Comput Med Imaging Graph：基于多监督深度残差网络的肿瘤图像分割研究新进展
2018-05-01 佚名 苏州医工所
骨肉瘤是一种危害极大的原发性恶性骨肿瘤，其发病率约占人类恶性实体肿瘤的0.2%。目前骨肉瘤的主要治疗方案是新辅助放化疗以及手术切除肿瘤，因此精确地从骨肉瘤 CT 图像中分割出肿瘤病灶区域，对术前新辅助放化疗的计划制定，以及术后放化疗疗效评估都有着至关重要的作用。然而，人工勾画肿瘤区域是一项耗时长，工作量极大的工作。此外，不同的放射科医生对肿瘤区域的勾画结果受其主观经验、环境等诸多因素的影响，其勾画
骨肉瘤是一种危害极大的原发性恶性骨肿瘤，其发病率约占人类恶性实体肿瘤的0.2%。目前骨肉瘤的主要治疗方案是新辅助放化疗以及手术切除肿瘤，因此精确地从骨肉瘤 CT 图像中分割出肿瘤病灶区域，对术前新辅助放化疗的计划制定，以及术后放化疗疗效评估都有着至关重要的作用。然而，人工勾画肿瘤区域是一项耗时长，工作量极大的工作。此外，不同的放射科医生对肿瘤区域的勾画结果受其主观经验、环境等诸多因素的影响，其勾画结果是不可重复的。
因此，临床上急需实现肿瘤区域的自动分割。然而，肿瘤的自动分割是一个充满挑战的课题，影响自动分割的因素有很多：其一，不同病人的肿瘤大小、形状、结构以及病灶的位置都不同；其二，肿瘤具有很强的异质性，肿瘤内部灰度不均匀、肿瘤组织与其周围的正常组织之间的灰度差距很小等，这些原因使得骨肉瘤图像的自动分割面临着巨大的挑战。
近日，中国科学院苏州生物医学工程技术研究所医学影像室高欣、张睿、夏威等人提出了一种基于多监督深度残差网络的骨肉瘤图像分割方法 (Multiple Supervised Residual Network， MSRN)。该方法将残差网络与多监督网络结合起来，在残差网络中加入三个有监督的边输出层，从而在三个尺度上学习图像的特征，并融合三个尺度上的分割结果，得到最终的肿瘤分割结果。研究人员分别采用 Dice 相似性系数(Dice Similarity Coefficient， DSC)、敏感度系数(Sensitivity)以及F1 值 ( F1-measure)对分割结果进行评价。
图1 基于多监督的深度残差网络（MSRN）
图2 骨肉瘤CT 图像分割结果。1~4行为4个不同的样本。（a）金标准；（b）~（d）分别是FCN，U-Net，MSRN的分割结果
实验结果表明，与FCN，U-Net等先进算法的最佳分割结果相比，MSRN在DSC系数、敏感度系数、F1值上分别提升了8.78%，7.83%以及6.71%。相关研究结果发表于Computerized Medical Imaging and Graphics。
原始出处：
Rui Zhang，et al.Multiple supervised residual network for osteosarcoma segmentation in CT images.Comput Med Imaging Graph.Vol. 63， pp. 1-8， 2018.
小提示：本篇资讯需要登录阅读，点击跳转登录
版权声明：
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#肿瘤图#
33
#监督#
38
学习学习学习
64
学习学习学习
47
学习学习学习
62
学习学习学习
57
学习学习学习
60
学习学习学习
27
学习学习学习
25
#Med#
23