面向极多类别的 3D 分割网络：上半身骨骼的逐骨分割
图像与视频处理
2020-10-15 v1 计算机视觉与模式识别
机器学习
摘要
不同骨骼的分割在诊断、规划、导航以及骨转移评估中起着关键作用。它为手术干预规划和卫生专业人员教育中的可视化工具提供语义知识。使用深度学习方法对 3D 数据进行全监督分割已在许多任务中得到广泛研究，但通常仅限于区分少数几个类别。我们的案例包含 125 块不同的骨骼，标签数量远多于典型的 3D 分割任务。因此，大多数成熟方法的直接适配是不可能的。本文讨论了在多标签设置下训练 3D 分割网络的复杂性，并展示了在网络架构、损失函数和数据增强方面必要的修改。结果，我们通过从 CT 扫描中以端到端学习的方式同时自动分割一百多块不同骨骼，证明了我们方法的鲁棒性。
引用
@article{arxiv.2010.07045,
title = {3D Segmentation Networks for Excessive Numbers of Classes: Distinct Bone Segmentation in Upper Bodies},
author = {Eva Schnider and Antal Horváth and Georg Rauter and Azhar Zam and Magdalena Müller-Gerbl and Philippe C. Cattin},
journal= {arXiv preprint arXiv:2010.07045},
year = {2020}
}
备注
10 pages, 3 figures, 2 tables, accepted into MICCAI 2020 International Workshop on Machine Learning in Medical Imaging