Resumen

La segmentación precisa del páncreas a partir de volúmenes de TC 3D es importante para el tratamiento de las enfermedades pancreáticas. Delinear con precisión el páncreas es un reto debido al escaso contraste de intensidad y a las grandes variaciones intrínsecas de volumen, forma y ubicación. En este trabajo, proponemos una U-Net deformable semiautomatizada, es decir, DUNet, para la segmentación del páncreas. La innovación clave de nuestro método propuesto es un módulo de convolución deformable, que añade de forma adaptativa desplazamientos aprendidos a cada posición de muestreo del kernel convolucional 2D para mejorar la representación de las características. La combinación del módulo de convolución deformable con U-Net permite a nuestra DUNet capturar de forma flexible las características pancreáticas y mejorar la capacidad de modelado geométrico de U-Net. Además, se diseña una función de pérdida no lineal basada en Dice para abordar el problema del desequilibrio de clases en la segmentación del páncreas. Los resultados experimentales muestran que nuestro método propuesto supera a todos los métodos de comparación en el mismo conjunto de datos NIH.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:módulo de convolución deformable, Net, segmentación del páncreas, kernel convolucional 2D, volúmenes de TC 3D, segmentación precisa del páncreas, capacidad de modelado geométrico, grandes variaciones intrínsecas, terapia de enfermedades del páncreas, contraste de intensidad deficiente.
• Keywords:deformable convolution module, Net, pancreas segmentation, 2D convolutional kernel, 3D CT volumes, Accurate pancreas segmentation, geometric modeling capability, intrinsic large variations, pancreas diseases therapy, poor intensity contrast