基于协同训练驱动的多任务双路径 CNN 的 PI-RADS v2 合规前列腺分区自动分割
图像与视频处理
2023-09-25 v1 计算机视觉与模式识别
摘要
磁共振成像（MRI）产生的精细图像为前列腺癌的诊断与治疗提供了至关重要的信息。为提供复杂 MRI 图像标准化采集、解读与使用，提出了 PI-RADS v2 指南。遵循该指南的自动分割有助于一致且精确的病灶检测、分期与治疗。该指南建议将前列腺划分为四个区：PZ（外周带）、TZ（移行带）、DPU（远端前列腺尿道）和 AFS（前纤维肌基质）。并非每个区都与其他区共有边界且出现在每一层切片中。此外，单一模型捕获的表示可能不足以用于所有区。这促使我们设计了一个双分支卷积神经网络（CNN），其中每个分支分别捕获相连区域的表示。进一步，不同分支的表示在训练第二阶段互为补充，通过无监督损失进行微调。该损失惩罚两分支对同一类预测的差异。我们还在框架中引入多任务学习以进一步提升分割精度。所提方法将基线（平均绝对对称距离）的分割精度对 PZ、TZ、DPU 和 AFS 区分别提升了 7.56%、11.00%、58.43% 和 19.67%。
引用
@article{arxiv.2309.12970,
title = {PI-RADS v2 Compliant Automated Segmentation of Prostate Zones Using co-training Motivated Multi-task Dual-Path CNN},
author = {Arnab Das and Suhita Ghosh and Sebastian Stober},
journal= {arXiv preprint arXiv:2309.12970},
year = {2023}
}
备注
Authors Arnab Das and Suhita Ghosh contributed equally. Submitted in ISBI 2022