用于肾脏与肿瘤分割的多尺度监督三维U-Net
图像与视频处理
2019-08-14 v2 计算机视觉与模式识别
机器学习
摘要
U-Net已在各种医学图像分割挑战中取得巨大成功。各类带有花哨修饰的新架构在采用最优超参数时可能在某些数据集上成功,但其泛化性往往无法保证。在此,我们聚焦于基础U-Net架构,并提出一种多尺度监督三维U-Net用于KiTS19挑战中的分割任务。为提升性能,我们的工作可总结为三方面:第一,我们在解码器路径中使用多尺度监督,以鼓励网络从深层预测正确结果;第二,为减轻肾脏与肿瘤样本不平衡的不良影响,我们采用指数对数损失;第三,设计了一种基于连通域的后处理方法以去除明显错误的体素。在已发布的KiTS19训练数据集(共210名患者)中,我们划分42名患者作为测试集,最终分别获得肾脏与肿瘤的DICE分数0.969和0.805。在挑战中,我们最终在106支队伍中取得第7名,复合Dice为0.8961,即肾脏0.9741、肿瘤0.8181。
引用
@article{arxiv.1908.03204,
title = {Multi Scale Supervised 3D U-Net for Kidney and Tumor Segmentation},
author = {Wenshuai Zhao and Zengfeng Zeng},
journal= {arXiv preprint arXiv:1908.03204},
year = {2019}
}
备注
7 pages, 5 figures