基于两阶段上下文Transformer的卷积神经网络用于CT图像气道提取
图像与视频处理
2022-12-16 v1 计算机视觉与模式识别
机器学习
摘要
从计算机断层扫描（CT）图像中准确提取气道是规划导航支气管镜检查和定量评估气道相关慢性阻塞性肺疾病（COPD）的关键步骤。现有方法在有限标注的约束下难以充分分割气道，尤其是高代气道，无法满足 COPD 的临床使用需求。我们提出了一种新颖的基于两阶段三维上下文 Transformer 的 U-Net，用于利用 CT 图像进行气道分割。该方法包含两阶段，执行初始和精细气道分割。两阶段模型共享同一子网络，以不同的气道掩码作为输入。上下文 Transformer 模块在子网络的编码器和解码器路径中均被使用，以有效完成高质量气道分割。在第一阶段，将完整气道掩码和 CT 图像输入子网络；在第二阶段，将肺内气道掩码及相应的 CT 扫描输入子网络。随后将两阶段方法的预测合并作为最终预测。我们在内部和多个公开数据集上进行了大量实验。定量与定性分析表明，我们提出的方法提取了更多的分支和树状长度，同时取得了最先进的气道分割性能。代码见 https://github.com/zhaozsq/airway_segmentation。
引用
@article{arxiv.2212.07651,
title = {Two-stage Contextual Transformer-based Convolutional Neural Network for Airway Extraction from CT Images},
author = {Yanan Wu and Shuiqing Zhao and Shouliang Qi and Jie Feng and Haowen Pang and Runsheng Chang and Long Bai and Mengqi Li and Shuyue Xia and Wei Qian and Hongliang Ren},
journal= {arXiv preprint arXiv:2212.07651},
year = {2022}
}