一种提升随机初始化 U-net 白质高信号分割精度的后处理 method
计算机视觉与模式识别
2018-07-30 v1 机器学习
机器学习
摘要
白质高信号(WMH)常见于老年人，且似乎与脑部疾病相关。U-net 是一种卷积网络，已广泛用于生物医学图像分割。近来，U-net 已成功应用于 WMH 分割。随机初始化通常用于初始化 U-net 中的模型权重。然而，模型可能收敛到不同随机初始化权重所对应的不同局部最优解。我们发现，对具有不同随机初始化的 U-net 输出进行阈值化与平均相结合，可大幅提升 WMH 分割精度。基于该观察，我们提出了一种涉及平均与阈值化执行方式的后处理技术。具体而言，我们首先通过阈值化将三个 U-net 的得分图转换为二值掩码，然后对这些二值掩码求平均以获得最终的 WMH 分割。定量分析(通过 Dice 相似系数)与定性分析(通过视觉检查)均揭示了所提方法的优越性能。该后处理技术与所用模型无关。因此，它也可应用于采用其他深度学习模型的情形，尤其在采用随机初始化且无法进行预训练时。
引用
@article{arxiv.1807.10600,
title = {A post-processing method to improve the white matter hyperintensity segmentation accuracy for randomly-initialized U-net},
author = {Yue Zhang and Wanli Chen and Yifan Chen and Xiaoying Tang},
journal= {arXiv preprint arXiv:1807.10600},
year = {2018}
}