Метод сегментации изображения рака прямой кишки на основе сети U- Net

Abstract

В статье используется сеть U-Net для интеллектуальной сегментации изображений КТ рака прямой кишки, применяются такие методы, как улучшение изображения и пакетная нормализация для облегчения явления переподгонки, определяется оптимальная начальная скорость обучения и количество сверточных ядер путем нескольких экспериментов, достигается идеальная сегментация опухолей рака прямой кишки с помощью сети U-Net: 85.76%. Эксперименты показывают, что U-Net хорошо работает для сегментации медицинских изображений на небольших наборах данных, и сходство сегментации может быть точно измерено с помощью коэффициентов Dice для наборов данных с чрезвычайно перекошенными положительными и отрицательными образцами.

The paper uses U-Net network for intelligent segmentation of rectal cancer CT images, incorporates techniques such as image enhancement and batch normalization to alleviate the overfitting phenomenon, and determines the optimal initial learning rate and the number of convolutional kernels through several experiments, and achieves the ideal segmentation of rectal cancer tumors using U-Net network: 85.76%. The experiments show that U-Net works well for medical image segmentation on small data sets, and the similarity of segmentation can be accurately measured using Dice coefficients for data sets with extremely skewed positive and negative samples.