基于概率形状图与双路径U-Net的三维CT肝脏分割框架

《Scientific Reports》：A novel deep learning-based approach for liver segmentation from 3D CT images using probabilistic shape guidance

　　

摘要

准确的肝脏分割对于计算机辅助诊断（CAD）系统至关重要，但由于解剖变异、器官边界模糊以及在正常和病理情况下组织强度变化，这一任务仍然具有挑战性。为了应对这些挑战，本文提出了一种基于深度学习的框架，用于从三维计算机断层扫描（CT）数据集中分割肝脏区域。首先，该系统创建一个三维概率形状图，用于估计每个体素为肝脏体素的概率，利用参考图谱数据集。为此，首先通过三维仿射配准将图谱参考与输入CT体对齐，建立粗略但必要的空间对应关系。在此对齐之后，模型自适应地将输入CT体中的每个体素与来自对齐肝脏图谱的不同大小的立方邻域进行匹配，以计算最终的形状图概率。最后，引入了一种双路径UX-Net（DPUX-Net）架构，该架构接收原始CT体及其对应的概率形状图作为输入，并产生准确且解剖学一致的肝脏分割。提出的肝脏分割系统在120个CT体上使用多种定量指标进行了评估，包括Dice相似度系数（DSC）、Jaccard指数、绝对体积差（AVD）和Hausdorff距离（HD），分别取得了\(93.19\%\pm 2.53\%\)、\(87.12\%\pm 4.42\%\)、\(4.53\pm 3.20\)和\(7.37\pm 5.19\)的成绩。评估既包括训练数据集中的留出测试样本，也包括完全未见过的外部数据集，证明了所提框架的鲁棒性和泛化能力。与当前最先进的基于深度学习的分割模型相比，所提系统超越了它们，突显了其在CT体中精确分割肝脏区域的潜力和可靠性。