面向医学图像分割的形状约束深度学习综述
图像与视频处理
2021-01-20 v1 计算机视觉与模式识别
机器学习
摘要
自 U-Net 问世以来,全卷积深度神经网络及其众多变体已彻底改变了基于深度学习的医学图像分割的格局。然而,这些方法对像素级分类与回归的过度依赖很早就被认为是一个问题。尤其在基于标注稀疏的医学数据库训练时,这些方法容易产生分割伪影,如结构破碎、拓扑不一致和像素孤岛。这些伪影在医学影像中尤为棘手,因为分割几乎总是某些下游评估的预处理步骤。可能的下游评估范围相当广泛,例如手术规划、可视化、形状分析、预后、治疗规划等。然而,所有这些下游任务的一个共同要求是解剖一致性。为确保分割结果解剖一致,基于马尔可夫/条件随机场、统计形状模型的方法在过去 5 年中日益流行。本综述论文广泛概述了近期将解剖约束引入医学图像分割的文献,深入讨论了所提方法的不足与机遇,并阐述了潜在的未来工作。我们回顾了截至投稿日发表的最相关论文。为便于快速查阅,关键细节如底层方法、数据集与性能均以表格列出。
引用
@article{arxiv.2101.07721,
title = {A survey on shape-constraint deep learning for medical image segmentation},
author = {Simon Bohlender and Ilkay Oksuz and Anirban Mukhopadhyay},
journal= {arXiv preprint arXiv:2101.07721},
year = {2021}
}