通过新型标注策略实现小血管区瘤的分割
计算机视觉与模式识别
2024-08-07 v1
摘要
深度神经网络在血管区瘤分割方面展现出卓越的效果。然而，对于临床诊断至关重要的小血管区瘤分割仍然保持 a 挑战。在本研究中，我们提出两种简单且强大的做法，可无缝集成到各种神经网络中：Multi-Size Labeling（多尺度标注）和 Distance-Based Labeling（距离基准标注），旨在提高小血管区瘤的分割准确性。MSL 根据血管区瘤体积将血管区瘤掩模划分为多个类别，而 DBL 则强调血管区瘤边界。在 Anatomical Tracings of Lesions After Stroke（ATLAS）v2.0 数据集上的实验评估显示，MSL 和 DBL 的集成在 recall（提升 3.6%）、F1（提升 2.4%）和 Dice 评分（提升 1.3%）方面均表现出一致更好或相当的性能，分别在仅包含小血管区瘤的子集和整个数据集上。值得注意的是，在 mini-lesion 子集上，单个 MSL 模型超越了之前最佳的集成策略，F1 和 Dice 评分分别提升 1.0% 和 0.3%。我们的代码已公开：https://github.com/nadluru/StrokeLesSeg。
引用
@article{arxiv.2408.02929,
title = {Segmenting Small Stroke Lesions with Novel Labeling Strategies},
author = {Liang Shang and Zhengyang Lou and Andrew L. Alexander and Vivek Prabhakaran and William A. Sethares and Veena A. Nair and Nagesh Adluru},
journal= {arXiv preprint arXiv:2408.02929},
year = {2024}
}