基于二维桥接 U-net 的前列腺分割
计算机视觉与模式识别
2018-10-17 v2
摘要
本文关注基于深度学习的医学图像分割中的三个问题。首先，U-net 作为医学图像分割的流行模型，即使更深的网络通常因具有更多可学习参数而具备更好的泛化能力，但在卷积层数增加时仍难以训练。其次，指数 ReLU (ELU) 作为 ReLU 的替代方案，在关注的网络变深时与 ReLU 并无太大差异。第三，Dice 损失作为医学图像分割中普遍使用的损失函数之一，在预测接近真实标签时效果不佳，并会在训练过程中引起振荡。为解决上述三个问题，我们提出并验证了一种更深的网络，能够拟合通常样本量较小的医学图像数据集。同时，我们提出了一种新的损失函数以加速学习过程，并组合不同的激活函数以提升网络性能。实验结果表明，我们的网络与最先进的方法相当或更优。
引用
@article{arxiv.1807.04459,
title = {Prostate Segmentation using 2D Bridged U-net},
author = {Wanli Chen and Yue Zhang and Junjun He and Yu Qiao and Yifan Chen and Hongjian Shi and Xiaoying Tang},
journal= {arXiv preprint arXiv:1807.04459},
year = {2018}
}