基于深度残差扩张U-Net的脑结构自动分割
计算机视觉与模式识别
2018-11-13 v1
摘要
脑图像分割用于可视化和量化脑的解剖结构。我们提出了一种使用2D深度残差扩张网络的自动化方法，该方法捕获不同组织的丰富上下文信息，用于分割八个脑结构。所提出的系统在MICCAI脑分割挑战赛中得到评估，在22支队伍中排名第9。我们进一步在公共数据集上使用留一受试者交叉验证设置，将该方法与传统U-Net进行比较。实验结果表明，所提出的方法优于传统U-Net（即平均Dice系数80.9%对78.3%，平均鲁棒Hausdorff距离4.35mm对11.59mm），并且计算高效。
引用
@article{arxiv.1811.04312,
title = {Automatic Brain Structures Segmentation Using Deep Residual Dilated U-Net},
author = {Hongwei Li and Andrii Zhygallo and Bjoern Menze},
journal= {arXiv preprint arXiv:1811.04312},
year = {2018}
}
备注
to be appeared in MICCAI post-proceedings (BrainLes workshop)