文献速递基于深度学习的超声图像前列腺
文章题目：Accurateandrobustdeeplearning-basedsegmentationoftheprostateclinicaltargetvolumeinultrasoundimages
研究人员：DavoodKarimietal.
研究单位：DepartmentofElectricalandComputerEngineering,UniversityofBritishColumbia,Vancouver,BC,Canada
期刊名称：MedicalImageAnalysis
影响因子与分区：11.（Q2）
01核心亮点
ComparedtoothertraditionalandCNN-basedmethods,ourmethodachievedsignificantlybetterresultsintermsofHD,whichmeasureslargestsegmentationerror.（与其他传统的和基于CNN的方法相比，我们的方法在HD方面取得了更好的效果，HD是衡量最大分割误差的指标。）
Moreover,ourmethodalsosubstantiallyreducedthemaximumerrorsonthepopulationoftestimages.（此外，我们的方法还大大减少了测试图像总体上的最大误差。）
02
思路与方法
基于超声图像建立一种在近距离放射治疗的经直肠超声（TRUS）图像中对前列腺临床靶体积进行准确而稳健的自动分割的方法，并测试该方法的分割精度。
03
摘要
Thegoalofthisworkwastodevelopamethodforaccurateandrobustautomaticsegmentationoftheprostateclinicaltargetvolumeintransrectalultrasound(TRUS)imagesforbrachytherapy.Theseimagescanbedifficulttosegmentbecauseofweakorinsufficientlandmarksorstrongartifacts.Wedeviseamethod,basedonconvolutionalneuralnetworks(CNNs),thatproducesaccuratesegmentationsoneasyanddifficultimagesalike.Weproposetwostrategiestoachieveimprovedsegmentationaccuracyondifficultimages.First,forCNNtrainingweadoptanadaptivesamplingstrategy,wherebythetrainingprocessisencouragedtopaymoreattentiontoimagesthataredifficulttosegment.Secondly,wetrainaCNNensembleandusethedisagreementamongthisensembletoidentifyuncertainsegmentationsandtoestimateasegmentationuncertaintymap.Weimproveuncertainsegmentationsbyutilizingthepriorshapeinformationintheformofastatisticalshapemodel.OurmethodachievesHausdorffdistanceof2.7±2.3mmandDicescoreof93.9±3.5%.Comparisonswithseveral
转载请注明：http://www.shijichaoguyj.com/wxjs/9131.html
