SEDNet: Shallow Encoder-Decoder Network for Brain Tumor Segmentation

要約

脳腫瘍セグメンテーションに向けた計算モデリングの進歩にもかかわらず、いくつかのモデルが開発されていますが、依然として史上最高にある既存モデルの計算複雑さから、臨床応用シナリオでのパフォーマンスと効率が制限されていることは明らかです。
したがって、この論文では、脳腫瘍セグメンテーションのための SEDNet という名前の浅いエンコーダおよびデコーダ ネットワークを提案します。
提案されたネットワークは U-Net 構造から適応されています。
脳腫瘍は、従来の U-Net が目的として設計されたタスクのような複雑な構造を想定していませんが、外観、形状、境界の曖昧さの違いにより、脳腫瘍は解決するのが魅力的な複雑なタスクとなっています。
SEDNet アーキテクチャ設計は、脳画像における脳腫瘍の局所的な性質に触発されており、脳スライス内の脳腫瘍の固有の特徴を学習できるエンコード経路内の十分な階層畳み込みブロックと、
脳腫瘍の全体レベルの特徴と並行して、ミニチュアの局所レベルの空間特徴を捕捉します。
提案された前処理アルゴリズムとテスト用に予約された BraTS2020 セットの最適化機能を統合した SEDNet は、非増強腫瘍核 (NTC)、腫瘍周囲浮腫に対して 0.9308、0.9451、0.9026、および 0.7040、1.2866、0.7762 という優れたダイスおよびハウスドルフ スコアを達成しました。
それぞれ（ED）、および腫瘍増強（ET）。
さらに、SEDNetX と呼ばれる、初期化された SEDNet の事前トレーニングされた重みを使用した転移学習を通じて、パフォーマンスの向上が観察されます。
記録されたサイコロとハウスドルフのスコアは、NTC、ED、ET でそれぞれ 0.9336、0.9478、0.9061、0.6983、1.2691、0.7711 でした。
SEDNet(X) は、約 130 万のパラメータと最先端のものと比較して優れたパフォーマンスを備えており、リアルタイムの臨床診断において計算効率が高いことが示されています。

要約(オリジナル)

Despite the advancement in computational modeling towards brain tumor segmentation, of which several models have been developed, it is evident from the computational complexity of existing models which are still at an all-time high, that performance and efficiency under clinical application scenarios are limited. Therefore, this paper proposes a shallow encoder and decoder network named SEDNet for brain tumor segmentation. The proposed network is adapted from the U-Net structure. Though brain tumors do not assume complex structures like the task the traditional U-Net was designed for, their variance in appearance, shape, and ambiguity of boundaries makes it a compelling complex task to solve. SEDNet architecture design is inspired by the localized nature of brain tumors in brain images, thus consists of sufficient hierarchical convolutional blocks in the encoding pathway capable of learning the intrinsic features of brain tumors in brain slices, and a decoding pathway with selective skip path sufficient for capturing miniature local-level spatial features alongside the global-level features of brain tumor. SEDNet with the integration of the proposed preprocessing algorithm and optimization function on the BraTS2020 set reserved for testing achieves impressive dice and Hausdorff scores of 0.9308, 0.9451, 0.9026, and 0.7040, 1.2866, 0.7762 for non-enhancing tumor core (NTC), peritumoral edema (ED), and enhancing tumor (ET), respectively. Furthermore, through transfer learning with initialized SEDNet pre-trained weights, termed SEDNetX, a performance increase is observed. The dice and Hausdorff scores recorded are 0.9336, 0.9478, 0.9061, 0.6983, 1.2691, and 0.7711 for NTC, ED, and ET, respectively. With about 1.3 million parameters and impressive performance in comparison to the state-of-the-art, SEDNet(X) is shown to be computationally efficient for real-time clinical diagnosis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google