用于头颈部CT图像中淋巴结分割的轻量级深度训练网络

《MEDICAL PHYSICS》：Lightweight deep training network for lymph nodes segmentation from head and neck CT images

精准头颈部淋巴结分割面临形态复杂、边界模糊等问题，传统3D卷积方法计算成本高。本文提出轻量级LNSNet，创新性采用3D体积块结构，结合部分卷积与点 wise卷积降低参数量，新增轻量边界增强模块提升分割精度。实验表明，该模型在678个淋巴结数据集上Dice系数达73.81%，平均表面距离0.92mm，95% Hausdorff距离2.52mm，参数量显著低于SOTA方法。

　　

摘要

背景

准确的淋巴结（LN）分割对于诊断和治疗头颈部疾病非常有益。然而，由于头颈部淋巴结的大小和形状各异，且在计算机断层扫描（CT）图像中与周围组织的边界模糊，医生很难手动识别感兴趣的区域（ROI）。尽管现有的基于3D体积卷积的方法在淋巴结边界提取中发挥了重要作用，但它们存在计算复杂度高的问题。

目的

为了解决这些问题，我们开发了一种高效且轻量级的体积卷积神经网络LNSNet，用于头颈部区域的淋巴结分割。

方法

我们的LNSNet采用了3D体积块结构，主要结合了体积部分卷积（VPConv）和点对点卷积来降低计算复杂度和参数数量。此外，在LNSNet的底部添加了轻量级边界增强模块（LBEM）和深度可分离卷积，以提高淋巴结分割的准确性。

结果

评估使用了来自123名头颈部癌症患者的678个3D淋巴结数据。我们使用5折交叉验证对模型进行了训练，并在独立的测试集上进行了测试。与一些最先进的模型相比，我们的模型参数更少，计算复杂度更低，Dice相似系数（DSC）达到了73.81%，平均表面距离（ASD）和第95百分位Hausdorff距离（HD95）分别为0.92毫米和2.52毫米。

结论

LNSNet通过减少参数数量和复杂度提高了计算效率和鲁棒性，使其在实际应用中更具吸引力。

利益冲突声明

作者声明没有利益冲突。