DivergentNets：基于网络集成的医学图像分割
图像与视频处理
2021-07-02 v1 计算机视觉与模式识别
机器学习
摘要
结肠息肉检测已成为机器学习与消化内镜交叉领域的热点话题。研究主要集中于逐帧分类。近来，息肉分割在临床医学界受到关注。分割相较于逐帧分类或目标检测具有更精确的优势，因其能更细致地显示病变区域。为参与EndoCV 2021分割挑战赛，我们提出两种独立方法。其一，名为TriUNet的分割模型，由三个独立的UNet模型组成。其二，我们将TriUNet与知名分割模型UNet++、FPN、DeepLabv3和DeepLabv3+的集成相结合，构成名为DivergentNets的模型，以生成泛化性更强的医学图像分割掩码。此外，我们提出一种改进Dice损失，在多类分割时仅对单一类别计算损失，迫使模型聚焦于最关键部分。总体而言，所提方法在挑战赛各对应轮次中均取得最佳平均分数，其中TriUNet为EndoCV 2021分割泛化挑战赛第一轮获胜模型，DivergentNets为第二轮获胜模型。我们的方法实现已在GitHub公开。
引用
@article{arxiv.2107.00283,
title = {DivergentNets: Medical Image Segmentation by Network Ensemble},
author = {Vajira Thambawita and Steven A. Hicks and Pål Halvorsen and Michael A. Riegler},
journal= {arXiv preprint arXiv:2107.00283},
year = {2021}
}
备注
the winning model of the segmentation generalization challenge at EndoCV 2021