面向脑肿瘤分割的处理与迁移学习优化框架
图像与视频处理
2024-02-13 v1 计算机视觉与模式识别
机器学习
摘要
由于样本有限、形状差异大以及肿瘤形态分布不均，从多模态脑部 MRI 图像中进行肿瘤分割是一项具有挑战性的任务。深度学习的最新进展显著提升了自动化医学图像分割的性能。然而，模型预测在准确性和泛化能力方面尚未达到临床使用的理想水平。为解决 BraTS 2023 挑战赛 1、2 和 3 中提出的不同问题，我们构建了一个基于 3D U-Net 模型的脑肿瘤分割优化框架。该框架融合了多种技术，包括各种预处理和后处理技术以及迁移学习。在验证数据集上，该多模态脑肿瘤分割框架在挑战赛 1、2 和 3 上分别取得了 0.79、0.72 和 0.74 的平均病灶级 Dice 分数。
引用
@article{arxiv.2402.07008,
title = {An Optimization Framework for Processing and Transfer Learning for the Brain Tumor Segmentation},
author = {Tianyi Ren and Ethan Honey and Harshitha Rebala and Abhishek Sharma and Agamdeep Chopra and Mehmet Kurt},
journal= {arXiv preprint arXiv:2402.07008},
year = {2024}
}