论文阅读：A Bottom-Up Approach for Automatic Pancreas Segmentation in Abdominal CT Scans

最新推荐文章于 2022-08-12 19:34:54 发布

kczh

最新推荐文章于 2022-08-12 19:34:54 发布

阅读量536

点赞数

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/bashana102/article/details/60470411

牙齿同时被 2 个专栏收录

17 篇文章

订阅专栏

CT分割

16 篇文章

订阅专栏

本文介绍了一种基于腹部CT扫描的胰腺自动分割方法。该方法为自底向上方式，利用超像素进行图像分割。实验表明，SLIC超像素方法在边界召回率上表现最优。进一步地，通过提取patch级别的特征进行分类，最终实现胰腺的有效分割。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文信息

A Bottom-Up Approach for Automatic Pancreas Segmentation in Abdominal CT Scans
2014 MICCAI workshop
文章先泛读一下。以后要用到类似方法再回来看。

背景

胰腺的个异性很强，在形状/尺寸/位置方面。之前的研究几乎都是自顶向下的，图谱配准或统计模型【1-3】。本文提出一个自底向上的方法，基于单相CT序列

方法

1. 超像素生成

为了得到高边界召回率的超像素分割，文章对四种方法做了实验，最后结果如下，边界召回率 SLIC > Entropy Rate > Efficient Graph > Watershed。其中SLIC在两个像素以内达到了90%以上的召回率。文章选择用超像素而不是超体素，因为边界泄露问题在3D中较严重。

2. patch级别特征提取及标注

14个图像特征之间用DSIFT特征连接，最后一共46个特征。

3. 超像素级别特征提取及分类

讨论&启发

本文的目的只是测试一下用超像素作为middle-level representation来分割的效果。没有采用后处理。未来为了提高精度，可以采用如：3D morphological operators, connected component analysis, surface-based level-set or graph-cut based MRF/CRF optimization.
将超像素在slice之间连接起来，结构化地来考虑。