基于注意力与池化的3D CT图像乙状结肠分割
图像与视频处理
2023-09-26 v1 计算机视觉与模式识别
机器学习
摘要
乙状结肠的分割是治疗憩室炎的关键环节。它能够准确识别和定位炎症,进而帮助医疗专业人员就最合适的治疗方案做出明智决策。本研究提出一种新颖的深度学习架构,利用改进的3D U-Net架构从计算机断层扫描(CT)图像中分割乙状结肠。本研究考察了若干具有改进超参数的3D U-Net模型变体。还使用了金字塔池化(PyP)与通道-空间挤压激励(csSE)以提升模型性能。网络使用人工标注的乙状结肠进行训练。在测试数据集上采用五折交叉验证程序评估网络性能。最大Dice相似系数(DSC)为56.92±1.42%,表明PyP与csSE技术的应用提升了分割精度。我们探索了包括平均、加权平均、多数投票和最大集成在内的集成方法。结果表明,阈值取0.5且前三模型权重分布一致的平均与多数投票方法取得了相当且最优的结果,DSC为88.11±3.52%。结果表明,改进的3D U-Net架构可有效用于计算机断层扫描(CT)图像中乙状结肠的分割。此外,本研究凸显了集成方法在提升分割精度方面的潜在益处。
引用
@article{arxiv.2309.13872,
title = {Attention and Pooling based Sigmoid Colon Segmentation in 3D CT images},
author = {Md Akizur Rahman and Sonit Singh and Kuruparan Shanmugalingam and Sankaran Iyer and Alan Blair and Praveen Ravindran and Arcot Sowmya},
journal= {arXiv preprint arXiv:2309.13872},
year = {2023}
}
备注
8 Pages, 6 figures, Accepted at IEEE DICTA 2023