基于金字塔池化与焦点损失的 CT 灌注扫描缺血性脑卒中病灶分割
计算机视觉与模式识别
2018-11-06 v1 人工智能
摘要
我们提出了一种全卷积神经网络，用于 ISLES 2018 挑战赛中 CT 灌注图像的缺血性脑卒中病灶分割。卒中治疗具有时间敏感性，而当前病灶识别的标准方法需要人工分割，这是一个耗时且具挑战性的过程。自动分割方法为准确识别病灶并改善治疗规划提供了可能。我们的模型基于 PSPNet，这是一种利用金字塔池化提供全局与局部上下文信息的网络架构。为了学习病灶的多变形状，我们使用焦点损失训练网络，该损失函数旨在使网络聚焦于学习更困难的样本。我们将我们的模型与使用 U-Net 和 V-Net 架构训练的网络进行比较。我们的方法在病灶分割中表现出有效性能，并在挑战赛结束时位列表现最佳者之列。
引用
@article{arxiv.1811.01085,
title = {Ischemic Stroke Lesion Segmentation in CT Perfusion Scans using Pyramid Pooling and Focal Loss},
author = {S. Mazdak Abulnaga and Jonathan Rubin},
journal= {arXiv preprint arXiv:1811.01085},
year = {2018}
}
备注
BrainLes 2018 MICCAI workshop