用于自动化胰腺定位与分割的整体嵌套卷积神经网络的空间聚合
摘要
从 3D 放射学扫描中准确且自动地进行器官分割是医学图像分析中一个重要且具有挑战性的问题。具体而言，胰腺在形状和体积上表现出非常高的患者间解剖变异性。在本文中，我们提出了一种利用 3D 计算机断层扫描 (CT) 体积的自动化系统，采用两阶段级联方法：胰腺定位与分割。第一步，我们从整个 3D CT 扫描中定位胰腺，为更精细的分割步骤提供可靠的边界框。我们引入了一种全深度学习方法，基于在三个正交的轴向、矢状和冠状视图上高效应用整体嵌套卷积网络 (HNNs)。由此产生的 HNN 逐像素概率图随后通过池化融合，以可靠地生成最大化召回率的胰腺 3D 边界框。我们展示了我们所引入的定位器优于传统的非深度学习方法以及近期基于超像素空间聚合并使用随机森林分类的混合方法。第二阶段即分割阶段，在计算的边界框内操作，并整合由另外两个独立的 HNN 实现所获得的深度学习的器官内部与边界图的语义中级线索。通过整合这两个中级线索，我们的方法能够生成保持边界的逐像素类别标签图，从而得到最终的胰腺分割。定量评估在公开的 82 例患者 CT 扫描数据集上使用 4 折交叉验证 (CV) 进行。我们在验证中取得了 81.27±6.27% 的 Dice 相似系数 (DSC)，显著优于先前使用相同数据集分别报告 71.80±10.70% 和 78.01±8.20% DSC 的最先进方法。
引用
@article{arxiv.1702.00045,
title = {Spatial Aggregation of Holistically-Nested Convolutional Neural Networks for Automated Pancreas Localization and Segmentation},
author = {Holger R. Roth and Le Lu and Nathan Lay and Adam P. Harrison and Amal Farag and Andrew Sohn and Ronald M. Summers},
journal= {arXiv preprint arXiv:1702.00045},
year = {2017}
}
备注
This version was submitted to IEEE Trans. on Medical Imaging on Dec. 18th, 2016. The content of this article is covered by US Patent Applications of 62/345,606# and 62/450,681#