基于类 U-net 架构的 MRI 图像前列腺分区自动分割模型比较
图像与视频处理
2022-07-21 v1 计算机视觉与模式识别
摘要
前列腺癌是全球男性中第二常被诊断的癌症，也是第六大癌症死因。专家在前列腺癌诊断中面临的主要问题是含肿瘤组织的感兴趣区域(ROI)定位。目前该 ROI 分割在大多数情况下由专业医生手动完成，但该方法存在检出率低（约 27-44%）或部分患者过度诊断的问题。因此，若干研究致力于从磁共振图像中自动分割并提取 ROI 特征，因该过程可极大便利诸多诊断与治疗应用。然而，前列腺边界不清、组织异质性及形态多样使该自动化过程十分困难。本工作中，使用来自 Centre Hospitalaire de Dijon 与 Universitat Politecnica de Catalunya 的 MRI 图像数据集训练并分析了六种深度学习模型。我们采用分类交叉熵损失函数对多种深度学习模型（即 U-Net、Attention U-Net、Dense-UNet、Attention Dense-UNet、R2U-Net 与 Attention R2U-Net）进行比较。分析采用图像分割常用三项指标：Dice 系数、Jaccard 指数与均方误差。分割所有分区结果最佳的模型为 R2U-Net，其 Dice、Jaccard 与均方误差分别为 0.869、0.782 与 0.00013。
引用
@article{arxiv.2207.09483,
title = {Comparison of automatic prostate zones segmentation models in MRI images using U-net-like architectures},
author = {Pablo Cesar Quihui-Rubio and Gilberto Ochoa-Ruiz and Miguel Gonzalez-Mendoza and Gerardo Rodriguez-Hernandez and Christian Mata},
journal= {arXiv preprint arXiv:2207.09483},
year = {2022}
}