RAP-Net：基于单一随机解剖先验的由粗到细多器官分割
图像与视频处理
2020-12-25 v2 计算机视觉与模式识别
摘要
进行由粗到细的腹部多器官分割有助于提取高分辨率分割结果，同时最小化空间上下文信息的丢失。然而，当前的由粗到精方法需要大量模型来对提取的器官感兴趣区域（ROI）执行单器官精细分割。我们提出了一种由粗到细的流程，首先从三维体数据中使用低分辨率粗网络提取多器官的全局先验上下文，随后在精细阶段使用单一精炼模型分割所有腹部器官，而非多个器官对应的模型。我们将解剖先验与相应的提取块相结合，以保留解剖位置和边界信息，从而在单一模型中跨所有器官执行高分辨率分割。为训练和评估我们的方法，使用了一个由100个患者体数据组成、含13个精细标注器官的临床研究队列。我们通过4折交叉验证测试了算法，并计算Dice分数以评估13个器官的分割性能。我们提出的基于单一自动上下文的方法以平均Dice分数84.58%对81.69%（p<0.0001）优于最先进的13个模型。
引用
@article{arxiv.2012.12425,
title = {RAP-Net: Coarse-to-Fine Multi-Organ Segmentation with Single Random Anatomical Prior},
author = {Ho Hin Lee and Yucheng Tang and Shunxing Bao and Richard G. Abramson and Yuankai Huo and Bennett A. Landman},
journal= {arXiv preprint arXiv:2012.12425},
year = {2020}
}
备注
5 pages, 3 figures