机构名称：
¥ 1.0
摘要。3D 磁共振图像 (MRI) 中的脑肿瘤分割自动化是评估疾病诊断和治疗的关键。近年来，卷积神经网络 (CNN) 在该任务中表现出更好的效果。然而，高内存消耗仍然是 3D-CNN 的一个问题。此外，大多数方法不包括不确定性信息，这在医学诊断中尤其重要。这项工作研究了使用修补技术训练的 3D 编码器-解码器架构，以减少内存消耗并降低不平衡数据的影响。然后使用不同的训练模型来创建一个利用每个模型属性的集成，从而提高性能。我们还分别使用测试时间丢失 (TTD) 和数据增强 (TTA) 引入了体素不确定性信息，包括认知和随机信息。此外，提出了一种有助于提高分割准确性的混合方法。本论文提出的模型和不确定性估计测量已在 BraTS'20 挑战赛中用于肿瘤分割和不确定性估计的任务 1 和 3。
使用 3D-UNet 架构进行 MRI 脑肿瘤分割和不确定性估计
主要关键词
相关文件推荐
