解决基于深度学习的头颈器官分割中的类不平衡问题
计算机视觉与模式识别
2022-04-22 v2 图像与视频处理
摘要
危险器官（OAR）的分割是图像引导放射治疗癌症治疗的必要前提。因此分割任务的自动化具有高度的临床相关性。基于深度学习（DL）的医学图像分割是目前最成功的方法，但受到背景类过度存在以及解剖学上固有的器官尺寸差异的困扰，这在头颈（HAN）区域最为严重。为解决 HAN 区域特定的类不平衡问题，我们首先基于引入的类不平衡度量，优化当前性能最佳的通用途分割框架 nnU-Net 的补丁大小（patch-size），其次引入类自适应 Dice 损失以进一步补偿高度不平衡的设置。补丁大小和损失函数都是对类不平衡有直接影响的可调参数，它们的优化使得 Dice 分数提高 3%，95% Hausdorff 距离减少 22%，最终使用单一简单神经网络对七个 HAN 器官分割达到 和 mm。补丁大小优化和类自适应 Dice 损失都可简单集成到当前基于 DL 的分割方法中，并能够提升类不平衡分割任务的性能。
引用
@article{arxiv.2201.01636,
title = {Tackling the Class Imbalance Problem of Deep Learning Based Head and Neck Organ Segmentation},
author = {Elias Tappeiner and Martin Welk and Rainer Schubert},
journal= {arXiv preprint arXiv:2201.01636},
year = {2022}
}
备注
10 pages, 3 figures, 1 table, submitted to the International Journal of Computer Assisted Radiology and Surgery