增强医学图像分割：利用自编码器优化交叉熵权重与后处理
图像与视频处理
2023-08-22 v1 计算机视觉与模式识别
摘要
医学图像分割任务带来独特挑战，既需要局部也需要整体的语义理解以准确勾画感兴趣区域，如关键组织或异常特征。由于类间高度相似、类内变化大以及可能的图像模糊，医学图像分割的复杂性进一步加剧。在考虑如皮肌炎这类自身免疫性疾病的组织病理切片研究时，分割任务更趋多样。由于数据采集流程的限制，这些案例中细胞炎症与相互作用的分析研究较少。尽管医学科学不断进步，我们仍缺乏自身免疫性疾病的综合收集。随着自身免疫性疾病全球患病率上升并与 COVID-19 相关，其研究愈发重要。虽有将人工智能用于各类自身免疫性疾病分析的现有研究，对皮肌炎的探索仍相对不足。在本文中，我们提出一种针对医学图像分割的深度学习方案。在皮肌炎数据集上，我们所提方法在 ResNet 系列编码器上相对于 U-Net 和 U-Net++ 的当前最先进技术分别平均高出 12.26% 和 12.04%。此外，我们探究了优化损失函数权重的重要性，并在三项具挑战性的医学图像分割任务上对所提方法进行了基准测试。
引用
@article{arxiv.2308.10488,
title = {Enhancing Medical Image Segmentation: Optimizing Cross-Entropy Weights and Post-Processing with Autoencoders},
author = {Pranav Singh and Luoyao Chen and Mei Chen and Jinqian Pan and Raviteja Chukkapalli and Shravan Chaudhari and Jacopo Cirrone},
journal= {arXiv preprint arXiv:2308.10488},
year = {2023}
}
备注
Accepted at ICCV CVAMD 2023