Segmentation of Organs at Risk in Nasopharyngeal Cancer for Radiotherapy Using A Nested U-Net Architecture
引言介绍其他网络解决其他医学分割问题的情况,指出针对鼻咽癌没有普适方法。
方法:
数据集:采集(医院采集,医生手动分割) 分出测试集20组,else0.9训练集,0.1验证集(validation dataset)。10折交叉验证(10 folder cross validation,数据随机分成10个组,每个组做一次测试集,同时其余9组数据作为训练集,取10次测试的平均结果)。
预处理:图像增强,数据增强(图像剪切,旋转,灰度扰动,形状扰动(仿射变换))
模型:特点
损失函数:在医学图像分割中,正样本只占总样本中的一部分。在损耗设计中,需要减少负样本在损耗中的权重,以缓解样本不平衡的问题。使用焦损作为网络的损失函数,它可以平衡由于正负样本间的差异导致的性能下降。