RARE-UNet: 分辨率对齐路由入口用于自适应医学图像分割-计算机科学-深度学习-医学图像分割-脑成像-U-Net.pdfVIP

RARE-UNet:分辨率对齐路由入口用于自适应医学

图像分割

SimonWintherAlbertsen,HjalteSvaneborgBjørnstrup,and

MostafaMehdipourGhazi

PioneerCentreforArtificialIntelligence,DepartmentofComputerScience,

UniversityofCopenhagen,Copenhagen,Denmark

摘要准确的分割对于临床应用至关重要，但现有的模型通常假设固定的高

本分辨率输入，并且在面对现实世界场景中的低分辨率数据时性能显著下降。

译为了解决这一局限性，我们提出了RARE-UNet，这是一种能够根据输入

中的空间分辨率动态调整其推理路径的分辨率感知多尺度分割架构。我们的

设计核心包括集成在多个编码器深度的多尺度块、一种分辨率感知路由机

1

v制以及一致性驱动训练，该训练使多分辨率特征与全分辨率表示保持一致。

4我们在两个基准脑成像任务上评估了RARE-UNet，这些任务分别是海马

2体和肿瘤分割。相比于标准的UNet及其增强的多分辨率变种和nnUNet，

5

5我们的模型在不同分辨率下的平均Dice得分分别达到了0.84和0.65，同

1时保持了一致的性能并在低分辨率下显著减少了推理时间。这些结果突显

.

7了我们架构在实现分辨率鲁棒分割方面的有效性和可扩展性。代码可在以

0

5下位置获取：/simonsejse/RARE-UNet。

2

:

vKeywords:医学图像分割·脑成像·U-Net·多分辨率·数据扩增.

i

x

r

a1介绍

在磁共振成像（MRI）中进行准确的分割对于临床工作流程至关重要，

支持从发育研究到诊断和治疗计划的各项任务。随着多机构神经影像学工

作的增长[1,2]，对能够泛化到不同MRI扫描且具有不同采集协议的鲁棒分

割方法的需求日益增加。然而，大多数深度学习模型，特别是UNet变体

[3,4,5,6,7,8]，假设固定的输入分辨率和空间形状，这一假设在实际临床数据

中很少成立。

在实践中，由于扫描仪、协议和患者特定因素的差异，分辨率和质量会

有所不同。这种变异性在现实世界的临床环境和大规模研究中很常见，在这

Correspondingauthor:ghazi@di.ku.dk

2S.Wintheretal.

些环境中，扫描是在非标准化条件下获取的，并且常常表现出不一致的分辨

率、噪声水平或结构清晰度。多中心数据集由于不同的体素间距和各向异性

分辨率而引入了变异性。标准工作流程通常依赖预处理来强制形状一致性，

但这种操作可能会降低图像质量，例如，重采样可能会丢失小结构或引入模

糊或伪影。过度填充也可能使预测偏向背景区域。

我们提出了RARE-UNet，这是一种适应分辨率的UNet扩展版本，专门