FP-PET：大模型、多损失与聚焦实践
计算机视觉与模式识别
2023-09-25 v1 机器学习
摘要
本研究提出 FP-PET，一种面向医学图像分割的综合方法，重点关注 CT 与 PET 图像。研究利用来自 AutoPet2023 挑战赛的数据集，采用包括 STUNet-large、SwinUNETR 与 VNet 在内的多种机器学习模型，以实现最先进的分割性能。本文引入了一种聚合分数，结合 Dice 分数、假阳性体积（FPV）与假阴性体积（FNV）等多种评估指标，以提供模型有效性的整体度量。研究还讨论了与模型训练相关的计算挑战与解决方案，训练在高性能 GPU 上进行。预处理与后处理技术，包括高斯加权方案与形态学操作，被探讨以进一步优化分割输出。该研究为先进医学图像分割的挑战与解决方案提供了宝贵见解。
引用
@article{arxiv.2309.12650,
title = {FP-PET: Large Model, Multiple Loss And Focused Practice},
author = {Yixin Chen and Ourui Fu and Wenrui Shao and Zhaoheng Xie},
journal= {arXiv preprint arXiv:2309.12650},
year = {2023}
}