通过预测符号距离图实现形状感知的器官分割
计算机视觉与模式识别
2019-12-10 v1
摘要
本工作中，我们旨在解决当前基于深度学习的器官分割系统常产生未能捕捉目标器官整体形状且缺乏平滑性的结果这一问题。由于从物体边界轮廓计算出的符号距离图（SDM）与二值分割图之间存在严格的映射关系，我们探究了直接从医学扫描中学习的 SDM 的可行性。通过将分割任务转化为预测 SDM，我们表明所提方法保持了优越的分割性能，并在形状上具有更好的平滑性与连续性。为利用传统分割训练中的互补信息，我们引入近似 Heaviside 函数，通过同时预测 SDM 与分割图来训练模型。我们在一个海马体分割数据集及具有多器官的公开 MICCAI 2015 头颈自动分割挑战数据集上进行了大量实验以验证所提模型。我们精心设计的骨干 3D 分割网络相较当前最优方法将 Dice 系数提升了逾 5%，而结合 SDM 学习的所提模型产生了更平滑的分割结果，其 Hausdorff 距离与平均表面距离更小，从而证明了方法的有效性。
引用
@article{arxiv.1912.03849,
title = {Shape-Aware Organ Segmentation by Predicting Signed Distance Maps},
author = {Yuan Xue and Hui Tang and Zhi Qiao and Guanzhong Gong and Yong Yin and Zhen Qian and Chao Huang and Wei Fan and Xiaolei Huang},
journal= {arXiv preprint arXiv:1912.03849},
year = {2019}
}
备注
AAAI 2020