摘要
基于临床获取的CT扫描图像对腹部区域进行定量评估，需要同时实现腹部器官的精准分割。得益于高性能计算资源的普及，基于深度学习的方法在三维腹部CT图像分割任务中已达到当前最优水平。然而，由于器官边界模糊、形态复杂，现有深度学习方法在准确分割这些解剖结构方面仍面临挑战。具体而言，器官边界处的体素因相邻器官间灰度变化剧烈，极易发生误预测。本文探讨了通过引入器官边界预测作为辅助任务，以提升现有三维编码器-解码器网络在腹部图像分割中的性能。为解决腹部多器官分割问题，我们采用多任务学习框架，训练三维编码器-解码器网络在CT图像中同时完成器官分割及其对应边界的预测。网络采用端到端方式训练，损失函数由两个任务特定损失共同构成：完整的器官分割损失与边界预测损失。在统一的多任务框架下，我们探索了两种不同的网络拓扑结构，以研究两任务间权重共享程度的差异对性能的影响。为评估互补性边界预测任务在提升腹部多器官分割效果方面的有效性，我们在三个先进的编码器-解码器网络（3D UNet、3D UNet++ 和 3D Attention-UNet）上进行了实验。所提出方法在两个公开可用的腹部CT数据集（Pancreas-CT 和 BTCV）上进行了验证，结果显示，平均Dice评分分别获得了最高达3.5%和3.6%的相对提升。