基于深度强化学习的CT图像弱监督淋巴结分割

深度强化学习的CT图像弱监督淋巴结分割"/>

基于深度强化学习的CT图像弱监督淋巴结分割

论文：Deep Reinforcement Learning for Weakly-Supervised Lymph Node Segmentation in CT Images
Abstract：准确和自动化的淋巴结分割是定量评估疾病进展和潜在治疗的关键。淋巴结形态的复杂变化和获取体素式人工标注的困难使得淋巴结分割成为一项具有挑战性的任务。由于实体肿瘤反应评估标准(RECIST)注释(指示淋巴结的位置、长度和宽度)在医院数据档案中通常可用，我们提倡使用RECIST注释作为监督，从而将这一分割任务表述为弱监督学习问题。本文提出了一种基于深度强化学习的淋巴结分割模型。基于RECIST注释，我们以无监督的方式分割RECIST切片，以产生伪地面真实，然后用于将U-Net训练为分割网络。接下来，我们训练一个DRL模型，其中分割网络与策略网络相互作用，以同时优化淋巴结包围盒和分割结果。 在包含984个3D淋巴结的公共胸腹计算机断层扫描(CT)数据集上，针对三个广泛使用的图像分割网络对所提出的DRL-LNS模型进行了评估，并在四重交叉验证中实现了77.17%的平均Dice相似性系数(DSC)和64.78%的平均交集过并集(IoU)。我们的结果表明，基于DRL的包围盒预测策略优于标签传播策略，并且所提出的DRL-LNS模型能够在这种弱监督的淋巴结分割任务上实现最新的性能。

淋巴自动分割算法有两大挑战。首先，淋巴结不仅在CT切片上与其周围组织之间表现出差的强度/纹理对比度，而且在连续切片上它们可能具有高度复杂的形态和可变的外观。第二，完全注释的CT扫描，其中每个体素被指定为淋巴结或其他，总是不足以训练DCNN。不足之处与图像采集和注释所需的工作和费用有关。3D淋巴结的RECIST注释由两条线定义:一条测量淋巴结的最大直径，另一条测量其在测量切片(即RECIST切片)上的最大正射直径。