MedSegBench:一个全面的基准,用于医疗图像细分在不同的数据模式.
1Fatih Sultan Mehmet Vakif University, Computer Engineering, İstanbul, 34445, Türkiye. zkus@fsm.edu.tr.
Scientific data
|November 25, 2024
概括
MedSegBench提供了一个全面的基准来评估医疗图像细分中的深度学习模型. 该资源标准化了各种数据集,促进了强大的和普遍适用的细分算法的开发.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 医学图像细分对于诊断和治疗计划至关重要.
- 现有的基准在各种成像模式和细分任务中缺乏全面性.
- 图像质量的变化和数据集不平衡带来了重大挑战.
研究的目的:
- 介绍MedSegBench,这是一个全面的基准,用于评估医疗图像细分中的深度学习模型.
- 提供标准化的数据集和一个框架,用于对细分算法的公平比较.
- 促进开发强大的和可通用的医疗图像细分模型.
主要方法:
- 策划了35个数据集,涵盖了超声波,MRI和X射线模式,共计6万多张图像.
- 实施了标准化的训练/验证/测试分割,以解决数据变化和不平衡问题.
- 评估了使用各种编码器 (ResNets,EfficientNet,DenseNet) 的U-Net架构,用于二进制和多类细分 (多达19个类).
主要成果:
- MedSegBench涵盖了广泛的医学成像模式和细分复杂性.
- 该基准可促进可重现的研究和深度学习模型的直接比较.
- 证明了MedSegBench在评估细分算法性能方面的实用性.
结论:
- MedSegBench是迄今为止医疗图像细分的最全面的基准.
- 它是推动医学图像分析领域发展的宝贵资源.
- 公共可用的数据集和代码鼓励进一步的研究和开发.
