通过改进深度神经网络增强危险器官分割
图像与视频处理
2022-02-07 v1 计算机视觉与模式识别
摘要
危险器官（OAR）分割是癌症患者放疗治疗方案制定与疗效判定的关键步骤。近年来已开发若干基于深度学习的分割算法，然而 U-Net 仍是专为生物医学图像分割设计的实际标准算法，并衍生出许多具有已知弱点的变体。本研究旨在对 U-Net 作简单架构改动，以提升其精度与泛化特性。与许多在单中心数据上评估算法的现有研究不同，我们在多个数据集上彻底评估了 U-Net 的若干变体及我们提出的增强架构，以对 OAR 分割问题开展广泛而可靠的研究。我们的增强分割模型包括 (a)损失函数中的架构改动、(b)优化框架与 (c)卷积类型。在三个公开可用的多目标分割数据集上测试，我们取得了平均 80% 的 Dice 分数，而基线 U-Net 性能为 63%。
引用
@article{arxiv.2202.01866,
title = {Enhancing Organ at Risk Segmentation with Improved Deep Neural Networks},
author = {Ilkin Isler and Curtis Lisle and Justin Rineer and Patrick Kelly and Damla Turgut and Jacob Ricci and Ulas Bagci},
journal= {arXiv preprint arXiv:2202.01866},
year = {2022}
}
备注
7 pages, 3 figures, 6 tables, The paper is published in SPIE Medical Imaging 2022