基于区域卷积神经网络的骨盆平片精确分割方法
计算机视觉与模式识别
2020-01-01 v2
摘要
随着平片影像作为最常见的医学成像系统用于诊断、治疗规划和临床研究的使用日益增多，采用基于机器学习的系统为手术前规划提供可靠信息正日益成为一个关键因素。平片影像中骨盆骨的分割是诸如自动姿态估计与疾病检测等应用的关键预处理步骤。然而，被称为 U-Net 的编码器-解码器风格网络由于骨盆形状极具挑战性的复杂性（尤其在重症患者中）而表现出有限的效果。本文中，我们提出一种基于 Mask R-CNN 架构的新型多任务分割方法。训练时，网络权重由大型非医学数据集初始化，并用平片影像微调。此外，在训练过程中生成了增强数据以提升网络性能。我们的实验表明，利用多任务学习、迁移学习与数据增强技术的 Mask R-CNN 取得了 0.96 的 DICE 系数，显著优于 U-Net。值得注意的是，为公平比较，U-Net 训练使用了相同的迁移学习与数据增强技术。
引用
@article{arxiv.1910.13231,
title = {Region-based Convolution Neural Network Approach for Accurate Segmentation of Pelvic Radiograph},
author = {Ata Jodeiri and Reza A. Zoroofi and Yuta Hiasa and Masaki Takao and Nobuhiko Sugano and Yoshinobu Sato and Yoshito Otake},
journal= {arXiv preprint arXiv:1910.13231},
year = {2020}
}
备注
Accepted at ICBME 2019