降低直肠癌分割网络的模型方差
计算机视觉与模式识别
2020-01-01 v5 机器学习
摘要
在术前影像中，利用磁共振图像勾画直肠癌边界为癌症分期与治疗规划提供重要依据。近来，深度学习大幅改进了自动分割的最优方法。然而，医学领域数据可得性的局限会导致较大的方差并进而使医学图像分割网络过拟合。本研究中，我们提出通过增加直肠分割任务与进行数据增强来降低直肠癌分割网络的模型方差；直肠与直肠癌之间的几何相关性催生了前一种方法。此外，我们提出一种在分割网络任意感兴趣区域（ROI）内进行偏差-方差分析的方法，并应用该方法评估我们所提方法在降低模型方差上的效能。结果表明，增加直肠分割任务使直肠癌分割网络在肿瘤区域内的模型方差降低了 0.90 倍；数据增强进一步使方差降低了 0.89 倍。这些方法还分别使训练时长缩短了 0.96 倍与进一步的 0.78 倍。我们的方法将通过提高直肠癌自动勾画的准确性并提供直肠边界信息来改善直肠癌分期质量，因为直肠癌分期需要同时勾画直肠与直肠癌。除此类临床益处外，我们的方法还使分割网络能够在任意 ROI（如癌区域）内通过偏差-方差分析进行评估。
引用
@article{arxiv.1901.07213,
title = {Reducing the Model Variance of a Rectal Cancer Segmentation Network},
author = {Joohyung Lee and Ji Eun Oh and Min Ju Kim and Bo Yun Hur and Dae Kyung Sohn},
journal= {arXiv preprint arXiv:1901.07213},
year = {2020}
}
备注
published at IEEE ACCESS