M3BUNet：用于 CT 扫描胰腺分割的移动均值最大 UNet
图像与视频处理
2024-01-22 v1 计算机视觉与模式识别
机器学习
摘要
在 CT 扫描图像中进行器官分割是多种下游医学图像分析任务的必要过程。目前，放射科医生的手动 CT 扫描分割仍很普遍，特别是对于胰腺等器官，由于其尺寸小、存在遮挡以及形状多变等因素，需要高度的专业领域知识才能实现可靠的分割。当 resorting 到自动化胰腺分割时，这些因素导致可用于训练有效分割模型的可靠标注数据有限。因此，当代胰腺分割模型的性能仍处于不可接受的范围内。为了改善这一点，我们提出了 M3BUNet，一种 MobileNet 和 U-Net 神经网络的融合网络，配备了一种新颖的均值-最大（MM）注意力，该注意力分两个阶段运作，在用于目标检测的掩码引导下，由粗到细地逐渐分割胰腺 CT 图像。这种方法使网络能够超越类似网络架构所达到的分割性能，并取得与复杂的最先进方法相当的结果，同时保持低参数量。此外，我们引入了外轮廓分割作为粗阶段的预处理步骤，通过图像标准化来辅助分割过程。对于细分割阶段，我们发现应用小波分解滤波器创建多输入图像可提升胰腺分割性能。我们在广泛已知的 NIH 胰腺数据集和 MSD 胰腺数据集上广泛评估了我们的方法。我们的方法展示了显著的性能提升，在 NIH 胰腺数据集上实现了高达 89.53% 的平均 Dice 相似系数（DSC）值和高达 81.16 的交并比（IOU）分数，在 MSD 胰腺数据集上实现了 88.60% 的 DSC 和 79.90% 的 IOU。
引用
@article{arxiv.2401.10419,
title = {M3BUNet: Mobile Mean Max UNet for Pancreas Segmentation on CT-Scans},
author = {Juwita juwita and Ghulam Mubashar Hassan and Naveed Akhtar and Amitava Datta},
journal= {arXiv preprint arXiv:2401.10419},
year = {2024}
}