基于级联 3D 全卷积网络的双能 CT 腹部多器官自动分割研究
计算机视觉与模式识别
2017-10-17 v1
摘要
双能计算机断层扫描（DECT）数据的自动多器官分割对生物医学研究和临床应用大有裨益。然而，这是一项具有挑战性的任务。深度学习的最新进展表明，在单能计算机断层扫描（SECT）中使用 3D 全卷积网络（FCN）进行体素级密集预测是可行的。在本文中，我们提出了一种基于 3D FCN 的方法用于 DECT 的自动多器官分割。该工作基于级联 FCN 以及在大量 SECT 数据上训练的主要器官通用模型。我们通过线性加权对 DECT 数据进行预处理，并针对 DECT 数据对模型进行了微调。该方法使用由临床双源 CT 系统采集的 42 个躯干 DECT 数据进行评估。评估了四个腹部器官（肝脏、脾脏、左肾和右肾）。测试了交叉验证。研究了权重对准确率的影响。在所有测试中，我们分别实现了肝脏 93%、脾脏 90%、右肾 91% 和左肾 89% 的平均 Dice 系数。结果表明我们的方法是可行且极具前景的。
引用
@article{arxiv.1710.05379,
title = {Towards Automatic Abdominal Multi-Organ Segmentation in Dual Energy CT using Cascaded 3D Fully Convolutional Network},
author = {Shuqing Chen and Holger Roth and Sabrina Dorn and Matthias May and Alexander Cavallaro and Michael M. Lell and Marc Kachelrieß and Hirohisa Oda and Kensaku Mori and Andreas Maier},
journal= {arXiv preprint arXiv:1710.05379},
year = {2017}
}
备注
5 pagens, 4 figures, conference