临床影像档案中多器官分割的验证与优化
图像与视频处理
2020-02-12 v1 计算机视觉与模式识别
摘要
腹部计算机断层扫描(CT)分割可提供空间上下文、形态学特性以及用于组织特异性放射组学的框架,以指导定量放射学评估。2015年MICCAI挑战赛激发了传统方法与深度学习方法在多器官腹部CT分割上的大量创新。深度方法的最新进展将性能推向具有临床转化吸引力的水平。然而,在开放数据集上持续的交叉验证存在间接知识污染风险并可能导致循环推理。此外,由于患者腹部生理的高度变异性,'真实世界'分割可能具有挑战性。在此,我们执行两次数据检索,针对最近发表的3D U-Net变体(基线算法)获取临床采集的去标识化腹部CT队列。首先,我们检索了476名涉及脾脏异常诊断码患者的2004项去标识化研究(队列A)。其次,我们检索了1754名无脾脏异常诊断码患者的4313项去标识化研究(队列B)。我们对现有算法在两个队列上进行前瞻性评估,失败率分别为13%和8%。随后,我们确定队列A中51名存在分割失败的受试者并手动修正肝脏与胆囊标签。我们将手动标签加入重新训练模型,使A、B队列的失败率分别改善至9%和6%。总之,基线算法在前瞻性队列上的性能与已发表数据集相似。此外,从第一队列补充数据在用于第二保留验证队列评估时显著提升了性能。
引用
@article{arxiv.2002.04102,
title = {Validation and Optimization of Multi-Organ Segmentation on Clinical Imaging Archives},
author = {Yuchen Xu and Olivia Tang and Yucheng Tang and Ho Hin Lee and Yunqiang Chen and Dashan Gao and Shizhong Han and Riqiang Gao and Michael R. Savona and Richard G. Abramson and Yuankai Huo and Bennett A. Landman},
journal= {arXiv preprint arXiv:2002.04102},
year = {2020}
}
备注
SPIE2020 Medical Imaging