用于CT中肝脏病灶联合分割与分类的分层微调方法
图像与视频处理
2019-08-01 v1
摘要
我们提出了一种利用分层微调框架进行肝脏病灶联合分割与分类的自动方法。我们的数据集较小，包含332例二维CT检查，其病灶被标注为3类：囊肿、血管瘤和转移瘤。使用执行同步分割与分类的级联U-net，我们在MICCAI 2017肝脏肿瘤分割（LiTS）挑战赛的数据集上训练了一个强病灶分割模型。我们利用训练得到的权重对稍作修改的模型进行微调，以在较小数据集上获得改进的病灶分割与分类。由于预训练是在相关任务上使用相似数据完成的，我们能够学习更具代表性的特征（尤其是U-Net编码器中更高层次的特征），并改进逐像素分类结果。与基线模型相比，我们展示了Dice分数与分类准确率超过10%的提升。我们通过分层冻结网络的编码器部分进一步提升了分类性能，实现了Dice分数与分类准确率超过15%的提升。我们将结果与现有方法比较，显示出成功率提升14%、分类准确率提升12%。
引用
@article{arxiv.1907.13409,
title = {Hierarchical Fine-Tuning for joint Liver Lesion Segmentation and Lesion Classification in CT},
author = {Michal Heker and Avi Ben-Cohen and Hayit Greenspan},
journal= {arXiv preprint arXiv:1907.13409},
year = {2019}
}
备注
Accepted to IEEE EMBC 2019