基于级联UNet的胶质瘤分割
计算机视觉与模式识别
2018-10-10 v1
摘要
MRI分析在脑肿瘤诊断和治疗中占据核心地位，因此其精确评估至关重要。然而，其3D特性带来了若干挑战，分析常在2D投影上进行以降低复杂度，但会增加偏倚。另一方面，耗时的3D评估（如分割）能够精确估计许多有价值的空间特征，使我们理解疾病进程。\newline 近期聚焦于分割任务的研究报道，深度学习方法相较经典计算机视觉算法具有更优性能。但这仍是一个具有挑战性的问题。本文提出一种用于自动脑肿瘤分割的深度级联方法。类似于近期目标检测方法，我们的实现基于神经网络；我们提出对3D UNet架构和增强策略的改进，以高效处理多模态MRI输入，此外引入利用同拓扑模型在降采样数据上获得的上下文来提升分割质量的方法。我们在BraTS 2018数据集上评估了所提方法并讨论了结果。
引用
@article{arxiv.1810.04008,
title = {Glioma Segmentation with Cascaded Unet},
author = {Dmitry Lachinov and Evgeny Vasiliev and Vadim Turlapov},
journal= {arXiv preprint arXiv:1810.04008},
year = {2018}
}