用于广义乳腺肿瘤分割的渐进式双先验网络
图像与视频处理
2024-06-18 v2 计算机视觉与模式识别
机器学习
摘要
为提升乳腺肿瘤分割模型的泛化能力，并改善对小尺寸、低对比度及不规则形状乳腺肿瘤的分割性能，我们提出一种渐进式双先验网络（PDPNet），用于从不同中心采集的动态增强磁共振图像（DCE-MRI）中分割乳腺肿瘤。PDPNet首先通过基于粗分割的定位模块裁剪出肿瘤区域，随后利用弱语义先验与跨尺度相关性先验知识逐步细化乳腺肿瘤掩膜。为验证PDPNet的有效性，我们在多中心数据集上将其与多种最先进的方法进行比较。结果表明，相较于次优方法，PDPNet在多中心测试集上的DSC与HD95分别至少提升了5.13%与7.58%。此外，通过消融实验我们证明所提定位模块可降低正常组织的影响，从而提升模型泛化能力；弱语义先验有助于聚焦于肿瘤区域以避免漏检小肿瘤与低对比度肿瘤；跨尺度相关性先验则有利于增强对不规则肿瘤的形状感知能力。因此，将它们集成于统一框架中提升了多中心乳腺肿瘤分割性能。源代码与开放数据可通过 https://github.com/wangli100209/PDPNet 获取。
引用
@article{arxiv.2310.13574,
title = {Progressive Dual Priori Network for Generalized Breast Tumor Segmentation},
author = {Li Wang and Lihui Wang and Zixiang Kuai and Lei Tang and Yingfeng Ou and Chen Ye and Yuemin Zhu},
journal= {arXiv preprint arXiv:2310.13574},
year = {2024}
}
备注
14 pages, 12 figures