一种用于内存高效体图像分割的部分可逆 U-Net
计算机视觉与模式识别
2019-06-21 v2 图像与视频处理
摘要
用于分割的 3D 卷积神经网络的关键缺点之一是其内存占用，这需要在给定内存预算内对网络架构做出妥协。受用于图像分类的 RevNet 启发，我们提出了一种部分可逆 U-Net 架构，可大幅降低内存消耗。该可逆架构使我们能够从下一层的输出精确恢复每一层的输出，从而消除了为反向传播存储激活值的需求。这缓解了最大的内存瓶颈，并使得非常深（理论上无限深）的 3D 架构成为可能。在 BraTS 挑战数据集上，我们展示了显著的内存节省。我们进一步表明，释放出的内存可用于处理整个视场（FOV）而非图像块。得益于部分可逆架构，增加网络深度带来了更高的分割精度，而内存占用仅以极小幅度增长。
引用
@article{arxiv.1906.06148,
title = {A Partially Reversible U-Net for Memory-Efficient Volumetric Image Segmentation},
author = {Robin Brügger and Christian F. Baumgartner and Ender Konukoglu},
journal= {arXiv preprint arXiv:1906.06148},
year = {2019}
}
备注
Accepted to MICCAI 2019; Edit v2: Added reference to related work of Blumberg et al