3D-OOCS：具有归纳偏置的前列腺分割学习方法
图像与视频处理
2022-04-21 v2 计算机视觉与模式识别
摘要
尽管卷积神经网络（CNN）在三维医学图像分割任务中取得了巨大成功，目前使用的方法对于不同扫描仪所采用的不同协议，以及由此产生的各种图像特性或伪影，仍不够鲁棒。为此，我们提出 OOCS 增强网络，一种受脊椎动物视觉处理内在机制启发的新型架构。以不同的三维 U-Net 变体为基础，我们在第二个编码器模块中加入两个三维残差分量：开中心- surround（on center-surround）与关中心- surround（off center-surround，OOCS）。它们将视网膜中的神经节细胞通路推广到三维情形。在任何标准 CNN 网络中使用 2D-OOCS，可为前馈框架补充锐利边缘检测的归纳偏置。使用 3D-OOCS 还帮助三维 U-Net 更精确地审视并勾画三维图像中的解剖结构。我们将最先进的三维 U-Net 与其 3D-OOCS 扩展进行比较，展示了后者在三维磁共振图像（MRIs）自动前列腺分割中更高的精度与鲁棒性。为公平比较，我们以相同的流程训练并测试所有被研究的三维 U-Net，包括自动超参数优化与数据增强。
引用
@article{arxiv.2110.15664,
title = {3D-OOCS: Learning Prostate Segmentation with Inductive Bias},
author = {Shrajan Bhandary and Zahra Babaiee and Dejan Kostyszyn and Tobias Fechter and Constantinos Zamboglou and Anca-Ligia Grosu and Radu Grosu},
journal= {arXiv preprint arXiv:2110.15664},
year = {2022}
}
备注
6 pages, 1 figure. Accepted in the proceedings of the AAAI 2022 Workshop: Trustworthy AI for Healthcare