ACNN：一种用于医学图像分割的全分辨率 DCNN
机器学习
2020-06-05 v4 机器学习
摘要
深度卷积神经网络（DCNNs）广泛用于医学图像分割以及机器人辅助微创手术（MISs）的三维导航。然而，当前 DCNNs 通常使用下采样层以增大感受野并获取抽象语义信息。这些下采样层减小了特征图的空间维度，不利于图像分割。空洞卷积是下采样层的替代方案，其在增大感受野的同时保持特征图的空间维度。本文提出一种有效的空洞率设置方法，以最少的空洞卷积层实现最大且完全覆盖的感受野。此外，提出一种全新的全分辨率 DCNN——空洞卷积神经网络（ACNN），其融合了级联空洞 II-block、残差学习与实例归一化（IN）。将所提 ACNN 应用于磁共振成像（MRI）与计算机断层扫描（CT）图像分割的结果表明，相较于 U-Net 与 Deeplabv3+，所提 ACNN 可取得更高的分割交并比（IoUs），且可训练参数更少。
引用
@article{arxiv.1901.09203,
title = {ACNN: a Full Resolution DCNN for Medical Image Segmentation},
author = {Xiao-Yun Zhou and Jian-Qing Zheng and Peichao Li and Guang-Zhong Yang},
journal= {arXiv preprint arXiv:1901.09203},
year = {2020}
}
备注
7 pages, 2 tables, 6 figures