基于用户辅助滤波器估计与选择的脑肿瘤分割网络构建
计算机视觉与模式识别
2024-03-20 v1 人工智能
摘要
脑肿瘤图像分割是一个具有挑战性的研究课题，其中深度学习模型展现了最佳结果。然而，从许多预标注图像训练这些模型的传统方法留下了几个未解问题。因此，诸如基于图像标记的特征学习（FLIM）等方法将专家引入学习循环中，以减少数据标注中的人力投入，并针对给定问题构建足够深的模型。FLIM 已成功用于创建编码器，通过以标记体素为中心的图像块来估计所有卷积层的滤波器。在本工作中，我们提出了多步（MS）FLIM——一种用户辅助的方法，用于从多次 FLIM 执行中估计和选择最相关的滤波器。MS-FLIM 仅用于第一个卷积层，结果已经表明其优于 FLIM。为了进行评估，我们构建了一个简单的 U 型编码器-解码器网络，命名为 sU-Net，用于使用 T1Gd 和 FLAIR MRI 扫描进行胶质母细胞瘤分割，并使用 FLIM、MS-FLIM 和反向传播算法改变编码器的训练方法。此外，我们使用两个数据集将这些 sU-Net 与两个 State-Of-The-Art (SOTA) 深度学习模型进行了比较。结果表明，基于 MS-FLIM 的 sU-Net 优于其他训练方法，并在 SOTA 模型的标准差范围内实现了有效性。
引用
@article{arxiv.2403.12748,
title = {Building Brain Tumor Segmentation Networks with User-Assisted Filter Estimation and Selection},
author = {Matheus A. Cerqueira and Flávia Sprenger and Bernardo C. A. Teixeira and Alexandre X. Falcão},
journal= {arXiv preprint arXiv:2403.12748},
year = {2024}
}
备注
10 pages, 5 figures, 2 tables, 24 references, manuscript of conference paper