基于不确定性的图卷积网络用于器官分割细化

CT 体积中的器官分割是许多计算机辅助介入与诊断方法的重要预处理步骤。近年来，卷积神经网络在该任务上主导了最优性能。然而，由于器官形状高度可变且组织间相似度高，该问题环境具有挑战性，输出分割中产生假阴性和假阳性区域是常见问题。近期工作表明，模型的不确定性分析可为我们提供有关分割中潜在错误有用信息。在此背景下，我们提出了一种基于不确定性分析与图卷积网络的分割细化方法。我们利用卷积网络在特定输入体积中的不确定性水平来构建一个半监督图学习问题，并通过训练图卷积网络求解。为测试我们的方法，我们对 2D U-Net 的初始输出进行细化。我们使用 NIH 胰腺数据集和医学分割十项全能的脾脏数据集验证我们的框架。我们表明，相较于原始 U-Net 的预测，我们的方法将 Dice 分数提高了胰腺 1% 和脾脏 2%，优于最优的 CRF 细化方法。最后，我们讨论了结果及模型当前的局限性，以指明该研究方向未来的工作。为可复现起见，我们公开了代码。