基于多机构多期相部分标注CT扫描的鲁棒胰腺导管腺癌分割
图像与视频处理
2020-08-26 v1 计算机视觉与模式识别
摘要
准确且自动化的肿瘤分割备受期待，因为相较于（通常部分的）人工测量，它极有潜力提高计算更完整肿瘤测量值与影像生物标志物的效率与可重复性。这或许是支撑利用医学影像开展大规模临床肿瘤学患者研究的唯一可行手段。当有大量像素级全标注肿瘤图像的训练数据集可用时，深度学习方法已对某些类型肿瘤（如MRI成像中的脑肿瘤）展现出鲁棒的分割性能。然而，我们更多时候面临仅有（非常）有限标注可获取的难题，尤其是对困难肿瘤而言。胰腺导管腺癌（PDAC）分割是最具挑战性的肿瘤分割任务之一，但对临床需求却至关重要。既往PDAC分割工作局限于来自静脉期或静脉+动脉期CT扫描的中等量标注患者图像（n<300）。基于一种新的自学习框架，我们提出使用数量大得多的患者（n~=1,000）来训练PDAC分割模型，其中包含标注与未标注的静脉期或多期相CT图像混合。伪标注通过结合两个具有不同PDAC分割专长的教师模型在未标注图像上生成，并可由识别胰腺周围相关血管的助教模型进一步精炼。学生模型在人工与伪标注的多期相图像上训练。实验结果表明，我们提出的方法相较在标注图像上训练的强基线nnUNet绝对提升了6.3%的Dice分数，达到与放射科医生间观察者变异相近的性能（Dice = 0.71）。
引用
@article{arxiv.2008.10652,
title = {Robust Pancreatic Ductal Adenocarcinoma Segmentation with Multi-Institutional Multi-Phase Partially-Annotated CT Scans},
author = {Ling Zhang and Yu Shi and Jiawen Yao and Yun Bian and Kai Cao and Dakai Jin and Jing Xiao and Le Lu},
journal= {arXiv preprint arXiv:2008.10652},
year = {2020}
}
备注
10 pages, 2 figures; MICCAI 2020