基于增强的 DeepLab 并优化调优的神经分割-计算机科学-机器学习-神经分割-自动神经检测.pdf

基于增强的DeepLab并优化调优的神经分割

AkhilJohnThomasChristiaanBoerkamp

VLV技术

摘要

本

神经分割在医学成像中对于精确识别神经结构至关重要。本研究提出了

译一种优化的基于DeepLabV3的分割管道，该管道结合了自动阈值微调以提

中高分割精度。通过细化预处理步骤并实施参数优化，我们在超声神经图像上

1实现了Dice评分为0.78、IoU为0.70以及像素准确率为0.95的结果。结果

v表明与基线模型相比有显著改进，并突显了自动神经检测中定制参数选择

4的重要性。

9

3

3

11介绍

.

7

0

5神经分割在医学成像中对诊断、手术规划和治疗监测起着至关重要的作

2用[1]。准确的神经结构分割使临床医生能够识别关键区域，确保干预过程

:

v中的精准性并降低并发症的风险。然而，由于神经解剖结构复杂、外观变化

i

x以及医学影像数据中存在的固有噪声，神经分割任务面临着显著挑战[2][3]

r

a。两种最突出的架构UNet和DeepLab在广泛的分割挑战中展现了卓越的

表现。UNet专门用于生物医学图像分割，采用带有跳过连接的编码器-解码

器结构，整合空间和上下文信息，在需要精细细节的任务中非常有效。另一

方面，DeepLab利用空洞空间金字塔池化（ASPP）捕捉多尺度特征，在具

有复杂边界和不同尺度的情景下表现出色[4]。

尽管这些模型被广泛使用，但针对神经分割背景下评估其性能的研究却

非常有限。传统的深度学习模型，包括U-Net，在图像质量和神经形态变化

的情况下显示出潜力但也经常遇到泛化问题。本研究旨在通过分析DeepLab

在一组定制的灰度医学影像数据集上的表现来弥补这一差距。通过使用Dice

Score、IntersectionoverUnion（IoU）和PixelAccuracy等定量指标，这项

工作提供了对每个模型的优势和局限性的见解，促进了医学成像分割技术

1

的发展。本研究专注于通过纳入自动阈值微调优化DeepLabV3用于神经分

割，从而提高了分割准确性和临床适用性。

2方法

2.1数据集

数据集包含2100张灰度图像，每张图像配有一个二值掩码代表神经结

构。每个图像-掩码对都被标注以确保准确划分神经区域，这对于评估分割

性能至关重要。该数据集反映了神经分割固有的挑战，如低对比度、噪声以

及神经形态的可变性。为了准备训练和评估的数据集，所有图像和掩码都经

过预处理以保持分辨率和强度的一致性。数据集按照80:10:10的比例划分

为训练、验证和测试子集，以确保模型评估的可靠性。

2.2管道和模型

我们应用了预处理步骤以增强模型性能并确保与神经网络的兼容性：

•调整大小：所有图像和掩码均调整为统一的256×256像素分辨率，以

标准化输入维度。

•归一化：像素强度被归一化到范围[0,1]以实现稳定训练。

•二值化阈值处理：二值掩码被阈值化为0或1的值，以确保前景（神

经）