arXiv:2201.03777v1 [eess.IV] 2022 年 1 月 11 日__

arXiv:2201.03777v1 [eess.IV] 2022 年 1 月 11 日

可下载资源数量

已经购买

下载数量：1

单价	0 1.0
Coupon	100% 0%
Total	0 1.0

点击下载点击购买并下载

点击购买，资源将自动在新窗口打开.

机构名称：

arXiv:2201.03777v1 [eess.IV] 2022 年 1 月 11 日

¥ 1.0

热度

摘要。本文提出了一种基于对抗学习的脑肿瘤分割任务训练方法。在这个概念中，3D 分割网络从对偶对抗学习方法中学习。为了增强分割预测的泛化能力并使分割网络具有鲁棒性，我们遵循虚拟对抗训练方法，通过在原始患者数据上添加一些噪声来生成更多的对抗性示例。通过加入一个充当定量主观裁判的评论家，分割网络从与分割结果相关的不确定性信息中学习。我们在 RSNA-ASNR-MICCAI BraTS 2021 数据集上对网络架构进行了训练和评估。我们在在线验证数据集上的表现如下：Dice 相似度得分分别为 81.38%、90.77% 和 85.39%；增强肿瘤、整个肿瘤和肿瘤核心的 HausdorffiDistance (95%) 分别为 21.83 毫米、5.37 毫米、8.56 毫米。同样，我们的方法在最终测试数据集上实现了 84.55%、90.46% 和 85.30% 的 Dice 相似度得分，以及 13.48 毫米、6.32 毫米和 16.98 毫米的 HausdorffiDistance (95%)。总体而言，我们提出的方法在每个肿瘤子区域的分割精度方面都取得了更好的表现。我们的代码实现是公开的。

添加pdf代下载 VIP点击下载文件