CT 扫描上的弱监督病灶共分割
计算机视觉与模式识别
2020-01-28 v1
摘要
医学影像中的病灶分割是评估肿瘤大小和监测生长变化的有效工具。然而，手动病灶分割不仅耗时，而且昂贵并需要放射科专家知识。因此许多医院依赖于一种称为实体瘤疗效评价标准（RECIST）的粗略替代方法。尽管这些标注远非精确，但它们在医院中广泛使用并存于其影像存档与通信系统（PACS）中。因此，这些标注有潜力作为训练完整病灶分割模型的稳健但具挑战性的弱监督手段。在这项工作中，我们提出了一种弱监督共分割模型，该模型首先从 RECIST 切片生成伪掩码，并将其用作基于注意力的卷积神经网络的训练标签，该网络能够从一对 CT 扫描中分割常见病灶。为验证和测试该模型，我们使用了 DeepLesion 数据集，这是一个包含 32,735 张 PACS 书签图像的广泛 CT 扫描病灶数据集。大量实验结果证明了我们的共分割方法在病灶分割中的有效性，平均 Dice 系数为 90.3%。
引用
@article{arxiv.2001.09174,
title = {Weakly Supervised Lesion Co-segmentation on CT Scans},
author = {Vatsal Agarwal and Youbao Tang and Jing Xiao and Ronald M. Summers},
journal= {arXiv preprint arXiv:2001.09174},
year = {2020}
}