利用新型3D焦点调制UNet弱监督分割颅内动脉瘤
图像与视频处理
2024-03-21 v2 计算机视觉与模式识别
摘要
未破裂颅内动脉瘤(UIAs)的准确识别与量化对于该脑血管疾病的风险评估与治疗至关重要。当前在3D磁共振血管造影(MRA)上的2D人工评估欠佳且耗时。此外，医学图像分割中的一个主要问题是对大量精标注数据的需求，而这类数据获取成本高昂。能够缓解此需求的技术，例如采用粗标签的弱监督学习，是非常可取的。本文中，我们提出FocalSegNet，一种新颖的3D焦点调制UNet，用于检测动脉瘤并从时间飞跃MRA图像块中给出其初始粗分割，随后通过密集条件随机场(CRF)后处理层细化以生成最终分割图。我们在公开数据集上训练并评估了模型，在UIA检测方面，模型假阳性率低至0.21，灵敏度高达0.80。对于体素级动脉瘤分割，我们取得了0.68的Dice分数和约0.95 mm的95%豪斯多夫距离，展现出强劲性能。我们将算法与最先进的3D Residual-UNet和Swin-UNETR进行比较，展示了所提FocalSegNet的优越性能，凸显了在此任务中采用焦点调制的优势。
引用
@article{arxiv.2308.03001,
title = {Weakly supervised segmentation of intracranial aneurysms using a novel 3D focal modulation UNet},
author = {Amirhossein Rasoulian and Arash Harirpoush and Soorena Salari and Yiming Xiao},
journal= {arXiv preprint arXiv:2308.03001},
year = {2024}
}