基于深度学习技术的人体屏状核自动分割
图像与视频处理
2019-11-19 v1 计算机视觉与模式识别
机器学习
摘要
近年来，深度学习（DL）在计算机视觉与图像分割等人工智能任务中展现出 promising 的结果。具体而言，DL 中的卷积神经网络（CNN）模型已被应用于预测医学中的预防、检测与诊断。图像分割在疾病检测与预防中发挥着重要作用。然而，由于医学图像本身的特点，如模态与格式异构、标注训练数据不足以及标注数据中严重的类别不平衡，基于 DL 的自动分割面临巨大挑战。此外，像磁共振图像（MRI）这类医学图像的自动分割成为一项艰巨任务。对自动分割或标注的需求正是推动我们工作的动机。本文提出一种完全自动化的方法，旨在出于分析目的分割人体屏状核。我们应用 U-Net CNN 模型从 MRI 数据集中分割屏状核（Cl）。该方法在 Cl 分割上取得了每例平均 Dice 分数 0.72，交叉验证 K=5。医学领域专家亦对这些结果进行了评估。
引用
@article{arxiv.1911.07515,
title = {Automated Human Claustrum Segmentation using Deep Learning Technologies},
author = {Ahmed Awad Albishri and Syed Jawad Hussain Shah and Anthony Schmiedler and Seung Suk Kang and Yugyung Lee},
journal= {arXiv preprint arXiv:1911.07515},
year = {2019}
}
备注
6 pages, 4 figures