用于部分监督多器官分割的先验感知神经网络
计算机视觉与模式识别
2019-08-22 v2
摘要
准确的腹部多器官CT分割对许多临床应用（如计算机辅助介入）至关重要。由于数据标注需要经验丰富的放射科医生的大量人力，训练数据部分标注的情况很常见，例如胰腺数据集仅标注胰腺，其余标为背景。然而，在 multi-organ 分割中这些背景标签可能产生误导，因为“背景”通常包含其他感兴趣器官。为解决这些部分标注数据集中的背景模糊性，我们提出先验感知神经网络（PaNN），通过显式引入腹部器官大小的先验解剖知识，以领域特定知识引导训练过程。更具体地，PaNN假设腹部中平均器官大小分布应近似其经验分布，该先验统计来自全标注数据集。由于我们的训练目标难以直接使用随机梯度下降优化[20]，我们提出将其重构为极小极大形式，并通过随机原始-对偶梯度算法进行优化。PaNN在MICCAI2015挑战赛“Multi-Atlas Labeling Beyond the Cranial Vault”（一项腹部器官分割竞赛）上达到最先进性能。我们报告的平均Dice分数为84.97%，大幅超越先前最佳方法3.27%。
引用
@article{arxiv.1904.06346,
title = {Prior-aware Neural Network for Partially-Supervised Multi-Organ Segmentation},
author = {Yuyin Zhou and Zhe Li and Song Bai and Chong Wang and Xinlei Chen and Mei Han and Elliot Fishman and Alan Yuille},
journal= {arXiv preprint arXiv:1904.06346},
year = {2019}
}
备注
ICCV 2019