HI-Net：用于脑肿瘤分割的超密集 Inception 3D UNet
图像与视频处理
2020-12-15 v1 计算机视觉与模式识别
摘要
脑肿瘤分割任务旨在使用多模态 MRI 图像将组织分类为全肿瘤（WT）、肿瘤核心（TC）和增强肿瘤（ET）类别。脑肿瘤的定量分析对临床决策至关重要。虽然手动分割繁琐、耗时且主观，但该任务同时对于自动分割方法极具挑战性。得益于强大的学习能力，卷积神经网络（CNNs），主要是全卷积网络，已展现出有前景的脑肿瘤分割。本文通过提出超密集 Inception 3D UNet（HI-Net）进一步提升了脑肿瘤分割性能，其通过在残差 Inception 块中堆叠 3D 加权卷积层的分解来捕获多尺度信息。我们在分解的卷积层之间使用超密集连接以提取更多上下文信息，并借助特征可重用性。我们使用 dice 损失函数来处理类别不平衡。我们在多模态脑肿瘤分割挑战赛（BRATS）2020 测试数据集上验证了所提出的架构。在 BRATS 2020 测试集上的初步结果表明，我们提出的方法所取得的 ET、WT 和 TC 的 dice（DSC）分数分别为 0.79457、0.87494 和 0.83712。
引用
@article{arxiv.2012.06760,
title = {HI-Net: Hyperdense Inception 3D UNet for Brain Tumor Segmentation},
author = {Saqib Qamar and Parvez Ahmad and Linlin Shen},
journal= {arXiv preprint arXiv:2012.06760},
year = {2020}
}
备注
Accepted for MICCAI BraTS 2020