面向胸部解剖分割的 3D U 型深度学习模型架构分析与基准测试
图像与视频处理
2024-09-16 v2 计算机视觉与模式识别
机器学习
摘要
近年来，患者个体化胸部外科计划和仿真需要高效且稳健的从自动医学图像分割算法中创建数字解剖模型。深度学习（DL）已在 various radiological tasks 中实现了最先进的水平，U 型 DL 模型自 2D UNet 提出以来在医学图像分割方面尤为出色。迄今为止，已提出许多通过集成不同注意力机制和网络配置而实现的 U 型模型变体。系统性的基准测试研究通过利用近期多标签数据库的发展，对这些模型的架构进行分析，可为临床部署和未来模型设计提供宝贵的见解，但此类研究仍较少见。我们进行了首个针对 3D U 型模型变体（3DUNet、STUNet、AttentionUNet、SwinUNETR、FocalSegNet 以及一种 novel 3D SwinUnet 的四个变体）的系统性基准测试研究，重点关注基于 CT 的胸部解剖分割。我们的研究系统性地检验了不同注意力机制、分辨率阶段数量和网络配置对分割精度和计算复杂度的影响。为允许与其他近期基准测试研究进行交叉引用，我们还包括了 BTCV 腹部结构分割的性能评估。STUNet 排名靠前，表明 CNN 基于 U 型模型在所调查的任务中具有价值，残差块在网络配置设计中有助于提升分割性能。
引用
@article{arxiv.2402.03230,
title = {Architecture Analysis and Benchmarking of 3D U-shaped Deep Learning Models for Thoracic Anatomical Segmentation},
author = {Arash Harirpoush and Amirhossein Rasoulian and Marta Kersten-Oertel and Yiming Xiao},
journal= {arXiv preprint arXiv:2402.03230},
year = {2024}
}