将边缘融入U-Net模型并利用可解释激活图进行基于MR图像的脑肿瘤分割
图像与视频处理
2024-01-03 v1 计算机视觉与模式识别
机器学习
摘要
从磁共振（MR）图像中手动勾画肿瘤区域耗时、需要专家且容易出错。近年来，深度学习模型已成为脑肿瘤分割的首选方法。U-Net及其变体用于医学图像语义分割已在文献中取得了良好结果。然而，U-Net及其变体倾向于过度分割肿瘤区域，并且可能无法准确分割肿瘤边缘。肿瘤边缘与肿瘤区域对于准确诊断、手术精度和治疗计划同样重要。在拟议工作中，作者旨在使用类似导数的滤波器从真实标签中提取边缘，然后进行边缘重建，以获得除脑肿瘤真实标签之外的边缘真实标签。利用这两个真实标签，作者研究了几个U-Net及其变体架构，这些架构在训练时以肿瘤真实标签和肿瘤边缘真实标签作为目标。作者使用BraTS2020基准数据集进行研究，并针对Dice和Hausdorff95指标列出了结果。计算了全肿瘤（WT）、肿瘤核心（TC）和增强肿瘤（ET）区域的均值和中间值。与基线U-Net及其变体相比，在训练和验证数据集中，同时学习边缘和肿瘤区域的模型在核心肿瘤区域表现更好。在基线模型（如U-Net和V-Net）上训练的边缘训练模型，其性能提升达到了与基线最先进模型（如Swin U-Net和混合MR-U-Net）相似的水平。边缘目标训练模型能够生成边缘图，可用于治疗计划。此外，为了进一步解释结果，研究了混合MR-U-Net生成的激活图。
引用
@article{arxiv.2401.01303,
title = {Integrating Edges into U-Net Models with Explainable Activation Maps for Brain Tumor Segmentation using MR Images},
author = {Subin Sahayam and Umarani Jayaraman},
journal= {arXiv preprint arXiv:2401.01303},
year = {2024}
}