论文笔记Efficient two-step liver and tumour segmentation on abdominal CT

最新推荐文章于 2024-10-08 16:58:41 发布

NaiveXy

最新推荐文章于 2024-10-08 16:58:41 发布

阅读量235

点赞数

分类专栏：医学图像分割文章标签：图像处理计算机视觉 Powered by 金山文档

本文链接：https://blog.csdn.net/Stark_Z/article/details/129140500

版权

医学图像分割专栏收录该内容

31 篇文章 17 订阅

订阅专栏

通过深度学习和条件随机场在腹部CT上进行有效的两步肝脏和肿瘤分割

从计算机断层摄影（CT）扫描中分割肝脏和肿瘤是肝脏手术规划中的重要任务。肝脏和肿瘤的手动分割是一项耗时且劳动密集的任务;因此特别需要一种用于执行这种分割的完全自动化的方法。本文提出了一种两步自动分割肝脏和肿瘤的方法。在分割过程中使用级联框架，并且使用全连接条件随机场（CRF）方法来细化肿瘤分割结果。首先，使用提出的分形残差U-Net（FRA-UNet）来定位和初始分割肝脏。然后，FRA-UNet进一步用于从肝脏感兴趣区域（ROI）预测肝脏肿瘤。最后，使用三维（3D）CRF来细化肿瘤分割结果。改进的分形残差（FR）结构有效地保留了更有效的特征，提高了深层网络的分割性能;改进的深层残差块能够更有效地利用特征信息; 3D CRF方法平滑了轮廓，避免了肿瘤过分割问题。FRA-UNet在肝脏肿瘤分割挑战数据集（LITS）和算法比较数据库数据集的3D图像重建（3DIRCADb）上进行了测试，肝脏分割的Dice相似系数（DSC）分别为97.13%和97.18%，肿瘤分割的DSC分别为71.78%和68.97%，优于大多数最先进的网络。

Contrinbutions：

提出的FRA-UNet网络用于肝脏和肿瘤的两步分割，获得了97.13%和97.18%的Dice相似系数肝脏肿瘤分割挑战数据集中肝脏分割的（DSC）以及肿瘤分割的71.78%和68.97% DSC（LiTS）和用于算法数据库数据集比较的3D图像重建（3DIRCADb），性能优于大多数最先进的方法。

提出了改进的残差块，在残差块的基础上增加卷积层数，并引入稠密连接的思想提高特征重用能力，有效地提高了网络的泛化能力。

本文提出了一种新型的FR模块，并将其应用于FRA-UNet的编码器中。FR块包含三个分支，并结合本文提出的改进残差块，解决了原有分形结构特征丢失的问题，有效地提高了网络的分割性能。

网络模型：

改进的残差块：

分形残差块：

在这篇文章中，我们提出了一个两步分割网络，FRAUNet，来依次分割肝脏和肿瘤。在FRA-UNet中引入了改进的残差块和FR块，有效地提高了网络的特征重用能力和泛化能力。在LiTS和3DIRCADb数据集上的实验表明，FRA-UNet具有强大的分割性能，可以有效地从CT数据中分割出完整的肝脏，并从肝脏区域中准确地定位和分割出肝脏肿瘤。此外，CRF优化的使用导致最终分割结果的显著改善。除了本文中使用的CRF之外，帝王蝶优化等算法（MBO），蚯蚓优化算法（EWA），大象放牧优化（EHO），飞蛾搜索（MS）算法，黏菌算法（SMA），饥饿游戏搜索（HGS），龙格库塔优化器（RUN）、群体捕食算法（CPA）和Harris Hawks优化（HHO）也可用作肿瘤分割结果的优化方法。本文提出的分割方法对肝脏肿瘤的临床诊断具有实际意义，肿瘤分割精度的提高也是分割方法在今后工作中应用于临床诊断的关键。