使用级联三维密集连接U-net的脑肿瘤分割
图像与视频处理
2020-09-17 v1 人工智能
机器学习
摘要
准确的脑肿瘤分割是改善疾病诊断和合理治疗规划的关键步骤。在本文中，我们提出一种基于深度学习的方法，将脑肿瘤分割为其子区域：全肿瘤、肿瘤核心和增强肿瘤。所提出的架构是基于Ronneberger等人[17]的U-Net架构变体的三维卷积神经网络，具有三个主要修改：(i)使用残差块的重度编码器、轻度解码器结构；(ii)采用密集块代替跳跃连接；(iii)在网络解码器部分利用自集成。该网络使用两种不同的方法进行训练和测试：同时分割所有肿瘤子区域的多任务框架，以及一次分割一个子区域的三阶段级联框架。还计算了两种框架结果的集成。为解决类别不平衡问题，在预处理步骤中采用了适当的块提取。在后期处理步骤中利用连通分量分析来减少假阳性预测。在BraTS20验证数据集上的实验结果表明，所提出的模型在全肿瘤、肿瘤核心和增强肿瘤上分别取得了0.90、0.82和0.78的平均Dice分数。
引用
@article{arxiv.2009.07563,
title = {Brain tumour segmentation using cascaded 3D densely-connected U-net},
author = {Mina Ghaffari and Arcot Sowmya and Ruth Oliver},
journal= {arXiv preprint arXiv:2009.07563},
year = {2020}
}
备注
10 pages paper submitted to BraTS20 workshop (MICCAI2020)