IB-U-Nets：利用三维归纳偏置核改进医学图像分割任务
图像与视频处理
2022-10-31 v1 计算机视觉与模式识别
摘要
尽管卷积神经网络在三维医学图像分割中取得了成功，但目前使用的架构对于不同扫描仪的方案及其所产生的图像特性的多样性仍不够鲁棒。此外，带有标注感兴趣区域的大规模数据集稀缺，因此难以获得良好结果。为克服这些挑战，我们提出了 IB-U-Nets，一种受脊椎动物视觉处理启发的、具有归纳偏置的新型架构。以三维 U-Net 为基础，我们在第二个编码器块中添加了两个三维残差组件。它们提供归纳偏置，帮助 U-Net 以更高的鲁棒性和准确性从三维图像中分割解剖结构。我们在多种模态和器官（如前列腺和脾脏）上将 IB-U-Nets 与最先进的三维 U-Net 进行比较，使用相同的训练和测试流程，包括数据处理、增强和交叉验证。我们的结果表明 IB-U-Nets 具有更优的鲁棒性和准确性，尤其是在小数据集上，而这正是医学图像分析中的典型情况。IB-U-Nets 的源代码和模型已公开可用。
引用
@article{arxiv.2210.15949,
title = {IB-U-Nets: Improving medical image segmentation tasks with 3D Inductive Biased kernels},
author = {Shrajan Bhandary and Zahra Babaiee and Dejan Kostyszyn and Tobias Fechter and Constantinos Zamboglou and Anca-Ligia Grosu and Radu Grosu},
journal= {arXiv preprint arXiv:2210.15949},
year = {2022}
}
备注
11 pages, 4 figures