一种用于前列腺分割的基于深度学习的智能裁剪流水线
图像与视频处理
2021-07-08 v2 计算机视觉与模式识别
机器学习
摘要
从磁共振成像（MRI）中进行前列腺分割是一项具有挑战性的任务。近年来，已提出多种网络架构以自动化该过程并减轻手动标注的负担。尽管这些模型的性能已取得可喜结果，但在这些模型能够安全有效地用于临床实践之前，仍有改进空间。前列腺 MR 图像分割的主要挑战之一是图像标签中存在类别不平衡，即背景像素主导前列腺。在本工作中，我们提出了一种基于深度学习（DL）的流水线，用于从 MRI 图像中裁剪前列腺周围区域，以产生更均衡的前景像素（前列腺）与背景像素分布并提升分割精度。使用五种流行的用于前列腺分割的 DL 网络，即 U-net、U-net+、Res Unet++、Bridge U-net 和 Dense U-net，评估了 DL 裁剪相比标准中心裁剪对提升分割性能的效果。所提出的智能裁剪在所有评估的前列腺分割网络中的分割精度均优于标准中心裁剪。在 Dice 分数方面，U-net+ 和 ResU-net++ 架构取得了最高提升，分别为 8.9% 和 8%。
引用
@article{arxiv.2107.02476,
title = {A new smart-cropping pipeline for prostate segmentation using deep learning networks},
author = {Dimitrios G. Zaridis and Eugenia Mylona and Nikolaos S. Tachos and Kostas Marias and Nikolaos Papanikolaou and Manolis Tsiknakis and Dimitrios I. Fotiadis},
journal= {arXiv preprint arXiv:2107.02476},
year = {2021}
}
备注
8 pages, 6 figures, 1 table