PSHop: A Lightweight Feed-Forward Method for 3D Prostate Gland Segmentation

自动前列腺分割是计算机辅助前列腺癌诊断和治疗规划的重要步骤。现有的前列腺分割方法基于深度学习模型，这些模型体积庞大且缺乏对医生来说至关重要的透明度。本文提出了一种新的基于数据驱动的MRI 3D前列腺分割方法，命名为PSHop。与基于深度学习的方法不同，PSHop的核心方法是基于连续子空间学习（SSL）的前馈编码器-解码器系统。它由两个模块组成：1）编码器：使用级联VoxelHop单元进行从精细到粗糙的无监督表示学习，2）解码器：使用基于体素的分类和局部细化进行从粗糙到精细的分割预测。实验在公开可用的ISBI-2013数据集以及更大的私人数据集上进行。实验分析表明，我们提出的PSHop在前列腺腺体和区域分割任务中是有效、鲁棒且轻量级的，对于腺体分割任务，达到了0.873的Dice相似系数（DSC）。相比其他深度学习方法，PSHop在保持模型大小和推理复杂度一个数量级较小的情况下，实现了竞争性能。

提出一种新的数据驱动的MRI图像前列腺分割方法，名为PSHop，旨在解决现有基于深度学习模型的分割方法模型庞大、缺乏透明度等问题。

PSHop的核心方法是基于连续子空间学习（SSL）的前馈编码器-解码器系统，由编码器和解码器两个模块组成，通过级联VoxelHop单元进行无监督表示学习和分割预测。相比于现有的深度学习方法，PSHop模型大小和推理复杂度都要小一个数量级，同时在前列腺腺体和区域分割任务中取得了竞争性的性能。

论文在公开数据集ISBI-2013上和一个更大的私有数据集上进行了实验，证明了PSHop方法在前列腺分割任务中的有效性、鲁棒性和轻量级。在前列腺腺体分割任务中，PSHop的Dice相似系数（DSC）为0.873。此外，论文还提出了一种基于局部细化的分割预测方法，以进一步提高分割准确性。

近年来，基于深度学习的前列腺分割方法已经得到了广泛的研究和应用。例如，U-Net、V-Net、3D-FCN等深度学习模型已经被用于前列腺分割任务中。此外，还有一些基于传统机器学习方法的前列腺分割方法，如基于形状模型的方法、基于图割的方法等。