基于深度全残差卷积神经网络的自动化脑肿瘤分割
图像与视频处理
2020-05-13 v3 计算机视觉与模式识别
摘要
自动化脑肿瘤分割有望在疾病诊断、手术、监测与随访方面带来巨大改进。然而，该任务极具挑战性。此处，我们描述基于 U-Net 的 2D CNN 的自动化分割方法。为有效应对类别不平衡，我们采用了加权 Dice 损失函数。我们发现将“U”形深度增加到某一特定层级之上会导致性能下降，因此选择最优深度至关重要。我们还发现，单个以多视角提取块训练的 2D 网络无法捕获 3D 上下文信息，而一个由三个在多视角训练的 2D 网络组成的集成可有效捕获该信息并给出好得多的性能。我们在 BraTS 2018 验证集上获得增强肿瘤 Dice 分数 0.79、全肿瘤 0.90、肿瘤核心 0.82。我们使用的 2D 网络方法耗时与内存消耗极少，且相较于使用 3D 网络的当前最优方法更为简单、易于实现；尽管如此，它仍取得了与那些方法相当的性能。
引用
@article{arxiv.1908.04250,
title = {Automated Brain Tumour Segmentation Using Deep Fully Residual Convolutional Neural Networks},
author = {Indrajit Mazumdar},
journal= {arXiv preprint arXiv:1908.04250},
year = {2020}
}