基础集成的朴素式深度学习模型改进 CT 图像肝脏分割
图像与视频处理
2020-01-28 v1
摘要
从三维计算机断层扫描（CT）图像中分割肝脏是医学图像分析中最常执行的操作之一。在过去十年中，深度学习模型（DMs）相较以往的肝脏分割方法取得了显著改进。DMs 的成功通常归功于使用者在深度学习上的专业知识以及复杂的训练流程。对定制专业知识的需求限制了涉及 DMs 的实证研究的可复现性。当今的共识是，DMs 的集成优于单个组件 DMs。在本研究中，我们着手探索公开可用的、“朴素式” DM 分割器的集成潜力。我们的集成由四个现成的 DMs 创建：U-Net、Deepmedic、V-Net 和 Dense V-Networks。为防止进一步过拟合并保持整体模型简单，我们使用基础的非可训练集成组合器：多数投票、平均、乘积以及最小/最大。我们使用两个公开数据集（CHAOS 和 3Dircadb1）的结果表明，在四个广泛使用的指标上，集成显著优于单个分割器。
引用
@article{arxiv.2001.09647,
title = {Basic Ensembles of Vanilla-Style Deep Learning Models Improve Liver Segmentation From CT Images},
author = {A. Emre Kavur and Ludmila I. Kuncheva and M. Alper Selver},
journal= {arXiv preprint arXiv:2001.09647},
year = {2020}
}
备注
10 pages, 2 figures, 11 tables