多靶点、多阶段肝脏病灶在多相 CT 扫描中的分割与检测
图像与视频处理
2024-04-18 v1 计算机视觉与模式识别
摘要
多相 CT 扫描使用造影剂来突出显示身体内不同解剖结构，以提高识别和检测感兴趣解剖结构及肝脏病灶等异常的概率。然而，检测这些病灶仍是一个具有挑战的任务，因为这些病灶在大小、形状、纹理和与周围组织的对比度上存在显著差异。因此，放射科医生需要拥有广泛的经验才能识别和检测这些病灶。基于分割的神经网络可帮助放射科医生完成此任务。当前最先进的病灶分割网络使用基于 UNet 架构的 encoder-decoder 设计范式，将多相 CT 扫描体积作为多通道输入。尽管该方法利用了所有相位的信息并优于单相分割网络，但我们演示其性能并非最佳，可通过融合在单个相位上 individually 训练的模型来进一步提高。我们的做法包含三个阶段。第一阶段在三个不同尺度（4mm、8mm 和 16mm）处识别肝脏内可能存在病灶的区域。第二阶段包括使用所有相位训练的主要分割模型以及在每个相位上单独训练的分割模型。第三阶段将多相 CT 体积与每个分割模型的预测一起使用，以生成最终的分割图。总体而言，我们的方法在肝脏病灶分割性能上比当前最先进模型提高了 1.6%，同时将受主体间性能变异降低了 8%。
引用
@article{arxiv.2404.11152,
title = {Multi-target and multi-stage liver lesion segmentation and detection in multi-phase computed tomography scans},
author = {Abdullah F. Al-Battal and Soan T. M. Duong and Van Ha Tang and Quang Duc Tran and Steven Q. H. Truong and Chien Phan and Truong Q. Nguyen and Cheolhong An},
journal= {arXiv preprint arXiv:2404.11152},
year = {2024}
}