Z-Net：一种用于医学 CT 体数据分割的各向异性三维 DCNN
图像与视频处理
2020-03-10 v2 计算机视觉与模式识别
机器学习
机器学习
摘要
从计算机断层扫描（CT）中准确的体积分割是机器人辅助微创手术（MIS）中术前规划、术中引导与治疗结果定量评估的常见先决条件。三维深度卷积神经网络（DCNN）是该任务的可行方案，但内存消耗大。实践中从原始大 CT 体中裁剪小的各向同性块以缓解此问题，但可能导致相邻块间不连续以及单个子体内严重的类别不平衡。本文提出一种新的三维 DCNN 框架，即 Z-Net，通过利用各向异性空间可分离卷积在 XY 平面保留物体的完整视场，来解决不连续与类别不平衡问题。所提 Z-Net 可无缝集成到具有各向同性卷积的现有三维 DCNN（如 3D U-Net 与 V-Net）中，体积分割交并比（IoU）提升高达 。提供了 Z-Net 在 CT 主动脉、肝脏与肺分割上的详细验证，展示了 Z-Net 在机器人辅助 MIS 术中三维导航中的有效性与实用价值。
引用
@article{arxiv.1909.07480,
title = {Z-Net: an Anisotropic 3D DCNN for Medical CT Volume Segmentation},
author = {Peichao Li and Xiao-Yun Zhou and Zhao-Yang Wang and Guang-Zhong Yang},
journal= {arXiv preprint arXiv:1909.07480},
year = {2020}
}
备注
8 pages, 9 figures, two tables