基于变分自编码器与注意力门的两阶段级联模型用于MRI脑肿瘤分割
图像与视频处理
2021-05-18 v2 计算机视觉与模式识别
机器学习
摘要
MRI脑肿瘤自动分割对疾病诊断、监测和治疗规划至关重要。本文提出一种基于两阶段编码器-解码器的脑肿瘤子区域分割模型。两阶段均利用变分自编码器正则化以防止过拟合问题。第二阶段网络采用注意力门，并使用由第一阶段输出构成的扩充数据集进行额外训练。在BraTS 2020验证集上，所提方法对全肿瘤、肿瘤核心和增强肿瘤的平均Dice分数分别为0.9041、0.8350和0.7958，Hausdorff距离（95%）分别为4.953、6.299和23.608。在BraTS 2020测试集上的相应结果为Dice分数0.8729、0.8357和0.8205，Hausdorff距离11.4288、19.9690和15.6711。代码已公开于https://github.com/shu-hai/two-stage-VAE-Attention-gate-BraTS2020。
引用
@article{arxiv.2011.02881,
title = {A Two-Stage Cascade Model with Variational Autoencoders and Attention Gates for MRI Brain Tumor Segmentation},
author = {Chenggang Lyu and Hai Shu},
journal= {arXiv preprint arXiv:2011.02881},
year = {2021}
}