Performance Analysis of Dilated One-to-Many U-Net Model for Medical Image Segmentation
Notice bibliographique
Résumé
Medical image processing applications typically demand highly accurate image segmentation. However, existing segmentation approaches exhibit performance degradation when faced with diverse medical imaging modalities and varied segmentation target sizes. In this paper, we propose and evaluate a dilated One-to-Many U-Net deep learning model that addresses these challenges. The proposed model comprises of four rows of encoder-decoder modules, with each module consisting of three trainable blocks with different layers. The last three rows of the U-Net are extended versions of the three blocks in the first row, with the encoder-decoder blocks connected through the skip connections to the previous rows. The outputs of the last blocks from the last three rows in the decoder are concatenated, and finally, a dilation network is employed to improve the small target segmentation in different medical images. Two datasets have been used for the evaluation: the HC18 grand challenge ultrasound dataset for fetal head segmentation and the Multi-site MRI dataset, including the BIDMC and HK sites, for prostate segmentation in MRI images. The proposed approach achieved Dice and Jaccard coefficients of 96.54% and 93.93%, respectively, for the HC18 grand challenge dataset, 96.76% and 93.97% for the BIDMC site dataset, and 92.58% and 86.96% for the HK site dataset. Statistical analyses showed that the proposed model outperformed several other U-Net-based models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».