基于3D-UNet架构的MRI脑肿瘤分割与不确定性估计
图像与视频处理
2021-01-01 v1 计算机视觉与模式识别
机器学习
摘要
三维磁共振图像（MRIs）中脑肿瘤分割的自动化是评估疾病诊断和治疗的关键。近年来，卷积神经网络（CNNs）在该任务中展现出改进的结果。然而，高内存消耗仍是3D-CNNs中的一个问题。此外，大多数方法不包含不确定性信息，而这在医学诊断中尤为关键。本工作研究采用基于块（patch-based）技术训练的3D编码器-解码器架构，以降低内存消耗并减小不平衡数据的影响。然后将不同训练的模型用于创建集成，利用各模型的特性从而提升性能。我们还引入了体素级不确定性信息，分别使用测试时丢弃（TTD）和数据增强（TTA）给出认知不确定性和偶然不确定性。此外，提出了一种混合方法，有助于提升分割的准确性。本工作提出的模型与不确定性估计度量已用于BraTS'20挑战赛中关于肿瘤分割和不确定性估计的任务1和任务3。
引用
@article{arxiv.2012.15294,
title = {MRI brain tumor segmentation and uncertainty estimation using 3D-UNet architectures},
author = {Laura Mora Ballestar and Veronica Vilaplana},
journal= {arXiv preprint arXiv:2012.15294},
year = {2021}
}
备注
Extended paper. BrainLes Workshop, MICCAI 2020. arXiv admin note: substantial text overlap with arXiv:2009.12188