QU-net++:用于医学3D图像栈分割的图像质量检测框架
图像与视频处理
2022-04-14 v4 计算机视觉与模式识别
机器学习
摘要
病理感兴趣区域的自动分割有助于医学影像诊断与随访护理。然而,准确的病理分割需要高质量的标注数据,其生成既耗时又昂贵。本文提出一种自动两步法,通过使用U-net++模型评估3D图像栈中医学图像的质量,检测出训练分割模型所需的最小图像子集。这些代表缺乏高质量训练的图像随后可被标注并用于充分训练基于U-net的分割模型。所提出的QU-net++模型根据最终两个输出层产生分割结果的不一致来检测这种训练质量缺失。该模型在每3D图像栈中隔离约10%的切片,并可跨成像模态扩展,以分割OCT图像中的囊肿和肺部CT图像中的磨玻璃影(GGO),Dice分数在0.56-0.72范围内。因此,所提方法可应用于具成本效益的多模态病理分割任务。
引用
@article{arxiv.2110.14181,
title = {QU-net++: Image Quality Detection Framework for Segmentation of Medical 3D Image Stacks},
author = {Sohini Roychowdhury},
journal= {arXiv preprint arXiv:2110.14181},
year = {2022}
}
备注
4 pages, 7 figures, 1 Table