IP-UNet：用于三维医学体数据分割的强度投影 UNet 架构
图像与视频处理
2023-08-25 v1 计算机视觉与模式识别
机器学习
摘要
CNN 已广泛应用于医学图像分析。然而，处理高分辨率三维体数据最常见的缺点之一是内存容量有限。三维体数据通常先被裁剪或下采样再处理，这可能导致分辨率损失、加剧类别不平衡并影响分割算法性能。本文中，我们提出一种称为 IP-UNet 的端到端深度学习方法。IP-UNet 是一种基于 UNet 的模型，对三维体数据的强度投影（IP）而非耗费内存的三维体数据进行多类分割。IP-UNet 利用有限内存能力进行训练而不丢失原始三维图像分辨率。我们从分割精度与计算成本两方面比较了三种模型的性能：1）使用常规 2D UNet 模型对 CT 扫描图像逐切片进行 2D 分割。2）IP-UNet 对由源三维体数据提取的最大强度投影（MIP）、最近血管投影（CVP）和平均强度投影（AvgIP）表示合并得到的数据进行操作，然后将 UNet 模型应用于输出 IP 图像。3）3D-UNet 模型直接读取由一系列 CT 扫描图像构建的三维体数据并输出预测分割的三维体。我们在三维体图像上测试这些方法用于自动乳腺钙化检测。实验结果表明，IP-Unet 可达到与 3D-Unet 相似的分割精度但性能更优。其将训练时间减少 70% 并将内存消耗降低 92%。
引用
@article{arxiv.2308.12761,
title = {IP-UNet: Intensity Projection UNet Architecture for 3D Medical Volume Segmentation},
author = {Nyothiri Aung and Tahar Kechadi and Liming Chen and Sahraoui Dhelim},
journal= {arXiv preprint arXiv:2308.12761},
year = {2023}
}