用于前列腺 MR 体积分割的三维全局卷积对抗网络
计算机视觉与模式识别
2018-07-19 v1
摘要
先进的深度学习方法已被开发用于以 2D 或 3D 全卷积方式执行前列腺 MR 体积分割。然而，2D 方法往往分割性能有限，因为在逐层分割过程中大量前列腺体积的空间信息被丢弃；3D 方法也有改进空间，因为它们使用各向同性核进行 3D 卷积，而大多数前列腺 MR 体积具有各向异性空间分辨率。此外，全卷积结构方法在定位问题上表现良好，但忽视了分割任务中逐体素分类。本文中，我们提出一种三维全局卷积对抗网络（3D GCA-Net）以解决高效的前列腺 MR 体积分割问题。我们首先设计了一个 3D ResNet 编码器从前列腺扫描中提取 3D 特征，然后开发了解码器，其由多尺度 3D 全局卷积块和 3D 边界细化块组成，以同时解决体积分割的分类与定位问题。此外，我们在训练阶段将编码器-解码器分割网络与对抗网络结合，以强化长程空间预测的连续性。在所提模型中，我们全程使用各向异性卷积处理以在前列腺 MR 扫描上获得更好的特征学习。我们在两个公开前列腺 MR 数据集上评估了我们的 3D GCA-Net 模型，并取得了最先进的性能。
引用
@article{arxiv.1807.06742,
title = {3D Global Convolutional Adversarial Network\\ for Prostate MR Volume Segmentation},
author = {Haozhe Jia and Yang Song and Donghao Zhang and Heng Huang and Dagan Feng and Michael Fulham and Yong Xia and Weidong Cai},
journal= {arXiv preprint arXiv:1807.06742},
year = {2018}
}
备注
9 pages, 3 figures, 2 tables, 16 references