基于突起检测网络的非增强CT图像肾脏肿瘤分割
图像与视频处理
2023-12-11 v1 计算机视觉与模式识别
摘要
许多肾癌是在非增强CT（NCCT）图像上偶然发现的。在增强CT（CECT）图像上，大多数肾脏肿瘤，尤其是肾癌，与正常组织相比具有不同的强度值。然而，在NCCT图像上，一些被称为等密度肿瘤的病变与周围正常组织具有相似的强度值，只能通过器官形状的变化来检测。已有几种从CECT图像中分割肾脏肿瘤的深度学习方法被提出，并显示出有希望的结果。然而，这些方法无法捕捉到NCCT图像上器官形状的这种变化。在本文中，我们提出了一种新颖的框架，该框架能够显式地捕捉肾脏中的突起区域，从而实现更好的肾脏肿瘤分割。我们创建了一个模拟突起的合成掩膜数据集，并训练了一个分割网络来将突起区域与正常肾脏区域分开。为了实现整个肿瘤的分割，我们的框架由三个网络组成。第一个网络是传统的语义分割网络，用于提取肾脏区域掩膜和初始肿瘤区域掩膜。第二个网络，我们称之为突起检测网络，用于从肾脏区域掩膜中识别突起区域。给定初始肿瘤区域掩膜和突起区域掩膜，最后一个网络将它们融合，并精确预测最终的肾脏肿瘤掩膜。所提出的方法在一个公开可用的KiTS19数据集上进行了评估，该数据集包含108张NCCT图像，结果显示，与3D-UNet相比，我们的方法取得了更高的Dice分数0.615（+0.097）和灵敏度0.721（+0.103）。据我们所知，这是首个专门为NCCT图像上的肾脏肿瘤分割而设计的深度学习方法。
引用
@article{arxiv.2312.04796,
title = {Segmentation of Kidney Tumors on Non-Contrast CT Images using Protuberance Detection Network},
author = {Taro Hatsutani and Akimichi Ichinose and Keigo Nakamura and Yoshiro Kitamura},
journal= {arXiv preprint arXiv:2312.04796},
year = {2023}
}
备注
Accepted in MICCAI 2023