SEDNet：用于脑肿瘤分割的浅层编码器-解码器网络
图像与视频处理
2024-09-18 v3 计算机视觉与模式识别
摘要
尽管面向脑肿瘤分割的计算建模取得了进展，且已开发出多种模型，但从现有模型的计算复杂性来看，其在临床应用场景下的性能与效率仍然受限。因此，本文提出了一种肿瘤分割框架。该框架包含一种用于脑肿瘤分割的新型浅层编码器-解码器网络，命名为 SEDNet。SEDNet 的亮点包括充分的分层卷积下采样以及选择性跳跃机制，以实现具有成本效益且有效的脑肿瘤语义分割等特征。本文设计了预处理和优化函数方法，分别用于最小化由非肿瘤切片或空掩模与对应脑切片所导致的特征学习不确定性，并解决类别不平衡及肿瘤边界不规则问题。通过实验，SEDNet 在非增强肿瘤核心（NTC）、瘤周水肿（ED）和增强肿瘤（ET）上分别取得了 0.9308%、0.9451% 和 0.9026% 的出色 Dice 分数，以及 0.7040 mm、1.2866 mm 和 0.7762 mm 的 Hausdorff 分数。这是少数报告 NTC 分割性能的工作之一。此外，通过使用预训练的 SEDNet 权重进行初始化的迁移学习（称为 SEDNetX），观察到性能有所提升。NTC、ED 和 ET 的 Dice 和 Hausdorff 分数分别记录为 0.9336%、0.9478%、0.9061% 以及 0.6983 mm、1.2691 mm 和 0.7711 mm。SEDNet(X) 拥有约 130 万个参数，且与 SOTA 相比表现出色，被证明在实时临床诊断中具有计算效率。代码可在 Github 上获取。
引用
@article{arxiv.2401.13403,
title = {SEDNet: Shallow Encoder-Decoder Network for Brain Tumor Segmentation},
author = {Chollette C. Olisah and Sofie V. Cauter},
journal= {arXiv preprint arXiv:2401.13403},
year = {2024}
}
备注
9 pages, 6 figures, 2 Tables