UNet 及其变体在医学图像分割中的性能分析
图像与视频处理
2023-09-25 v1 计算机视觉与模式识别
摘要
医学成像通过提供内部结构与异常的非侵入性可视化,在现代医疗中起着关键作用,可实现早期疾病检测、准确诊断与治疗规划。本研究旨在探索深度学习模型的应用,尤其关注 UNet 架构及其变体在医学图像分割中的使用。我们力求评估这些模型在多种具挑战性的医学图像分割任务上的性能,解决图像归一化、缩放、架构选择、损失函数设计与超参数调优等问题。结果发现,标准 UNet 在扩展深层网络后是一种熟练的医学图像分割模型,而 Res-UNet 与 Attention Res-UNet 架构展现出更平滑的收敛与更优性能,尤其在处理精细图像细节时。本研究还通过细致预处理与损失函数定义应对高类别不平衡的挑战。我们预期本研究结果将为寻求将这些模型应用于新医学成像问题的研究者提供有用见解,并为其实现提供指导与最佳实践。
引用
@article{arxiv.2309.13013,
title = {Performance Analysis of UNet and Variants for Medical Image Segmentation},
author = {Walid Ehab and Yongmin Li},
journal= {arXiv preprint arXiv:2309.13013},
year = {2023}
}