图 8.2D 胎盘分割第 2 阶段不同细化方法的视觉比较。第一列显示由 2D P-Net CRF-Net(f)获得的初始自动分段,在该分段上添加用户交互以进行细化。其余列显示优化结果。2D R-Net(Euc)是所提出的 2D R-Net 的一个等价物,它使用欧氏距离。白色箭头显示局部细节的差异。
表 2. 2D 胎盘分割第 2 阶段不同细化方法的定量评价
3.3基于 FLAIR 图像的三维脑肿瘤分割
3.3.1临床背景及实验设置
脑肿瘤的自动分割在技术上仍然具有挑战性,因为 1)脑肿瘤的大小、形状和定位在患者之间有明显的差异;2)相邻结构之间的边界通常是模糊的。在这个实验中,我们研究了从 FLAIR 图像中交互式分割整个肿瘤。我们使用了 2015 年脑肿瘤分割挑战(BraTS)训练集。不同于以往使用该数据集进行多标签和多模态分割的工作,我们只在数据集中使用 FLAIR 图像,并且只分割整个肿瘤。随机抽取 234 例进行训练,其余 40 例进行测试。所有这些图像都被剥离头骨并重新采样到大小为 240×240×155,各向同性分辨率 1 mm。我们根据每幅图像非零区域的边界框对其进行裁剪。
3.3.2第 1 阶段:用三维 P-Net 和 CRF 网(f)自动分割
图 9 显示了第 1 阶段中不同网络的自动分割示例,其中 3D P-Net 与 DeepMedic、HighRes3DNet 和 3D P-Net(b5)进行了比较。在第一列中,DeepMedic 大致分割了肿瘤,在边界附近有一些缺失的区域。HighRes3DNet 减少了遗漏的区域,但会导致一些过度分割。3D P-Net(b5)得到了与 HighRes3DNet 相似的结果。相比之下,3D-P-Net 实现了更精确的分割,更接近于地面真实情况。图 11 中第二和第三列中的更多示例也显示 3D P-Net 优于其他网络。这四个网络的定量评估如表 3 所示。DeepMedic 的骰子平均得分为 83.87%。HighRes3DNet 和 3dp-Net(b5)性能相近,优于 Deep-Medic。3D-P-Net 的性能优于这三个对手在 Dise 方面为 86.68±7.67%,在 ASSD 方面为 2.14±2.17 像素。请注意,与 HighRes3DNet 相比,所提出的 3D P-Net 的参数要少得多。它的存储效率更高,因此可以在交互时间内对三维体进行推理。
图 9. 三维脑肿瘤分割第一阶段不同网络的视觉比较。最后一行显示了 DeepIGeoS 以交互方式优化的结果
由于 CRF-RNN 仅用于 2D,在 3D 分割的背景下,我们仅将 3D CRF-Net(f)与使用手动调整参数的 3D 密集 CRF 进行了比较。在第 1 阶段使用 3D P-Net 的这两种 CRF 之间的视觉比较如图 10 所示。可以观察到,CRF-Net(f)与密集 CRF 相比取得了更显著的改进,密集 CRF 用于无端到端学习的后处理。表 3 列出了密集 CRF 和 CRF 网(f)的定量测量结果。结果表明,只有 CRF 网(f)的分割效果明显优于 3D P-Net,P 值<0.05。
图 10. 三维脑肿瘤分割第一阶段不同 CRF 的视觉比较。最后一列显示了 DeepIGeoS 以交互方式优化的结果
表 3. 3D 脑肿瘤分割第一阶段不同网络和 CRF 的定量比较