摘要。由于样本有限、形状差异大以及肿瘤形态分布不均匀,从多模态脑 MRI 图像中进行肿瘤分割是一项具有挑战性的任务。随着深度学习的最新进展,自动医学图像分割的性能得到了显着改善。然而,模型预测在准确性和通用性方面尚未达到临床使用所需的水平。为了解决 BraTS 2023 挑战 1、2 和 3 中提出的独特问题,我们构建了一个基于 3D U-Net 模型的脑肿瘤分割优化框架。该框架融合了一系列技术,包括各种预处理和后处理技术以及迁移学习。在验证数据集上,该多模态脑肿瘤分割框架在挑战 1、2、3 上分别实现了平均病变 Dice 得分 0.79、0.72、0.74。
主要关键词
![arXiv:2402.07008v1 [eess.IV] 2024 年 2 月 10 日PDF文件第1页](/bimg/d/d3970be9de211c00db0cf2a85407213b5aeded61.webp)
![arXiv:2402.07008v1 [eess.IV] 2024 年 2 月 10 日PDF文件第2页](/bimg/d/d544c6e7ef0e4e78ee0d3c785a004d91711f0d2c.webp)
![arXiv:2402.07008v1 [eess.IV] 2024 年 2 月 10 日PDF文件第3页](/bimg/7/7a62f32ebed91fd0ad98b297a64e280bd6be5e33.webp)
![arXiv:2402.07008v1 [eess.IV] 2024 年 2 月 10 日PDF文件第4页](/bimg/9/90b6f2289ef82cf514f8b915e0585703efc55393.webp)
![arXiv:2402.07008v1 [eess.IV] 2024 年 2 月 10 日PDF文件第5页](/bimg/e/ea06516ca1fc822bd37c133b7d0c6c3f0e2a4699.webp)
