Key points are not available for this paper at this time.
Vollständig konvolutionale neuronale Netzwerke (FCNs) haben sich als leistungsstarke Werkzeuge für die Segmentierung medizinischer Bilder erwiesen. Wir wenden ein auf der U-Net-Architektur basierendes FCN für die anspruchsvolle Aufgabe der semantischen Segmentierung von Dental-Panoramaradiographien an und erörtern allgemeine Tricks zur Verbesserung der Segmentierungsleistung. Dazu gehören Netzwerk-Ensembling, Testzeit-Augmentation, Ausnutzung der Datensymmetrie und Bootstrapping von niedrigqualitativen Annotationen. Die Leistung unseres Ansatzes wurde an einem stark variablen Datensatz von 1500 Dental-Panoramaradiographien getestet. Ein einzelnes Netzwerk erreichte einen Dice-Score von 0,934, wobei 1201 Bilder für das Training verwendet wurden; durch das Bilden eines Ensembles wurde der Score auf 0,936 erhöht.
Koch et al. (Mon,) haben diese Frage untersucht.