基于聚集正交决策CNN的无分段肾脏定位和体积估计

肾容量是临床诊断各种肾脏疾病的重要生物标志物。例如，它在肾移植的后续评估中发挥着重要作用。大多数现有的体积估计方法都依赖于肾脏分割作为前提步骤，这有各种局限性，例如初始化敏感性和计算成本高昂的优化。在本文中，我们提出了一种混合定位-体积估计深度学习方法，能够（i）在腹部CT图像中定位肾脏，（ii）在不需要分割的情况下估计肾脏体积。我们的方法涉及使用卷积神经层的图像表示的多个层次的自学习，我们显示出更好地捕捉肾脏数据中丰富而复杂的变化，明显优于手工特征表示。我们在100名患者的临床数据中验证了我们的方法，共有200个肾脏样本（左肾和右肾）。我们的结果表明，与针对相同任务部署基于回归森林的学习的最新最先进方法相比，肾脏边界定位精度提高了55%，体积估计精度提高了30%。