R2U3D：用于肺分割的循环残差3D U-Net
图像与视频处理
2021-05-07 v1 计算机视觉与模式识别
摘要
3D肺分割至关重要，因为它处理肺的体积信息，去除扫描中不必要的区域，并在3D体积中分割肺的实际区域。近来，U-Net等深度学习模型在生物医学图像分割上优于其他网络架构。本文中，我们提出一种新颖模型，即循环残差3D U-Net (R2U3D)，用于3D肺分割任务。具体而言，所提模型将3D卷积集成到基于U-Net的循环残差神经网络中。它有助于学习3D中的空间依赖关系并增加3D体积信息的传播。所提出的R2U3D网络在公开数据集LUNA16上训练，并在LUNA16（测试集）与VESSEL12数据集上均达到最先进性能。此外，我们表明，使用较少数量的CT扫描（即100张扫描）训练R2U3D模型且不施加数据增强，在软Dice相似系数(Soft-DSC)上取得了0.9920的出色结果。
引用
@article{arxiv.2105.02290,
title = {R2U3D: Recurrent Residual 3D U-Net for Lung Segmentation},
author = {Dhaval D. Kadia and Md Zahangir Alom and Ranga Burada and Tam V. Nguyen and Vijayan K. Asari},
journal= {arXiv preprint arXiv:2105.02290},
year = {2021}
}
备注
The paper is under review in a journal