用于CT图像病理肺分割的渐进式多路径整体嵌套神经网络
计算机视觉与模式识别
2018-02-09 v1
摘要
病理肺分割（PLS）因病理肺外观与形状的广泛变异性而是一项重要却具挑战性的医学图像应用。由于PLS常作为其他影像分析的前置条件，方法的简洁性与通用性是可用性的关键因素。沿此方向，我们提出一种自底向上的基于深度学习的方法，其表达力足以处理外观变化，同时不受任何形状变化影响。我们融入深度监督学习框架，但以其简单却有效的渐进式多路径方案增强之，该方案更可靠地合并来自不同网络阶段的输出。结果是一个能够生成更精细掩模的深度模型，我们称之为渐进式整体嵌套网络（P-HNNs）。通过广泛交叉验证，我们的方法在多机构数据集（包含929次CT扫描，其中848次公开可用）的病理肺上进行测试，报告平均Dice系数0.985，并展示相比最先进方法在定性与定量上的显著改进。
引用
@article{arxiv.1706.03702,
title = {Progressive and Multi-Path Holistically Nested Neural Networks for Pathological Lung Segmentation from CT Images},
author = {Adam P. Harrison and Ziyue Xu and Kevin George and Le Lu and Ronald M. Summers and Daniel J. Mollura},
journal= {arXiv preprint arXiv:1706.03702},
year = {2018}
}
备注
8 Pages, 4 figures, MICCAI 2007