基于 U-Net 的自动肝脏分割中预处理技术的评估
图像与视频处理
2021-03-29 v1 计算机视觉与模式识别
机器学习
摘要
由于肝脏与邻近器官强度值相近、对比度各异、医学图像伴随各类噪声以及肝脏形状不规则，从医学图像中提取肝脏是一项具有挑战性的任务。为解决这些问题，在对肝脏进行分析与量化之前，对医学图像（即计算机断层扫描（CT）与磁共振成像（MRI）数据）进行预处理十分重要。本文研究了针对 CT 图像的各种预处理技术排列组合，在使用深度学习（即 U-Net 架构）进行自动肝脏分割时的影响。研究聚焦于 Hounsfield 单位（HU）窗宽调节、对比度受限自适应直方图均衡化（CLAHE）、z-score 归一化、中值滤波以及三维块匹配（BM3D）滤波。分割结果表明，三种技术的组合——HU 窗宽调节、中值滤波与 z-score 归一化——取得了最优性能，训练、验证与测试的 Dice 系数分别为 96.93%、90.77% 和 90.84%。
引用
@article{arxiv.2103.14301,
title = {Evaluation of Preprocessing Techniques for U-Net Based Automated Liver Segmentation},
author = {Muhammad Islam and Kaleem Nawaz Khan and Muhammad Salman Khan},
journal= {arXiv preprint arXiv:2103.14301},
year = {2021}
}