基于深度卷积神经网络的 MR 影像脊柱转移瘤分割
图像与视频处理
2020-01-29 v2 计算机视觉与模式识别
机器学习
机器学习
摘要
本研究的目的是使用基于深度学习的方法在诊断性 MR 图像中分割脊柱转移瘤。此类病灶的分割可作为增强治疗规划与验证，以及在射频消融等微创和图像引导手术中提供介入支持的关键步骤。为此，我们使用类 U-Net 架构，以 40 例临床病例（包含溶骨型和硬化型病灶及多种 MR 序列）进行训练。我们针对影响分割质量的多种因素（如所用 MR 序列和输入维度）对所提方法进行了评估。我们使用 Dice 系数、灵敏度和特异度对实验进行定量评估。与专家标注的病灶分割相比，实验取得了 promising 的结果，平均 Dice 分数最高达 77.6%，平均灵敏度最高达 78.9%。据我们所知，本研究是首批解决这一特定问题的研究之一，这限制了对相关工作的直接可比性。相较于类似的基于深度学习的病灶分割（如肝脏 MR 图像或脊柱 CT 图像），我们的实验显示出相似甚至某些方面更优的分割质量。总体而言，我们的自动方法在这一具有挑战性和高难度的任务中可提供近乎专家水平的分割精度。
引用
@article{arxiv.2001.05834,
title = {Spinal Metastases Segmentation in MR Imaging using Deep Convolutional Neural Networks},
author = {Georg Hille and Johannes Steffen and Max Dünnwald and Mathias Becker and Sylvia Saalfeld and Klaus Tönnies},
journal= {arXiv preprint arXiv:2001.05834},
year = {2020}
}
备注
9 pages, 5 figures