暗夜微光:COVID-19 CT 语义分割中编码器-解码器对的评估
图像与视频处理
2021-10-01 v1 计算机视觉与模式识别
摘要
随着 COVID-19 全球大流行,医学图像的计算机辅助诊断受到广泛关注,计算机断层扫描(CT)的鲁棒语义分割方法变得极为迫切。CT 语义分割是 Covid-19 自动检测的众多研究领域之一,自 Covid-19 暴发以来被广泛探索。在机器人领域,器官与 CT 的语义分割广泛用于为手术任务开发的机器人中。随着新方法和新数据集的快速提出,提供对这些方法的广泛评估显得必要。为提供不同架构在多个近期提出的数据集上的标准化比较,我们在本文中提出了一个广泛的基准,涵盖多个编码器与解码器,共 120 种架构在 5 个数据集中评估,每个数据集通过五折交叉验证策略验证,总计 3000 次实验。据我们所知,这是 Covid-19 CT 分割领域在编码器、解码器和数据集数量上最大的评估。
引用
@article{arxiv.2109.14818,
title = {Spark in the Dark: Evaluating Encoder-Decoder Pairs for COVID-19 CT's Semantic Segmentation},
author = {Bruno A. Krinski and Daniel V. Ruiz and Eduardo Todt},
journal= {arXiv preprint arXiv:2109.14818},
year = {2021}
}
备注
Paper accepted in the 18th IEEE Latin American Robotics Symposium - LARS 2021