电气工程与系统科学 > 图像与视频处理
[提交于 2024年11月1日
(v1)
,最后修订 2024年11月8日 (此版本, v2)]
标题: 使用最少标注的3D nnU-Net进行小鼠MRI扫描中的肺肿瘤分割
标题: Lung tumor segmentation in MRI mice scans using 3D nnU-Net with minimum annotations
摘要: 在药物发现过程中,准确的肺肿瘤分割是使用诸如MRI等\textit{体内}成像评估肿瘤大小及其进展的重要步骤。虽然已经开发出了深度学习模型来自动化这一过程,但重点主要集中在人类受试者上,忽略了动物模型在临床前药物开发中的关键作用。在这项工作中,我们专注于优化小鼠的肺肿瘤分割。首先,我们证明了nnU-Net模型的表现优于U-Net、U-Net3+和DeepMeta模型。最重要的是,我们使用nnU-Net 3D模型取得了比2D模型更好的结果,这表明空间上下文对于MRI小鼠扫描中的分割任务的重要性。本研究展示了在MRI扫描中肺肿瘤分割中3D输入相对于2D输入图像的重要性。最后,我们在肺和肺内肿瘤的联合分割方面超过了先前最先进的方法。我们的工作仅使用肺肿瘤标注即可实现可比的结果,所需的标注更少,节省了时间和标注努力。这项工作(https://anonymous.4open.science/r/lung-tumour-mice-mri-64BB)是自动化临床前动物研究以量化实验药物疗效的重要一步,特别是在评估肿瘤变化方面。
当前浏览上下文:
eess.IV
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.