Our dataset includes 331 contrast-e

Our dataset includes 331 contrast-enhanced abdominal clinical CTimages in the portal venous phase used for pre-operative planning ingastric surgery. Each CT volume consists of 460–1177 slices of512 × 512 pixels. The voxel dimensions are [0.59–0.98, 0.59–0.98,0.5–1.0] mm. A random split of 281/50 patients is used for training andvalidating the network, i.e., determining when to stop training to avoidoverfitting. In order to generate plausible deformations during training,we sample from a normal distribution with a standard derivation of 4and a grid spacing of 32 voxels, and apply random rotations between−5° and +5° to the training images. No deformations were appliedduring testing. We trained 200,000 iterations in the first stage and115,000 in the second. Table 1 summarizes the Dice similarity scoresfor each organ labeled in the 50 validation cases. On average, weachieved a 7.5% improvement in Dice scores per organ. Small, thinorgans such as arteries especially benefit from our two-stage cascadedapproach. For example, the mean Dice score for arteries improved from59.0 to 79.6% and from 54.8 to 63.1% for the pancreas. The effect isless pronounced for large organs, like the liver, the spleen, and thestomach. Fig. 7 shows an example result from the validation set andillustrates the tiling approach. The 3D U-Net separates the foregroundorgans well from the background tissue of the images.

結果 (繁體中文) 1:

我們的數據集包括331對比增強腹部CT臨床
中用於術前計劃門脈期圖像
胃手術。每個CT體積包括的460-1177片
512×512像素。體素尺寸是[0.59-0.98，0.59-0.98，
0.5-1.0]毫米。的50分之281患者隨機分被用於訓練和
驗證網絡，即確定何時停止訓練，以避免
過度擬合。為了產生訓練期間似是而非變形，
我們從為4的標準偏差的正態分佈採樣
和電網間隔的32體素，和之間施加隨機的旋轉
-5°和+ 5°到訓練圖像。未應用任何變形
在測試過程中。我們訓練的第一階段20萬次迭代，
第二為115000。表1總結了骰子相似性得分
為標記在50驗證情況下，每個器官。平均而言，我們
實現了在每個器官的骰子得分7.5％的改善。小巧輕薄
的器官，如血管特別是從我們的雙級級聯受益
的辦法。例如，平均骰子分數動脈改善從
59.0至79.6％和54.8為胰腺63.1％。效果
不太明顯對於大器官，如肝，脾，和
胃。圖7示出從所述驗證集的示例結果和
說明了平鋪方法。三維掌中分離的前景
器官免受以及圖像的背景組織。

結果 (繁體中文) 2:

我們的資料集包括 331 個對比度增強型腹部臨床 CT
用於術前規劃的門戶靜脈階段的圖像。
胃手術每個 CT 卷由 460*1177 片
512 × 512 圖元。體素尺寸為 [0.59]0.98，0.59*0.98，
0.5[1.0] 毫米隨機拆分 281/50 患者用於訓練和
驗證網路，即確定何時停止培訓以避免
過度學習。為了在訓練過程中產生合理的變形，
我們從正態分佈中取樣，標準派生為 4
和32個體素的網格間距，並應用隨機旋轉之間
[5] 和 [5] 到訓練圖像。未應用變形
在測試期間。我們在第一階段訓練了 200，000 次反覆運算，
第二個115，000。表 1 總結了骰子相似性分數
在50個驗證案例中標記的每個器官。平均而言，我們
每個器官的骰子得分提高了7.5%。小，薄
器官，如動脈，特別受益于我們的兩階段級聯
方法。例如，動脈的平均骰子分數從
胰腺為59.0至79.6%，胰腺為54.8至63.1%。效果是
不太明顯的大器官，如肝臟，脾臟，和
胃。圖 7 顯示了驗證集的示例結果，並且
說明了平鋪方法。3D U-Net 分隔前景
器官從圖像的背景組織。

結果 (繁體中文) 3:

我們的數据集包括331個腹部臨床CT增强掃描
門靜脈期影像在術前計畫中的應用
胃手術。每個CT體積包括460–1177片
512×512點數。體素尺寸為[0.59–0.98，0.59–0.98，
0.5–1.0]毫米。隨機分為281/50名患者進行訓練和
驗證網絡，即確定何時停止培訓以避免
過度裝配。為了在訓練中產生合理的變形，
我們從標準差為4的常态分配中取樣
網格間距為32個體素，並在
-5°和+5°到訓練影像。未施加任何變形
在測試期間。我們在第一階段訓練了200000次反覆運算
11.5萬秒。錶1總結了骰子相似性得分
對於50個驗證案例中標記的每個器官。平均來說，我們
每個器官的骰子得分提高了7.5%。小，薄
動脈等器官尤其受益於我們的兩級級聯
接近。例如，動脈的平均骰子分數從
胰腺59.0%～79.6%，54.8%～63.1%。效果是
對於大器官，如肝臟、脾臟和
肚子。圖7示出了來自驗證集和
說明了平鋪方法。3D U-Net將前景分割開來
從影像的背景組織很好的器官。