USE-Net：将 Squeeze-and-Excitation 模块嵌入 U-Net 用于多机构 MRI 数据集的前列腺分区分割
摘要
前列腺癌是男性最常见的恶性肿瘤，但前列腺磁共振成像（MRI）分析仍具挑战性。除整个前列腺腺体分割外，区分中央腺（CG）与外周带（PZ）的模糊边界有助于鉴别诊断，因为肿瘤在这些区域的频率与严重程度不同。为应对前列腺分区分割任务，我们提出了一种称为 USE-Net 的新型卷积神经网络（CNN），它将 Squeeze-and-Excitation（SE）模块嵌入 U-Net。具体而言，SE 模块被添加在每个编码器（Enc USE-Net）或编码器-解码器块（Enc-Dec USE-Net）之后。本研究在三个 T2 加权 MRI 数据集上评估了基于 CNN 的架构的泛化能力，每个数据集包含不同数量的患者和异质图像特征，且由不同机构采集。采用以下混合方案进行训练/测试：（i）在单个数据集或多个前列腺 MRI 数据集上训练，以及（ii）在所有三个数据集上以所有可能的训练/测试组合进行测试。USE-Net 与三种最先进的基于 CNN 的架构（即 U-Net、pix2pix 和 Mixed-Scale Dense Network）以及一个半自动连续最大流模型进行比较。结果表明，在数据集并集上训练通常优于在每个数据集上分别训练，从而实现数据内与跨数据集的泛化。Enc USE-Net 在任何训练条件下均表现出良好的整体泛化能力，而 Enc-Dec USE-Net 在所有数据集上训练时显著优于其他方法。这些发现揭示，当测试在训练所用数据集的样本上进行时，SE 模块的自适应特征重标定提供了优异的跨数据集泛化能力。
引用
@article{arxiv.1904.08254,
title = {USE-Net: incorporating Squeeze-and-Excitation blocks into U-Net for prostate zonal segmentation of multi-institutional MRI datasets},
author = {Leonardo Rundo and Changhee Han and Yudai Nagano and Jin Zhang and Ryuichiro Hataya and Carmelo Militello and Andrea Tangherloni and Marco S. Nobile and Claudio Ferretti and Daniela Besozzi and Maria Carla Gilardi and Salvatore Vitabile and Giancarlo Mauri and Hideki Nakayama and Paolo Cazzaniga},
journal= {arXiv preprint arXiv:1904.08254},
year = {2019}
}
备注
44 pages, 6 figures, Accepted to Neurocomputing, Co-first authors: Leonardo Rundo and Changhee Han