通过领域特定网络设计与循环神经上下文学习实现 CT 和 MRI 图像中的胰腺分割
计算机视觉与模式识别
2018-04-02 v1
摘要
放射影像（如计算机断层扫描 CT 和磁共振成像 MRI）中的自动胰腺分割是计算机辅助筛查、诊断和定量评估的常见需求。然而，由于患者在形状和体积指标上存在高度的个体间解剖变异性，胰腺是一个具有挑战性的腹部器官分割目标。近年来，卷积神经网络（CNN）在胰腺精确分割方面展现出良好的性能。但基于 CNN 的方法常因图像质量噪声和模糊的胰腺边界等原因而出现分割不连续的问题。鉴于此，我们提出引入循环神经网络（RNN）来解决相邻图像切片间跨切片胰腺分割的空间不平滑问题。为推断初始分割，我们首先训练一个 2D CNN 子网络，通过深度监督和多尺度特征图聚合修改其网络架构，使其能够使用小规模训练数据从头训练，并展现出优于迁移模型的性能。随后，连续的 CNN 输出由另一个 RNN 子网络处理，该子网络细化分割形状的一致性。具体而言，RNN 子网络包含自上而下和自下而上两个方向的卷积长短期记忆（CLSTM）单元，通过整合相邻切片的预测来正则化图像的分割。我们端到端地训练堆叠的 CNN-RNN 模型，并在 CT 和 MRI 图像上进行定量评估。
引用
@article{arxiv.1803.11303,
title = {Pancreas Segmentation in CT and MRI Images via Domain Specific Network Designing and Recurrent Neural Contextual Learning},
author = {Jinzheng Cai and Le Lu and Fuyong Xing and Lin Yang},
journal= {arXiv preprint arXiv:1803.11303},
year = {2018}
}