基于深度学习的模型利用不确定性评分进行前列腺癌分割的性能评估
图像与视频处理
2023-08-10 v1 计算机视觉与模式识别
机器学习
摘要
本研究聚焦于比较从 MRI 图像中进行前列腺分割及不确定性量化的深度学习方法。旨在改进前列腺癌检测与诊断的工作流程。评估了七种基于 U-Net 并加入 Monte-Carlo dropout 的架构，用于自动分割中央区、外周区、移行区和肿瘤，并估计不确定性。本研究中性能最佳的模型是 Attention R2U-Net，在分割所有区域时达到平均交并比（IoU）76.3% 和 Dice 相似系数（DSC）85%。此外，与其他模型相比，Attention R2U-Net 表现出最低的不确定性值，尤其在移行区和肿瘤的边界处。
引用
@article{arxiv.2308.04653,
title = {Assessing the performance of deep learning-based models for prostate cancer segmentation using uncertainty scores},
author = {Pablo Cesar Quihui-Rubio and Daniel Flores-Araiza and Gilberto Ochoa-Ruiz and Miguel Gonzalez-Mendoza and Christian Mata},
journal= {arXiv preprint arXiv:2308.04653},
year = {2023}
}
备注
Article accepted at Cancer Prevention through early detecTion (CaPtTion) workshop at MICCAI 2023