利用全局卷积核与条件生成对抗网络进行脾肿大分割
计算机视觉与模式识别
2017-12-05 v1
摘要
使用自动化图像分割技术估计脾脏体积可用于在磁共振成像（MRI）扫描中检测脾肿大（异常增大的脾脏）。近年来，深度卷积神经网络（DCNN）分割方法在腹部器官分割中展现出优势。然而，MRI 图像中脾脏大小和形状的变化可能导致基于 DCNN 的方法产生大量假阳性和假阴性标记。本文中，我们提出脾肿大分割网络（SSNet）以解决分割异常大脾脏时的空间变化问题。SSNet 基于图像到图像条件生成对抗网络（cGAN）框架设计。具体而言，使用全局卷积网络（GCN）作为生成器以减少假阴性，而使用马尔可夫判别器（PatchGAN）以缓解假阳性。一组临床采集的脾肿大患者 3D MRI 扫描（包括 T1 加权和 T2 加权）被用于训练和测试网络。实验结果表明，在独立测试的脾肿大患者 MRI 体积上，SSNet 的 Dice 系数均值为 0.9260，中位数为 0.9262。
引用
@article{arxiv.1712.00542,
title = {Splenomegaly Segmentation using Global Convolutional Kernels and Conditional Generative Adversarial Networks},
author = {Yuankai Huo and Zhoubing Xu and Shunxing Bao and Camilo Bermudez and Andrew J. Plassard and Jiaqi Liu and Yuang Yao and Albert Assad and Richard G. Abramson and Bennett A. Landman},
journal= {arXiv preprint arXiv:1712.00542},
year = {2017}
}
备注
SPIE Medical Imaging 2018