电气工程与系统科学>图像和视频处理
标题: 利用解剖约束和不确定性进行气胸分割
摘要: 气胸是由胸膜间隙(肺部和胸壁之间的潜在间隙)中异常积聚的空气引起的医疗紧急情况。 在2D胸片上,气胸发生在胸腔内和纵隔外,我们将此区域称为“肺+间隙”。 虽然深度学习(DL)越来越多地用于胸片中气胸病变的分割,但许多现有的DL模型采用端到端的方法。 这些模型直接将胸片映射到临床医生指定的病变区域,通常忽略了气胸固有的位置敏感性这一关键领域知识。 我们提出了一种新的方法,在DL模型训练期间将肺+空间作为约束条件,用于2D胸片上气胸的分割。 为了避免额外注释的需要,并防止目标任务中潜在的标签泄漏,我们的方法使用外部数据集和肺分割的辅助任务。 这种方法为每一张胸片生成一个特定的肺部+空间约束。 此外,我们还加入了一个鉴别器,以消除辅助数据集和目标数据集之间的域移位所导致的不可靠约束。 我们的结果显示了显著的改进,在联合交叉(IoU)、Dice相似系数(DSC)和Hausdorff距离(HD)方面平均性能提高了4.6%、3.6%和3.3%。 我们的研究强调了结合有关气胸特定位置性质的医学领域知识以增强基于DL的病变分割的重要性。