Resumen de A Novel Deep Learning Model for Pancreas Segmentation: Pascal U-Net

Ender Kurnaz, Rahime Ceylan, Mustafa Alper Bozkurt, Hakan Cebeci, Mustafa Koplay

• español

  La segmentación automatizada, robusta y fiable de órganos a partir de imágenes abdominales es un problema crucial tanto en el análisis cuantitativo de imágenes como en el diagnóstico asistido por ordenador. En particular, la segmentación automática del páncreas a partir de imágenes de TC abdominales es la tarea más difícil y se basa en dos aspectos principales: (1) la gran variabilidad de la anatomía (como la forma, el tamaño, etc.) y la ubicación en diferentes pacientes (2) el bajo contraste con los tejidos vecinos. Debido a estas razones, el logro de altas precisiones en la segmentación del páncreas es un problema difícil de segmentación de imágenes. En este artículo, proponemos un nuevo modelo de aprendizaje profundo basado en una red neuronal convolucional llamada Pascal U-Net para la segmentación del páncreas. El rendimiento del modelo propuesto se evalúa en la base de datos de tomografía computarizada de páncreas de The Cancer Imaging Archive (TCIA) y en el conjunto de datos de tomografía computarizada de abdomen del Departamento de Radiología de la Facultad de Medicina de la Universidad de Selcuk. Durante los estudios experimentales se utiliza el método de validación cruzada k-fold. Además, los resultados del modelo propuesto se comparan con los de la U-Net tradicional. Si se comparan los resultados obtenidos por la Pascal U-Net y la U-net tradicional para diferentes tamaños de lote y número de pliegues, se observa que los experimentos realizados en ambos conjuntos de datos validan la eficacia del modelo Pascal U-Net para la segmentación del páncreas.

• English

  A robust and reliable automated organ segmentation from abdomen images is a crucial problem in both quantitative imaging analysis and computer aided diagnosis. Especially, automatic pancreas segmentation from abdomen CT images is most challenging task which based on in two main aspects (1) high variability in anatomy (like as shape, size, etc.) and location across different patients (2) low contrast with neighboring tissues. Due to these reasons, achievement of high accuracies in pancreas segmentation is hard image segmentation problem. In this paper, we propose a novel deep learning model which is convolutional neural network-based model called Pascal U-Net for pancreas segmentation. Performance of the proposed model is evaluated on The Cancer Imaging Archive (TCIA) Pancreas CT database and abdomen CT dataset which is taken from Selcuk University Medicine Faculty Radiology Department. During the experimental studies, k-fold cross-validation method is used. Furthermore, results of the proposed model are compared with results of traditional U-Net. If results obtained by Pascal U-Net and traditional U-net for different batch size and fold number is compared, it can be seen that experiments on both datasets validate the effectiveness of Pascal U-Net model for pancreas segmentation.