摘要
医学图像诊断中的一个关键步骤是图像分割。医学图像分割的一个常见应用场景是识别呈椭圆形分布的单一结构。诸如心脏、肾脏等多数器官，以及皮肤病变、息肉和其他类型的异常，均属于此类。尽管神经网络显著提升了医学图像分割的性能，但其仍需大量训练数据和较长的训练时间才能实现收敛。本文提出了一种通用方法，用于提升神经网络在医学图像分割任务中的性能与数据效率，尤其适用于目标为分割单个近似椭圆分布物体的任务。我们提出在原始数据集的极坐标变换基础上训练神经网络，其中变换的极坐标原点设为目标物体的中心点。该方法不仅降低了数据的维度，还实现了分割与定位任务的解耦，从而有助于网络更快速地收敛。此外，我们提出了两种获取最优极坐标原点的策略：（1）基于非极坐标图像训练的分割模型进行估计；（2）训练一个专用模型以直接预测最优原点位置。我们在肝脏、息肉、皮肤病变及心外膜脂肪组织的分割任务上对所提方法进行了评估。实验结果表明，该方法在病变、肝脏和息肉分割任务上达到了当前最优水平，并在大多数常见生物医学图像分割神经网络架构中表现更优。此外，作为预处理步骤使用时，该方法在不同数据集和神经网络架构上普遍提升了数据效率。