基于重度增强高分辨率三维 ResUNet 的主动脉自动分割：对 SEG.A 挑战赛的贡献
计算机视觉与模式识别
2024-05-22 v1 人工智能
机器学习
摘要
从三维医学体数据中自动分割主动脉是一项重要却困难的任务。若干因素使该问题具有挑战性，例如主动脉夹层的可能性，以及分割和标注小分支的困难。本工作是 MedGIFT 团队对 MICCAI 2023 会议期间组织的 SEG.A 挑战赛的贡献。我们提出一种基于深度编码器—解码器架构的全自动算法。我们工作背后的主要假设是，数据预处理与增强比深度架构重要得多，尤其在低数据情形下。因此，该方案基于传统卷积 U-Net 的一个变体。所提方案在所有测试病例中取得了高于 0.9 的 Dice 分数，且在所有参与者中稳定性最高。该方法在临床评估、定量结果和体积网格化质量方面分别位列第 1、第 4 和第 3。我们免费发布了源代码、预训练模型，并在 Grand-Challenge 平台上提供算法访问。
引用
@article{arxiv.2310.15827,
title = {Automatic Aorta Segmentation with Heavily Augmented, High-Resolution 3-D ResUNet: Contribution to the SEG.A Challenge},
author = {Marek Wodzinski and Henning Müller},
journal= {arXiv preprint arXiv:2310.15827},
year = {2024}
}
备注
MICCAI 2023 - SEG.A Challenge Contribution