H-DenseUNet: Hybrides dichtes UNet zur Segmentierung von Leber und Tumor in CT-Volumen

Leberkrebs ist eine der führenden Todesursachen durch Krebs. Um Ärzten bei der Diagnose und Therapieplanung von hepatzellulärem Karzinom zu helfen, wird in der klinischen Praxis eine genaue und automatische Segmentierungsmethode für Leber und Tumor dringend benötigt. Kürzlich dienen vollkonvolutionale Neuronale Netze (FCNs), einschließlich 2D- und 3D-FCNs, als Rückgrat vieler volumetrischer Bildsegmentierungen. Allerdings können 2D-Konvolutionen die räumliche Information entlang der dritten Dimension nicht vollständig nutzen, während 3D-Konvolutionen mit hohen Rechenkosten und einem großen GPU-Speicherverbrauch verbunden sind. Um diese Probleme zu lösen, schlagen wir ein neues hybrides dichtes UNet (H-DenseUNet) vor, das aus einem 2D-DenseUNet zur effizienten Extraktion von inner-schnittlichen Merkmalen und einem 3D-Gegenstück zur hierarchischen Aggregation von volumetrischen Kontexten im Sinne des Auto-Context-Algorithmus besteht. Wir formulieren den Lernprozess des H-DenseUNets in einer end-to-end-Art, wobei die inner-schnittlichen Darstellungen und die zwischen-schnittlichen Merkmale durch eine hybride Feature-Fusionsschicht (HFF) gemeinsam optimiert werden können. Unser Verfahren wurde umfassend auf dem Datensatz des MICCAI 2017 Liver Tumor Segmentation (LiTS) Challenges sowie auf dem 3DIRCADb-Datensatz evaluiert. Unsere Methode übertraf andere Stand-of-the-Art-Verfahren bei den Segmentierungsergebnissen von Tumoren und erzielte auch bei der Lebersegmentierung mit einem einzelnen Modell sehr wettbewerbsfähige Leistungen.