3DConvCaps：用于医学图像分割的带卷积胶囊编码器的 3D U-Net
计算机视觉与模式识别
2022-06-28 v2
摘要
卷积神经网络（CNN）在医学图像分割中已取得令人鼓舞的结果。然而，CNN 需要大量训练数据，且无法处理物体的姿态与形变。此外，其池化层往往会丢弃位置等重要信息，并且 CNN 对旋转和仿射变换敏感。胶囊网络是一种近期的新架构，它通过用动态路由和卷积步长替代池化层，在部分-整体表示学习中实现了更好的鲁棒性，并在数字分类和物体分割等流行任务上展现出有潜力的结果。在本文中，我们提出了一种带有卷积胶囊编码器（称为 3DConvCaps）的 3D 编码器-解码器网络，以利用卷积层学习低级特征（短程注意力），同时用胶囊层建模高级特征（长程依赖）。我们在包括 iSeg-2017、Hippocampus 和 Cardiac 在内的多个数据集上的实验表明，我们的 3D 3DConvCaps 网络显著优于先前的胶囊网络和 3D-UNet。我们进一步在收缩路径与扩展路径的不同卷积层与胶囊层配置下，对网络效率与分割性能进行了消融研究。
引用
@article{arxiv.2205.09299,
title = {3DConvCaps: 3DUnet with Convolutional Capsule Encoder for Medical Image Segmentation},
author = {Minh Tran and Viet-Khoa Vo-Ho and Ngan T. H. Le},
journal= {arXiv preprint arXiv:2205.09299},
year = {2022}
}
备注
Accepted to ICPR 2022