基于直方图规定化提升跨数据集分割性能及其在骨盆骨分割中的应用
图像与视频处理
2021-01-28 v1 计算机视觉与模式识别
摘要
骨盆CT的准确分割对于骨盆骨疾病的临床诊断以及规划患者特异性髋关节手术至关重要。随着深度学习在数字医疗领域的出现与进展，已有多种方法被提出用于此类分割任务。但在低数据场景下，训练深度神经网络所需大量数据的缺乏是一个显著瓶颈。本工作中，我们提出一种基于图像色调分布调制与深度学习的方法，以提升在有限数据上训练的网络性能。该策略通过对测试数据进行直方图规定化预处理来实现。这一简单而有效的方法可视为一种风格迁移方法。分割任务采用以EfficientNet-B0为骨干的U-Net结构，并使用增广的BCE-IoU损失函数进行优化。该配置在来自两个公开可用CT数据集（TCIA，即癌症影像档案库，以及Visible Human Project）共计284张图像上进行了验证。Dice系数与交并比的平均性能指标分别为95.7%和91.9%，有力证明了该方法的有效性，且与最先进的方法极具竞争力。
引用
@article{arxiv.2101.11135,
title = {Boosting Segmentation Performance across datasets using histogram specification with application to pelvic bone segmentation},
author = {Prabhakara Subramanya Jois and Aniketh Manjunath and Thomas Fevens},
journal= {arXiv preprint arXiv:2101.11135},
year = {2021}
}
备注
5 pages, 4 figures, 3 tables; Submitted To IEEE International Conference on Image Processing, 2021