基于极小训练集的胸部X光肺与心脏分割

Balázs Maga

基于极小训练集的胸部X光肺与心脏分割

图像与视频处理 2021-01-22 v1 计算机视觉与模式识别

作者: Balázs Maga

摘要

随着COVID-19大流行加剧了全球医生过量的工作负担，对医学影像分析中计算机辅助方法的需求进一步增加。此类工具可带来更稳健且更不易出人为错误的诊断流程。在本文中，我们提出了一个称为Attention BCDU-Net的深度神经网络，并将其应用于胸部X光（CXR）图像的肺与心脏分割任务，这是诊断流程中基础但繁重的步骤，例如用于检测心脏肥大。我们展示了微调后的模型超越了以往的SOTA结果，在日本放射技术学会（JSRT）数据集上达到 $98.1\pm 0.1\%$ 的Dice分数和 $95.2\pm 0.1\%$ 的IoU分数。此外，我们通过仅用规模为10和20的训练集就取得了令人惊讶的强结果，证明了该任务相对简单：就Dice分数而言分别为 $97.0\pm 0.8\%$ 和 $97.3\pm 0.5$ ，而就IoU分数而言分别为 $92.2\pm 1.2\%$ 和 $93.3\pm 0.4\%$ 。为取得这些分数，我们利用了mixup增强技术，在规模10的设置下带来了超过 $4\%$ IoU分数的显著增益。

关键词

胸部X光肺分割心脏分割深度神经网络极小训练集 mixup增强 Dice分数 IoU分数

引用

@article{arxiv.2101.08309,
  title  = {Chest X-ray lung and heart segmentation based on minimal training sets},
  author = {Balázs Maga},
  journal= {arXiv preprint arXiv:2101.08309},
  year   = {2021}
}

备注

Preprint. arXiv admin note: text overlap with arXiv:2003.10304

基于极小训练集的胸部X光肺与心脏分割

摘要

关键词

引用

备注

相关论文