利用概率图引导的双向循环 UNet 进行胰腺分割
计算机视觉与模式识别
2022-08-12 v6
摘要
医学影像数据中的胰腺分割对于临床胰腺诊断和治疗具有重要意义。然而，胰腺形状和体积的人群差异巨大，即使对于利用全卷积神经网络（FCN）的 SOTA 算法也造成了极大的分割困难。具体而言，胰腺分割面临 2D 方法中空间信息丢失以及 3D 方法中高计算成本的问题。为了缓解这些问题，我们提出了一种概率图引导的双向循环 UNet（PBR-UNet）架构，该架构将切片内信息和切片间概率图融合到局部 3D 混合正则化方案中，随后进行双向循环网络优化。PBR-UNet 方法由一个用于高效提取像素级概率图的初始估计模块，和一个通过 2.5D U-Net 架构传播混合信息的主分割模块组成。具体而言，通过将输入图像与相邻切片的概率图组合成多通道混合数据，然后分层聚合整个分割网络的混合信息，来推断局部 3D 信息。此外，还开发了一种双向循环优化机制，以在正向和反向两个方向上更新混合信息。这使得所提出的网络能够充分且最优地利用局部上下文信息。在 NIH Pancreas-CT 数据集上进行了定量和定性评估，与其他 SOTA 方法相比，我们提出的 PBR-UNet 方法以更少的计算成本取得了更好的分割结果。
引用
@article{arxiv.1903.00923,
title = {Pancreas segmentation with probabilistic map guided bi-directional recurrent UNet},
author = {Jun Li and Xiaozhu Lin and Hui Che and Hao Li and Xiaohua Qian},
journal= {arXiv preprint arXiv:1903.00923},
year = {2022}
}
备注
accepted by Physics in Medicine & Biology