科研之友
微信
新浪微博
Facebook
分享链接
摘要
医学影像多器官分割对于手术治疗规划和辅助诊断等临床应用至关重要。目前大多数公开的医学影像数据集都仅对部分器官进行标注，由此建立的分割模型泛化性较差，很难同时满足对多器官的精确自动分割。本研究针对腹部数据集部分器官标注及分割精度较低的问题，构建了基于联合影像数据集的腹部多器官自动分割网络C2F-MSNet。C2F-MSNet分割网络由粗分割和细分割两个阶段构成。在粗分割阶段，利用条件控制模块显式地控制神经网络在多个部分标注的数据集上进行联合训练，并引入注意力模块和深监督策略；在细分割阶段，通过粗分割结果索引细分割区域、引导细分割并构建多尺度细分割网络。在KiTS、Decathlon-liver、Decathlon-spleen和Decathlon-pancreas等4个数据集中的663例CT数据上进行实验，以Dice相关系数(DSC)和豪斯多夫距离(HD)作为分割结果的评判标准，肾脏、肝脏、脾脏和胰腺分割后的DSC分别为0.967、0.964、0.956、0.838,HD分别为12.51、25.02、6.68、12.58。实验结果表明，C2F-MSNet分割网络可以有效解决多标签部分标注的问题，实现联合数据集多器官的精准自动分割。
- 单位
