用于CT扫描语义分割的3D与2D深度学习技术比较评估
图像与视频处理
2021-01-20 v1 计算机视觉与模式识别
机器学习
摘要
图像分割通过辅助感兴趣区域的分割，在若干医学影像应用中起着关键作用。基于深度学习的方法已被广泛采用用于医学数据的语义分割。近年来，除2D深度学习架构外，3D架构也被用作3D医学图像数据的预测算法。在本文中，我们提出一种基于3D堆叠的深度学习技术，用于在3D计算机断层扫描（CT）中分割实变和磨玻璃影的表现。我们还基于分割结果、保留的上下文信息以及该3D技术与传统2D深度学习技术之间的推理时间给出了比较。我们还定义了面积图，其代表了这些深度学习模型预测的病灶区域逐层面积中观察到的特殊模式。在我们详尽的评估中，3D技术对CT扫描分割的表现优于2D技术。我们分别获得3D和2D技术的dice分数79%和73%。3D技术相比2D技术使推理时间减少5倍。结果还显示，3D模型预测的面积图比2D模型预测的更接近真值。我们还展示了增加训练期间保留的上下文信息量如何提升3D模型的性能。
引用
@article{arxiv.2101.07612,
title = {Comparative Evaluation of 3D and 2D Deep Learning Techniques for Semantic Segmentation in CT Scans},
author = {Abhishek Shivdeo and Rohit Lokwani and Viraj Kulkarni and Amit Kharat and Aniruddha Pant},
journal= {arXiv preprint arXiv:2101.07612},
year = {2021}
}
备注
9 pages