PSHop：一种用于三维前列腺腺体分割的轻量级前馈方法
图像与视频处理
2024-03-26 v1
摘要
自动前列腺分割是计算机辅助前列腺癌诊断和治疗计划中的重要步骤。现有的前列腺分割方法基于深度学习模型，这些模型尺寸大且缺乏对医生至关重要的透明度。本文提出了一种新的数据驱动的 MRI 三维前列腺分割方法，命名为 PSHop。与基于深度学习的方法不同，PSHop 的核心方法论是基于逐次子空间学习（SSL）的前馈编码器-解码器系统。它由两个模块组成：1）编码器：使用级联的 VoxelHop 单元进行从精细到粗糙的无监督表示学习，2）解码器：通过体素级分类和局部细化进行从粗糙到精细的分割预测。实验在公开的 ISBI-2013 数据集以及一个更大的私有数据集上进行。实验分析表明，我们提出的 PSHop 在前列腺腺体和区域分割任务中是有效、鲁棒且轻量级的，在腺体分割任务中实现了 0.873 的 Dice 相似系数（DSC）。与其他深度学习方法相比，PSHop 实现了具有竞争力的性能，同时保持了数量级更小的模型尺寸和推理复杂度。
引用
@article{arxiv.2403.15971,
title = {PSHop: A Lightweight Feed-Forward Method for 3D Prostate Gland Segmentation},
author = {Yijing Yang and Vasileios Magoulianitis and Jiaxin Yang and Jintang Xue and Masatomo Kaneko and Giovanni Cacciamani and Andre Abreu and Vinay Duddalwar and C. -C. Jay Kuo and Inderbir S. Gill and Chrysostomos Nikias},
journal= {arXiv preprint arXiv:2403.15971},
year = {2024}
}
备注
11 pages, 5 figures, 5 tables