基于多尺度 MPU-Net 的三维医学图像分割
图像与视频处理
2023-07-26 v2 计算机视觉与模式识别
摘要
癌症的高治愈率与医师诊断与治疗的准确性密不可分，因此一个能够完成高精度肿瘤分割的模型已成为医疗行业诸多应用中的必需品。它可有效降低误诊率，同时大幅减轻临床医生的负担。然而，由于三维体器官不规则的立体结构，全自动目标器官分割颇具困难。作为此类实际应用的基模型，U-Net 表现优异。它能学习一定的全局与局部特征，但仍缺乏把握空间长距离关系与多尺度上下文信息的能力。本文受带全局注意力机制的 Transformer 启发，提出一种面向患者体部 CT 图像的肿瘤分割模型 MPU-Net。通过将图像序列化与位置注意力模块相结合，该模型试图理解更深层的上下文依赖并完成精确定位。解码器的每一层还配备了多尺度模块与交叉注意力机制。不同层级的特征提取与融合能力得以增强，且本研究提出的混合损失函数能更好地利用高分辨率特征信息。此外，所提架构在 Liver Tumor Segmentation Challenge 2017 (LiTS 2017) 数据集上进行了测试与评估。与基准模型 U-Net 相比，MPU-Net 展现出优异的分割结果。最佳模型分割结果的 dice、accuracy、precision、specificity、IOU 与 MCC 指标分别为 92.17%、99.08%、91.91%、99.52%、85.91% 与 91.74%。各方面的出色指标说明了该框架在自动医学图像分割中的卓越性能。
引用
@article{arxiv.2307.05799,
title = {3D Medical Image Segmentation based on multi-scale MPU-Net},
author = {Zeqiu. Yu and Shuo. Han and Ziheng. Song},
journal= {arXiv preprint arXiv:2307.05799},
year = {2023}
}
备注
37 pages