一种用于脑肿瘤检测与分割的多任务上下文空洞残差网络
计算机视觉与模式识别
2020-12-04 v1
摘要
近年来，深度神经网络在医学影像（包括脑肿瘤分割）的多种识别与分割任务中取得了最先进的性能。我们研究发现，脑肿瘤分割面临着数据不平衡问题，即属于背景类（非肿瘤像素）的像素数远多于属于前景类（肿瘤像素）的像素数。为解决该问题，我们提出了一种以级联结构组成的多任务网络。我们的模型包含两个目标：(i) 有效区分脑肿瘤区域；(ii) 估计脑肿瘤掩码。第一个目标由我们提出的上下文脑肿瘤检测网络完成，其起到注意力门的作用，仅关注脑肿瘤周边区域，而忽略与肿瘤关联较弱的远处背景。第二个目标建立在一个 3D 空洞残差网络及编解码网络之上，以有效分割大、小目标（脑肿瘤）。我们的 3D 空洞残差网络设计了跳跃连接，使深层梯度可直接传播至浅层，从而保留不同深度的特征并相互精炼。为从体积 MRI 数据中融入更大的上下文信息，我们的网络利用具有多种核尺寸的 3D 空洞卷积，扩大了滤波器的感受野。我们所提网络已在包括 BRATS2015、BRATS2017 和 BRATS2018 数据集的验证集与测试集等多种数据集上进行了评估。我们的性能以基于区域的指标和基于表面的指标进行了基准测试，并与最先进的方法进行了对比。
引用
@article{arxiv.2012.02073,
title = {A Multi-task Contextual Atrous Residual Network for Brain Tumor Detection & Segmentation},
author = {Ngan Le and Kashu Yamazaki and Dat Truong and Kha Gia Quach and Marios Savvides},
journal= {arXiv preprint arXiv:2012.02073},
year = {2020}
}
备注
Accepted in ICPR 2020