DoubleU-Net++：利用多尺度特征进行椎体分割的架构
图像与视频处理
2022-02-01 v1 计算机视觉与模式识别
摘要
椎体的准确分割是远程手术等多种医疗应用中辅助外科医生的重要前提。随着深度神经网络的成功发展，近期研究聚焦于椎体分割的基本规则。已有工作包含大量参数，且其分割仅限于单一视图。受 DoubleU-Net 启发，我们提出一种名为 DoubleU-Net++ 的新模型，其中采用 DensNet 作为特征提取器，并利用来自卷积块注意力模块（CBAM）的特别注意力模块和金字塔挤压注意力（PSA）模块来改进提取的特征。我们在 VerSe2020 和 xVertSeg 数据集的三个不同视图（矢状面、冠状面和轴面）上评估所提模型。与最先进（state-of-the-art）研究相比，我们的架构训练更快，并获得了更高的精确率、召回率和 F1-score 作为评价指标（提升 4-6%），且 VerSe2020 数据集上矢状面结果高于 94%，冠状面均高于 94%，轴面高于 93%。此外，对于 xVertSeg 数据集，我们实现了矢状面精确率、召回率和 F1-score 高于 97%，冠状面高于 93%，轴面高于 96%。
引用
@article{arxiv.2201.12389,
title = {DoubleU-Net++: Architecture with Exploit Multiscale Features for Vertebrae Segmentation},
author = {Simindokht Jahangard and Mahdi Bonyani and Abbas Khosravi},
journal= {arXiv preprint arXiv:2201.12389},
year = {2022}
}