MAPPING：用于脑卒中病灶分割的模型平均与后处理
图像与视频处理
2022-11-29 v1 计算机视觉与模式识别
摘要
精确的脑卒中病灶分割在脑卒中康复研究中起着关键作用，它能提供病灶形状和大小信息，用于量化脑卒中范围并评估治疗效果。近年来，利用深度学习技术的自动分割算法已被开发出来，并取得了令人鼓舞的结果。在本报告中，我们展示了基于nnU-Net框架的脑卒中病灶分割模型，并将其应用于ATLAS v2.0数据集。此外，我们描述了一种有效的后处理策略，该策略可以改善部分分割指标。我们的方法在2022年MICCAI ATLAS挑战赛中获得第一名，平均Dice分数为0.6667，病灶级F1分数为0.5643，简单病灶计数分数为4.5367，体积差异分数为8804.9102。我们的代码和训练好的模型权重已在https://github.com/King-HAW/ATLAS-R2-Docker-Submission上公开。
引用
@article{arxiv.2211.15486,
title = {MAPPING: Model Average with Post-processing for Stroke Lesion Segmentation},
author = {Jiayu Huo and Liyun Chen and Yang Liu and Maxence Boels and Alejandro Granados and Sebastien Ourselin and Rachel Sparks},
journal= {arXiv preprint arXiv:2211.15486},
year = {2022}
}
备注
Challenge Report, 1st place in 2022 MICCAI ATLAS Challenge