一种基于 3D UNet-图神经网络联合方法的气道分割方法
图像与视频处理
2019-08-26 v1 计算机视觉与模式识别
摘要
我们提出了一种端到端的深度学习分割方法，该方法结合了 3D UNet 架构与图神经网络（GNN）模型。在此方法中，UNet 最深层的卷积层被一个包含一系列图卷积的 GNN 模块所取代。该层的稠密特征图被转换为 GNN 模块的图输入。在 UNet 中引入图卷积，为图中的节点提供了基于节点连通性的信息，以及通过下采样路径学习到的局部特征。这些信息有助于改善分割决策。通过堆叠多个图卷积层，节点可以获取高阶邻域信息，而计算成本不会显著增加。我们提出了两种图邻接关系中的节点连通性：i）一种预定义的、基于规则节点邻域的连通性；ii）一种在训练期间动态计算、使用特征空间中最近邻节点的连通性。我们已将这种方法应用于从胸部 CT 扫描中分割气道树的任务。实验在丹麦肺癌筛查试验数据集的 32 个 CT 上进行。我们评估了具有两种图邻接类型的 UNet-GNN 模型的性能，并将其与基线 UNet 进行了比较。
引用
@article{arxiv.1908.08588,
title = {A joint 3D UNet-Graph Neural Network-based method for Airway Segmentation from chest CTs},
author = {Antonio Garcia-Uceda Juarez and Raghavendra Selvan and Zaigham Saghir and Marleen de Bruijne},
journal= {arXiv preprint arXiv:1908.08588},
year = {2019}
}