用于脑肿瘤分割的上下文感知三维 UNet
图像与视频处理
2020-11-30 v2 计算机视觉与模式识别
摘要
深度卷积神经网络(CNN)在医学图像分析中取得了卓越性能。UNet 是包括脑肿瘤分割在内的医学成像任务中三维 CNN 架构性能的主要来源。UNet 架构中的跳跃连接将编码器和解码器路径的特征进行拼接,以从图像数据中提取多上下文信息。多尺度特征在脑肿瘤分割中起着至关重要的作用。然而,特征利用的局限性会降低 UNet 分割方法的性能。本文中,我们提出了一种改进的 UNet 架构用于脑肿瘤分割。在所提架构中,我们在编码器和解码器路径中均使用密集连接块,基于特征可重用性的概念提取多上下文信息。此外,采用残差-初始块(RIB)通过合并不同核大小的特征来提取局部和全局信息。我们在多模态脑肿瘤分割挑战赛(BRATS)2020 测试数据集上验证了所提架构。全肿瘤(WT)、肿瘤核心(TC)和增强肿瘤(ET)的 Dice(DSC)系数分别为 89.12%、84.74% 和 79.12%。
引用
@article{arxiv.2010.13082,
title = {Context Aware 3D UNet for Brain Tumor Segmentation},
author = {Parvez Ahmad and Saqib Qamar and Linlin Shen and Adnan Saeed},
journal= {arXiv preprint arXiv:2010.13082},
year = {2020}
}
备注
Accepted for MICCAI 2020 Brain Lesions (BrainLes) Workshop