D-UNet：一种用于慢性卒中病灶分割的维度融合U形网络
图像与视频处理
2021-02-17 v1 计算机视觉与模式识别
摘要
评估慢性卒中所致病灶的位置与范围对医学诊断、手术规划和预后至关重要。近年来，随着 2D 和 3D 卷积神经网络（CNN）的快速发展，编码器-解码器结构在医学图像分割领域展现出巨大潜力。然而，2D CNN 忽略了医学图像的 3D 信息，而 3D CNN 则面临高计算资源需求的问题。本文提出一种称为维度融合 UNet（D-UNet）的新架构，在编码阶段创新性地将 2D 与 3D 卷积结合。所提架构取得了优于 2D 网络的分割性能，同时相比 3D 网络显著减少了计算时间。此外，为缓解网络训练中正负样本间的数据不平衡问题，我们提出一种称为增强混合损失（EML）的新损失函数。该函数在传统两种损失函数基础上加入加权焦点系数进行组合。所提方法已在 ATLAS 数据集上测试，并与三种最先进（SOTA）方法比较。结果表明，所提方法在 DSC = 0.5349+0.2763 与 precision = 0.6331+0.295 指标上取得了最佳质量性能。
引用
@article{arxiv.1908.05104,
title = {D-UNet: a dimension-fusion U shape network for chronic stroke lesion segmentation},
author = {Yongjin Zhou and Weijian Huang and Pei Dong and Yong Xia and Shanshan Wang},
journal= {arXiv preprint arXiv:1908.05104},
year = {2021}
}