医学图像分割中的 U-Net：跨模态应用综述
图像与视频处理
2024-12-04 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
医学成像对于提供患者解剖结构和病理信息、辅助诊断和治疗至关重要。非侵入性技术如 X 射线、磁共振成像 (MRI)、计算机断层扫描 (CT) 和超声 (US) 捕获器官、组织和异常的详细图像。有效分析这些图像需要精确的分割来描绘感兴趣区域 (ROI)，如器官或病灶。传统分割方法依赖手动特征提取，既费时又在不同专家之间存在差异。近期人工智能 (AI) 和深度学习 (DL) 的发展，特别是卷积模型如 U-Net 及其变体 (U-Net++ 和 U-Net 3+)，已通过自动化分割过程和提高准确性来变革医学图像分割 (MIS)。这些模型实现了跨各种成像模态的高效、精确的像素级分类，克服了手动分割的局限性。本综述探讨了各种医学成像技术，审查了 U-Net 架构及其适应方案，并讨论了其在不同模态上的应用。它还识别了 MIS 中的常见挑战，提出了潜在解决方案。
引用
@article{arxiv.2412.02242,
title = {U-Net in Medical Image Segmentation: A Review of Its Applications Across Modalities},
author = {Fnu Neha and Deepshikha Bhati and Deepak Kumar Shukla and Sonavi Makarand Dalvi and Nikolaos Mantzou and Safa Shubbar},
journal= {arXiv preprint arXiv:2412.02242},
year = {2024}
}