常规进行了视频支气管镜检查,以涉嫌癌症,监测COPD患者的肺组织活检以及在重症监护病房中澄清急性呼吸问题。复杂的支气管树中的导航尤其具有挑战性和身体要求,需要医生的长期经验。本文介绍了支气管镜视频中支气管孔的自动分割。由于缺乏易于获取的地面真相分段数据,目前,基于学习的深度方法被阻碍。因此,我们提出了一个由K均值组成的数据驱动管道,然后是基于紧凑的标记的流域算法,该算法能够从给定的深度图像中生成气道实例分割图。通过这种方式,这些传统算法是仅基于Phantom数据集的RGB图像上直接在RGB图像上训练浅CNN的弱监督。我们在两个体内数据集上评估了该模型的概括能力,这些数据集涵盖21个不同的支气管镜上的250帧。我们证明其性能与那些在体内数据中直接训练的模型相当,通过128x128的图像分辨率,对于检测到的气道分割中心的平均误差为11 vs 5像素。我们的定量和定性结果表明,在视频支气管镜检查,幻影数据和弱监督的背景下,使用基于非学习的方法可以获得对气道结构的语义理解。
translated by 谷歌翻译