电气工程与系统科学 > 图像与视频处理
[提交于 2025年1月9日
]
标题: 改进U-Net配置以在MRI上自动勾画头颈癌
标题: Improving the U-Net Configuration for Automated Delineation of Head and Neck Cancer on MRI
摘要: 肿瘤体积分割在MRI上是一个具有挑战性和耗时的过程,在典型的临床环境中通常由人工完成。 这项工作提出了一种在MICCAI头颈肿瘤分割用于MRI引导应用(HNTS-MRG)2024挑战背景下自动划分头颈肿瘤的方法。 而不是设计一个新的特定任务的卷积神经网络,本研究的重点是提出对医学分割任务中常用配置的改进,仅依赖传统的U-Net架构。 本文呈现的实验结果表明,在训练和滑动窗口推理中使用的逐块归一化方法具有优越性。 它们还表明,在训练过程中应用计划的数据增强策略可以提高分割模型的性能。 最后,通过在滑动窗口推理期间使用高斯加权来结合单个补丁的预测,可以实现质量的小幅提升。 最佳配置的模型在五折交叉验证中的任务1获得了0.749的综合Dice相似性系数(DSCagg),任务2获得了0.710。 五个模型的集成(每个验证折叠一个最佳模型)在50名患者的私有测试集上表现出一致的结果,任务1的DSCagg为0.752,任务2的DSCagg为0.718(团队名称:andrei.iantsen)。 源代码和模型权重可在www.github.com/iantsen/hntsmrg免费获得。
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.