SALT：面向任意标签树的医学影像分层分割框架
图像与视频处理
2024-07-15 v1 人工智能
计算机视觉与模式识别
摘要
传统分割网络将解剖结构视为独立元素，忽略其之间的内在分层关系。本研究引入 Softmax for Arbitrary Label Trees(SALT)方法，旨在利用标签之间的分层关系，提高分割的效率和可解释性。本研究提出一种用于 CT 影像的分割技术，利用条件概率映射解剖标志物的分层结构，例如脊柱可进一步分为腰椎、胸椎和颈椎区域，并进一步划分为单个椎骨。该模型使用 The Cancer Imaging Archive(TCIA) 的 SAROS 数据集进行开发，包含 883 名患者 900 个身体区域分割。通过使用 TotalSegmentator 生成额外的分割，数据集进一步增强，总计 113 个标签。模型在 600 项扫描上进行训练，验证和测试在 150 项 CT 扫描上进行。性能使用 Dice 评分在 various 数据集上进行评估，包括 SAROS、CT-ORG、FLARE22、LCTSC、LUNA16 和 WORD。 Among 评估的数据集，SALT 在 LUNA16 和 SAROS 数据集上取得最佳成绩，Dice 分别为 0.93 和 0.929。该模型在其他数据集上也表现出可靠的准确性，CT-ORG 得分 0.891，FLARE22 得分 0.849，LCTSC 数据集得分 0.908，WORD 数据集也表现良好，得分为 0.844。SALT 利用人体固有的分层结构实现了全身分割，平均 100 片仅需 35 秒。这种快速处理 underscores其在临床工作流程中的潜在集成，促进了每次 CT 扫描中全身分割的自动和高效计算，从而增强诊断过程和患者护理。
引用
@article{arxiv.2407.08878,
title = {SALT: Introducing a Framework for Hierarchical Segmentations in Medical Imaging using Softmax for Arbitrary Label Trees},
author = {Sven Koitka and Giulia Baldini and Cynthia S. Schmidt and Olivia B. Pollok and Obioma Pelka and Judith Kohnke and Katarzyna Borys and Christoph M. Friedrich and Benedikt M. Schaarschmidt and Michael Forsting and Lale Umutlu and Johannes Haubold and Felix Nensa and René Hosch},
journal= {arXiv preprint arXiv:2407.08878},
year = {2024}
}