基于区域的 U-net 用于深部脑分割的加速训练与精度提升
图像与视频处理
2024-10-16 v1 计算机视觉与模式识别
摘要
脑部结构的分割是进一步定量分析脑部疾病的第一步。手动分割在准确性方面仍被视为金标准；然而，这类数据极其耗时。本文提出一种基于深度学习的分割方法，用于分割 12 个深部脑结构，利用多个区域基于 U-Net。将大脑划分为三个关注的解剖区域，即脑干、脑室系统和基底节。随后，三个区域基于 U-net 并行运行，以将这些更大的结构分割为各自的四个亚结构。这种方法不仅大大减少了训练和处理时间，而且显著提高了分割精度，与一次性分割整个 MRI 图像相比效果更佳。我们的方法以 Dice 相似系数（DSC）平均值为 0.901、95% Hausdorff 距离（HD95）为 1.155 mm 的卓越准确性实现。该方法与最先进的分割方法进行了比较，显示出较高的准确性和鲁棒性。
引用
@article{arxiv.2403.09414,
title = {Region-based U-net for accelerated training and enhanced precision in deep brain segmentation},
author = {Mengyu Li and Magnus Magnusson and Thilo van Eimeren and Lotta M. Ellingsen},
journal= {arXiv preprint arXiv:2403.09414},
year = {2024}
}
备注
5 pages, 2 figures, 21st IEEE International Symposium on Biomedical Imaging