用于自动胰腺定位和分割的整体嵌套卷积神经网络的空间聚合

从3D放射学扫描中实现准确且自动的器官分割是医学图像分析中的一个重要而具有挑战性的问题。特别是胰腺在形状和体积上表现出非常高的患者间解剖变异。本文介绍了一种基于3D计算机断层扫描（CT）的自动化系统，该系统采用两阶段级联方法：胰腺定位和分割。在第一步中，我们从整个3D CT扫描中定位胰腺，提供一个可靠的边界框，以便进行更精细的分割步骤。我们引入了一种完全基于深度学习的方法，该方法通过高效应用全嵌套卷积网络（HNNs）来处理三个正交视图：轴向、矢状面和冠状面。然后，使用池化技术融合每个像素的概率图，以可靠地生成一个最大化召回率的3D胰腺边界框。我们展示了所提出的定位器在性能上优于传统的非深度学习方法以及最近基于超像素空间聚合和随机森林分类的混合方法。第二步，即分割阶段，在计算出的边界框内操作，并整合了由两个额外且独立实现的HNNs获得的深层学习器官内部和边界的语义中级线索。通过整合这两个中级线索，我们的方法能够生成保留边界的逐像素分类标签图，从而完成最终的胰腺分割。定量评估是在一个公开可用的数据集上进行的，该数据集包含82例患者的CT扫描，并采用了4折交叉验证（CV）。我们在验证过程中达到了81.27±6.27%的Dice相似系数（DSC），这一结果显著优于之前在同一数据集上报告的最佳方法，其DSC分别为71.80±10.70%和78.01±8.20%。