基于条件残差 U-Net 改进乳腺肿块在钼靶中的分割
计算机视觉与模式识别
2018-08-28 v1
摘要
我们探索了深度学习在乳腺钼靶图像中乳腺肿块分割的应用。通过结合残差学习与概率图模型和标准 U-Net 的优点，我们提出了一种新深度网络——条件残差 U-Net（CRU-Net），以改进 U-Net 的分割性能。得益于概率图模型在像素级标注中的优势，以及深度残差网络在特征提取中的结构洞察，CRU-Net 提供了优异的肿块分割性能。基于 INbreast 与 DDSM-BCRP 数据集的评估表明，相较于最先进的方法，CRU-Net 取得了最佳的肿块分割性能。此外，我们的算法既不需要繁琐的预处理，也不需要后处理技术。
引用
@article{arxiv.1808.08885,
title = {Improved Breast Mass Segmentation in Mammograms with Conditional Residual U-net},
author = {Heyi Li and Dongdong Chen and Bill Nailon and Mike Davies and Dave Laurenson},
journal= {arXiv preprint arXiv:1808.08885},
year = {2018}
}
备注
To appear in MICCAI 2018, Breast Image Analysis Workshop