基于CT诊断模式的、具备跨难度感知能力的肺栓塞分割网络

《IEEE Transactions on Medical Imaging》：CT Diagnostic Mode-Oriented and Cross Difficulty-Aware Network for Pulmonary Embolism Segmentation

自动分割CTPA图像中的肺栓塞（PE）有助于量化评估PE严重程度，但现有方法受限于组织相似性、PE尺寸小及形态位置变异。本文提出DMCD-Net，通过多模态CT诊断模式模仿学习PE与周围组织的强度差异，减少假阳性；结合跨难度监督和难度感知损失函数，增强复杂区域的分割效果。实验表明，DMCD-Net在两个医院和公开数据集上均优于现有方法，并验证了其良好的泛化性。

　　

摘要：

在计算机断层扫描肺血管造影（CTPA）中自动分割肺栓塞（PE）有助于定量评估PE的严重程度，这对于准确和全面的诊断以及降低PE的高死亡率至关重要。最近的研究尝试通过整合血管分割技术来减少分割错误。然而，这些方法在PE分割方面的性能受到组织间相似性、PE的微小尺寸以及PE形状和位置变化的限制。为了解决这些问题，我们提出了一种面向CT诊断模式且具有跨难度感知能力的网络（DMCD-Net）用于PE分割。具体而言，我们的DMCD-Net模仿了多模态CT的协作诊断模式，以学习PE与周围组织之间的强度差异，这可以有效减少误报分割，尤其是在PE尺寸微小和组织间相似性较高的情况下。此外，我们引入了一种具有跨监督策略和难度感知损失函数的跨难度感知方案，以加强对由于PE形状不规则和位置多变而导致的难分割区域的关注。我们的DMCD-Net在两家不同的医院和两个公共数据集上进行了评估。广泛的实验表明，DMCD-Net的性能优于现有的最先进方法，并在PE分割方面表现出更好的泛化能力。