基于 2.5D ResUnet 集成模型的肾脏及病灶分割
图像与视频处理
2023-11-28 v1 计算机视觉与模式识别
摘要
在计算机断层扫描(CT)图像上自动分割肾脏、肾肿瘤和肾囊肿是一项具有挑战性的任务，其原因在于病灶边界不清和纹理模糊。考虑到 CT 扫描层厚范围大且分布不均衡，本工作采用 2.5D ResUnet 构建高效的由粗到细语义分割框架。使用 489 例 CT 扫描进行训练和验证，并使用独立的、此前未使用的 CT 扫描进行测试。最后，我们证明了所提方法的有效性。测试集上肾脏、肿瘤和囊肿的 dice 系数分别为 0.954、0.792、0.691，表面 dice 系数分别为 0.897、0.591、0.541。每例 CT 扫描的平均推理时间为 20.65 s，最大 GPU 显存为 3525 MB。结果表明该方法在模型性能与效率之间取得了更好的权衡。
引用
@article{arxiv.2311.15586,
title = {An Ensemble of 2.5D ResUnet Based Models for Segmentation for Kidney and Masses},
author = {Cancan Chen and RongguoZhang},
journal= {arXiv preprint arXiv:2311.15586},
year = {2023}
}
备注
7 pages, 2 figures