利用带 ImageNet 预训练编码器的 U-Net 改进胸片中解剖结构的分割
计算机视觉与模式识别
2018-10-05 v1 机器学习
摘要
胸片中解剖结构的准确分割对许多计算机辅助诊断任务至关重要。本文研究了用于胸片中肺野、心脏和锁骨多类分割任务的最新全卷积架构。此外，我们探讨了在语义分割神经网络训练过程中使用不同损失函数的影响。我们在来自 JSRT 数据库的 247 张 X 射线图像及来自 SCR 数据集的真实分割掩码这一通用基准上评估了所有模型。我们性能最佳的架构是一个受益于预训练编码器权重的改进版 U-Net。该模型在同一基准上测试时优于当前最先进的方法，其 Jaccard 重叠分数分别为肺野 96.1%、心脏 90.6% 和锁骨 85.5%。
引用
@article{arxiv.1810.02113,
title = {Improving the Segmentation of Anatomical Structures in Chest Radiographs using U-Net with an ImageNet Pre-trained Encoder},
author = {Maayan Frid-Adar and Avi Ben-Cohen and Rula Amer and Hayit Greenspan},
journal= {arXiv preprint arXiv:1810.02113},
year = {2018}
}
备注
Presented at the First International Workshop on Thoracic Image Analysis (TIA), MICCAI 2018