スーパーピクセルと畳み込みニューラルネットワークに基づくCTスキャン用の自動臓器セグメンテーション

コンピューター断層撮影（CT）スキャンからの特定の臓器の正確なセグメンテーションは、正確な診断と治療のための基本的かつ重要なタスクです。時間のかかる手動の最適化を回避し、医師が病気を区別するのを助けるために、自動臓器セグメンテーションフレームワークが提示されます。このフレームワークは、畳み込みニューラルネットワーク（CNN）を利用してピクセルを分類しました。冗長入力を減らすために、スーパーピクセルの単純な線形反復クラスタリング（SLIC）とサポートベクターマシン（SVM）分類器が導入されています。1ピクセルレベルで臓器の完全な境界を確立するには、ピクセルを段階的に分類する必要があります。まず、SLICを使用して画像をグリッドにカットし、それぞれのデジタル署名を抽出します。次に、署名はSVMによって分類され、粗いエッジが取得されます。最後に、各ピクセルポイントの周りのパッチに基づいたCNNによって正確な境界が取得されます。このフレームワークは、肝臓の腹部CTスキャンと肺の高解像度コンピューター断層撮影（HRCT）スキャンに適用されます。実験的なCTスキャンは、2つのパブリックデータセット（Sliver 07と中国のローカルデータセット）から派生しています。実験結果は、提案された方法が臓器を正確かつ効率的に検出できることを示しています。この方法は、肝臓のセグメンテーションのために38秒/スライスを消費します。肝臓セグメンテーションの結果のサイコロ係数は97.43％に達します。肺のセグメンテーションの場合、サイコロ係数は97.93％です。この発見は、提案されたフレームワークがHRCTスキャンの肺セグメンテーションのための好ましい方法であることを示しています。

Accurate segmentation of specific organ from computed tomography (CT) scans is a basic and crucial task for accurate diagnosis and treatment. To avoid time-consuming manual optimization and to help physicians distinguish diseases, an automatic organ segmentation framework is presented. The framework utilized convolution neural networks (CNN) to classify pixels. To reduce the redundant inputs, the simple linear iterative clustering (SLIC) of super-pixels and the support vector machine (SVM) classifier are introduced. To establish the perfect boundary of organs in one-pixel-level, the pixels need to be classified step-by-step. First, the SLIC is used to cut an image into grids and extract respective digital signatures. Next, the signature is classified by the SVM, and the rough edges are acquired. Finally, a precise boundary is obtained by the CNN, which is based on patches around each pixel-point. The framework is applied to abdominal CT scans of livers and high-resolution computed tomography (HRCT) scans of lungs. The experimental CT scans are derived from two public datasets (Sliver 07 and a Chinese local dataset). Experimental results show that the proposed method can precisely and efficiently detect the organs. This method consumes 38 s/slice for liver segmentation. The Dice coefficient of the liver segmentation results reaches to 97.43%. For lung segmentation, the Dice coefficient is 97.93%. This finding demonstrates that the proposed framework is a favorable method for lung segmentation of HRCT scans.