基于完全可训练 Gabor 核与皮尔逊相关系数的三维分割

卷积层与损失函数是深度学习的两个基本组成部分。由于传统深度学习核的成功，通用性较差的 Gabor 核变得不那么流行，尽管它们能以少得多的参数在不同频率、方向和尺度上提供丰富的特征。对于现有的多类图像分割损失函数，通常在准确性、对超参数的鲁棒性以及用于组合不同损失的手动权重选择之间存在权衡。因此，为了在获得 Gabor 核优势的同时保持深度学习中自动生成特征的长处，我们提出了一种完全可训练的基于 Gabor 的卷积层，其中所有 Gabor 参数都可通过反向传播训练。此外，我们提出了一种基于皮尔逊相关系数（Pearson's correlation coefficient）的损失函数，它准确、对学习率鲁棒，且不需要手动权重选择。在包含 19 个解剖结构的 43 张三维脑磁共振图像上的实验表明，使用所提损失函数并适当组合传统核与基于 Gabor 的核，我们可以用仅 160 万参数的网络训练得到 83% 的平均 Dice 系数。该规模比具有 7100 万参数的原始 V-Net 小 44 倍。本文展示了在深度学习中使用可学习参数化核进行三维分割的潜力。