用于序列全身PET分割的时空双流神经网络
图像与视频处理
2021-06-10 v1 计算机视觉与模式识别
摘要
序列全身18F-氟脱氧葡萄糖（FDG）正电子发射断层扫描（PET）因能在解剖影像尚无变化时检测出治疗反应，被视为淋巴瘤治疗反应评估的首选影像模态。对全身PET中淋巴瘤的任何计算机化分析都需要对研究进行自动分割，以便随时间定量监测病灶。最先进的PET图像分割方法基于卷积神经网络（CNN），因其能够利用标注数据集推导关于疾病过程的高层特征。然而，此类方法聚焦于单时间点的PET图像并丢弃其他扫描的信息，或针对特定器官而无法适应全身PET图像中的多结构。在本研究中，我们提出一种时空‘双流’神经网络（ST-DSNN）来分割序列全身PET扫描。我们的ST-DSNN随时间学习并累积PET图像特征。累积的图像特征用于增强随时间一致性的器官/结构，以便更易识别活动性淋巴瘤部位。我们的结果表明该方法优于最先进的PET图像分割方法。
引用
@article{arxiv.2106.04961,
title = {Spatio-Temporal Dual-Stream Neural Network for Sequential Whole-Body PET Segmentation},
author = {Kai-Chieh Liang and Lei Bi and Ashnil Kumar and Michael Fulham and Jinman Kim},
journal= {arXiv preprint arXiv:2106.04961},
year = {2021}
}
备注
16 pages