ACEnet:用于神经解剖分割的解剖上下文编码网络
图像与视频处理
2021-03-09 v3 计算机视觉与模式识别
摘要
从磁共振(MR)扫描中分割脑结构在脑形态量化中起着重要作用。由于三维深度学习模型计算成本高昂,二维深度学习方法因其计算效率而更受青睐。然而,现有二维深度学习方法难以有效捕获实现准确脑结构分割所需的三维空间上下文信息。为克服此局限,我们提出了一种解剖上下文编码网络(ACEnet),在二维卷积神经网络(CNNs)中融入三维空间与解剖上下文,以从 MR 扫描中高效且准确地分割脑结构,其包含:1)将解剖信息嵌入二维 CNNs 的解剖上下文编码模块;2)在二维 CNNs 中整合三维图像信息的空间上下文编码模块。此外,采用颅骨剥离模块引导二维 CNNs 关注脑部。在三个基准数据集上的大量实验表明,我们的方法在计算效率与分割精度方面,相较于当前最优的脑结构分割替代方法均取得了有前景的性能。
引用
@article{arxiv.2002.05773,
title = {ACEnet: Anatomical Context-Encoding Network for Neuroanatomy Segmentation},
author = {Yuemeng Li and Hongming Li and Yong Fan},
journal= {arXiv preprint arXiv:2002.05773},
year = {2021}
}