DR-Unet104用于多模态MRI脑肿瘤分割
图像与视频处理
2021-05-05 v2 计算机视觉与模式识别
机器学习
摘要
本文提出一种具有104个卷积层的二维深度残差Unet（DR-Unet104），用于脑MRI中的病灶分割。我们对Unet架构做了多处改进，包括向Unet编码器添加“瓶颈”残差块，以及在每个卷积块堆叠后添加dropout。我们验证了以较小比率（如0.2）引入dropout正则化对架构的影响，发现dropout为0.2时相比无dropout或dropout为0.5时整体性能更优。我们作为多模态脑肿瘤分割（BraTS）2020挑战赛的一部分评估了所提架构，并将我们的方法与以ResNet-V2-152为骨干的DeepLabV3+进行比较。我们发现，DR-Unet104在验证数据上对整个肿瘤、增强肿瘤和肿瘤核心的Dice系数均值分别为0.8862、0.6756和0.6721，总体优于DeepLabV3+所取得的0.8770、0.65242和0.68134。我们的方法在挑战赛测试数据上对整个肿瘤、增强肿瘤和肿瘤核心的最终平均DSC分别为0.8673、0.7514和0.7983。我们提出了一种具有竞争力的病灶分割架构，尽管仅使用二维卷积，但其额外优势是可在比三维架构算力更低的计算机上运行。本工作的源代码与训练模型公开于https://github.com/jordan-colman/DR-Unet104。
引用
@article{arxiv.2011.02840,
title = {DR-Unet104 for Multimodal MRI brain tumor segmentation},
author = {Jordan Colman and Lei Zhang and Wenting Duan and Xujiong Ye},
journal= {arXiv preprint arXiv:2011.02840},
year = {2021}
}
备注
Part of the Multimodal Brain Tumor Segmentation 2020 Challenge conference proceedings