基于协同分割的 CT 扫描弱监督病灶分割
计算机视觉与模式识别
2020-01-24 v1
摘要
计算机断层扫描 (CT) 上的病灶分割是精确监测病灶/肿瘤生长变化的重要步骤。然而，该任务极具挑战，因为人工分割极为耗时、昂贵且需专业知识。当前实践依赖一种称为实体瘤疗效评价标准 (RECIST) 的不精确替代方法。尽管这些标记缺乏病灶区域的详细信息，它们常见于医院的影像归档与通信系统 (PACS)。因此，这些标记有潜力作为 2D 病灶分割的强有力弱监督来源。针对此问题，本文提出一种基于卷积神经网络 (CNN) 的弱监督病灶分割方法，其首先从 RECIST 测量生成初始病灶掩码，然后利用协同分割借助病灶相似性精炼初始掩码。本工作中采用基于注意力的协同分割模型，因其能从图像对中学习更具判别性的特征。在 NIH DeepLesion 数据集上的实验结果表明，所提协同分割方法显著提升病灶分割性能，例如 Dice 分数提高约 4.0%（从 85.8% 至 89.8%）。
引用
@article{arxiv.2001.08590,
title = {Weakly-Supervised Lesion Segmentation on CT Scans using Co-Segmentation},
author = {Vatsal Agarwal and Youbao Tang and Jing Xiao and Ronald M. Summers},
journal= {arXiv preprint arXiv:2001.08590},
year = {2020}
}