面向多器官分割的形状感知互补任务学习
计算机视觉与模式识别
2019-08-15 v1
摘要
全身计算机断层扫描（CT）中的多器官分割是一项常规的预处理步骤，其应用于器官特异性图像检索、放疗规划和介入图像分析。我们从器官特异性形状先验学习的角度来解决此问题。我们引入互补任务学习的思想，利用已有的目标标签来强化形状先验。我们提出两个互补任务，即 i) 距离图回归和 ii) 轮廓图检测，以显式编码每个器官的几何属性。我们在包含多个器官CT扫描的公开 VISCERAL 数据集上评估所提出的方案。由于引入了互补任务学习，我们报告整体 Dice 系数从 0.8849 显著提高到 0.9018。
引用
@article{arxiv.1908.05099,
title = {Shape-Aware Complementary-Task Learning for Multi-Organ Segmentation},
author = {Fernando Navarro and Suprosanna Shit and Ivan Ezhov and Johannes Paetzold and Andrei Gafita and Jan Peeken and Stephanie Combs and Bjoern Menze},
journal= {arXiv preprint arXiv:1908.05099},
year = {2019}
}
备注
Accepted in MLMI Workshop 2019 MICCAI