用于语义分割的自适应特征重组与重校准：在MRI脑肿瘤分割中的应用
计算机视觉与模式识别
2018-09-25 v1
摘要
卷积神经网络 (CNNs) 已成功用于脑肿瘤分割，特别是全卷积网络。FCNs 可以一次分割一组体素，在给定位置的特征图 中的单元与对应分类体素之间具有直接的空间对应关系。在卷积层中，FMs 被合并以创建新的 FMs，因此通道组合至关重要。然而，对于给定类别，并非所有 FMs 都具有相同的相关性。最近，在分类问题中，提出了 Squeeze-and-Excitation (SE) 模块来作为一个整体重校准 FMs，并抑制信息量较少的 FMs。然而，由于单元与体素之间的空间对应关系，这在 FCN 中并非最优。在本文中，我们提出通过线性扩展和压缩进行特征重组，以创建用于语义分割的更复杂特征。此外，我们提出了一个分割 SE (SegSE) 模块用于特征重校准，该模块在保持空间意义的同时收集上下文信息。最后，我们使用公开可用数据在脑肿瘤分割中评估了所提出的方法。
引用
@article{arxiv.1806.02318,
title = {Adaptive feature recombination and recalibration for semantic segmentation: application to brain tumor segmentation in MRI},
author = {Sérgio Pereira and Victor Alves and Carlos A. Silva},
journal= {arXiv preprint arXiv:1806.02318},
year = {2018}
}
备注
Accepted at MICCAI 2018