使其更具体：一种基于3D U-Net及其变体的新型不确定性气道分割应用
计算机视觉与模式识别
2024-02-13 v1 图像与视频处理
摘要
每个医学分割任务都应根据其场景考虑特定的AI算法，以获得最准确的预测模型。医学分割中最流行的算法，3D U-Net及其变体，可以直接实现肺气管分割任务，但由于未能考虑气管特殊的树状结构，其分割精度仍有很大提升空间。因此，存在一个研究空白，因为大量最先进的深度学习算法都是原始的3D U-Net结构，并未引入在肺气道分割中伴随特殊自然图像模态而来的各种性能增强模块。在本文中，我们提出了两种基于U-Net结构的不同网络结构：分支级U-Net（B-UNet）和分支级CE-UNet（B-CE-UNet），并在相同数据集上比较了预测结果。特别地，这两个网络都添加了分支损失和中心线损失，以学习气道细微分支末端的特征。我们还引入了不确定性估计算法以获得置信度高的预测，从而提升整个模型的整体可信度。此外，在后处理过程中，我们基于最大连通率计算并提取了肺气管的预测结果，用于分割细化和剪枝。
引用
@article{arxiv.2402.07403,
title = {Make it more specific: A novel uncertainty based airway segmentation application on 3D U-Net and its variants},
author = {Shiyi Wang and Yang Nan and Felder Federico N and Sheng Zhang and Walsh Simon L F and Guang Yang},
journal= {arXiv preprint arXiv:2402.07403},
year = {2024}
}