基于多信息融合网络和cnn区域增长的粗-细气道分割方法
重磅干货，第一时间送达
小白导读
论文是学术研究的精华和未来发展的明灯。小白决心每天为大家带来经典或者最新论文的解读和分享，旨在帮助各位读者快速了解论文内容。个人能力有限，理解难免出现偏差，建议对文章内容感兴趣的读者，一定要下载原文，了解具体内容。
背景与目的:从胸部CT扫描中自动分割气道在肺部疾病诊断和计算机辅助治疗中起着重要的作用。然而，周围分支的低对比度和复杂的树状结构仍然是气道分割的两个主要挑战。最近的研究表明，深度学习方法在分割任务中表现良好。在这些工作的激励下，提出了一个从粗到细的分割框架来获得完整的气道树。
方法:作者的框架分别通过多信息融合卷积神经网络(Mif-CNN)和基于cnn的区域生长对整个气道和小分支进行分割。在Mif-CNN中，将atrous空间金字塔池(ASPP)集成到一个u形网络中，扩展了接收域，获取多尺度信息。同时，将边界和位置信息整合到语义信息中。这些信息被融合以帮助MifCNN利用额外的上下文知识和有用的特征。为了提高分割结果的性能，设计了基于cnn的区域生长方法，重点获取小分支。采用体素分类网络(VCN)将体素分类为气道体素和非气道体素，该网络能够完全捕捉每个体素周围的丰富信息。此外，采用形状重建方法对气道树进行了细化。
结果:作者在一个私有数据集和一个来自EXACT 09的公共数据集上评估作者的方法。与其他方法的分割结果相比，该方法在完整气道树分割中具有良好的准确性。在私有数据集中，骰子相似系数(DSC)为92.8%，误报率(FPR)为0.015%，灵敏度为88.6%。在EXACT 09中，DSC、FPR和灵敏度分别为95.8%、0.053%和96.6%。
结论:本文提出的Mif-CNN和基于cnn的区域生长方法对CT扫描中的气道树进行了准确有效的分割。实验结果表明，该框架可用于肺部疾病计算机辅助诊断系统及相关工作。
作者的主要贡献总结如下:
(1)提出了一种从粗到细的路径树分割框架。作者的方法着重于改善气道树的完整性。
(2)提出了一种融合了ASPP、边缘制导模块(EGM)和体素坐标信息的u形网络Mif-CNN。该网络可以利用额外有用的特征信息来提高分割性能。
(3)提出一种基于cnn的区域生长方法对支气管进行分割。VCN可以完全捕获每个体素周围的丰富信息，并便于将周围区域的体素分为气道体素和非气道体素。
作者的从粗到细的气道分割框架的工作流程示意图
Mif-CNN的基本网络
ASPP的基本结构
从第1行到第3行三个不同主题的轴向视图图像。从左到右分别是ground-truth、Mif-CNN、Jin、Juarez和U-Net的结果。
使用作者的体素分类网络细化分割结果。(a)实验放射学家标记的金标准，(b) U-Net结果，(c) Mif-CNN的初始输出，(d)体素分类网络的最终结果。
结论
本文提出了一种全自动的胸部CT扫描气道分割方法。该方法的核心是一个从粗到细的框架，该框架分别对整个气道树和气道小分支进行分割。该框架包括两部分:Mif-CNN和基于cnn的区域增长。在Mif-CNN中，ASPP、EGM和坐标信息被整合到u形网络中，从而利用更多有用的特征来提高分割的性能。基于cnn的区域生长方法可以提取出Mif-CNN结果中缺失的分支。此外，采用基于中心线跟踪算法的形状重构方法对最终分割结果进行细化。在私有数据集和公共数据集上的实验结果表明，该方法在病灶和结节多发的上肺叶区域有较好的效果。多数据集验证也证明了该方法的可靠性和进一步的实用性。在未来，作者计划将作者的分割结果应用于其他相关的任务，如动脉/静脉分离，肺段的确定。
每日坚持论文分享不易，如果喜欢我们的内容，希望可以推荐或者转发给周围的同学。
- END -
#投 稿 通 道#
让你的论文被更多人看到
如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。
总有一些你不认识的人，知道你想知道的东西。深度学习爱好者 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。
深度学习爱好者 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学习心得或技术干货。我们的目的只有一个，让知识真正流动起来。
📝 来稿标准：
· 稿件确系个人原创作品，来稿需注明作者个人信息（姓名+学校/工作单位+学历/职位+研究方向）
· 如果文章并非首发，请在投稿时提醒并附上所有已发布链接
· 深度学习爱好者 默认每篇文章都是首发，均会添加“原创”标志