolz and Xiaopan Xu and Jerome Rony and Jing Yuan and Yang Liu and Eric Granger and Christian Desrosiers and Xi Zhang and Ismail Ben Ayed and Hongbing Lu},
journal= {arXiv preprint arXiv:1805.10720},
year = {2019}
}
备注
Published at the journal of Medical Physics