AlignShift：弥合 3D 各向异性体数据中的成像层厚差距
计算机视觉与模式识别
2020-10-12 v2 机器学习
摘要
本文解决了 3D 医学图像处理中的一个根本性挑战：如何处理成像层厚。对于各向异性医学体数据，薄层（多为 1mm）和厚层（多为 5mm）体数据之间存在显著的性能差距。现有技术倾向于分别对薄层使用 3D 方法，对厚层使用 2D 方法。我们的目标是针对薄层和厚层医学体数据采用统一的方法。受视频分析最新进展的启发，我们提出了 AlignShift，这是一种新颖的无参数算子，理论上可以将任何 2D 预训练网络转换为厚度感知的 3D 网络。值得注意的是，转换后的网络对于薄层表现为 3D 网络，而对于厚层则自适应地退化为 2D 网络。这种统一的厚度感知表示学习是通过根据输入的成像层厚移动和融合对齐的虚拟切片来实现的。在包含 32K 个病灶的公共大规模 DeepLesion 基准数据集上进行的广泛实验验证了我们方法的有效性，该方法在通用病灶检测任务上以显著优势超越了先前的最先进技术，且无需任何附加技巧。更重要的是，据我们所知，这是第一个通过统一框架弥合薄层和厚层体数据之间性能差距的方法。为了提高研究的可复现性，我们的 PyTorch 代码已在 https://github.com/M3DV/AlignShift 开源。
引用
@article{arxiv.2005.01969,
title = {AlignShift: Bridging the Gap of Imaging Thickness in 3D Anisotropic Volumes},
author = {Jiancheng Yang and Yi He and Xiaoyang Huang and Jingwei Xu and Xiaodan Ye and Guangyu Tao and Bingbing Ni},
journal= {arXiv preprint arXiv:2005.01969},
year = {2020}
}
备注
MICCAI 2020 (early accepted). Camera ready version. Code is available at https://github.com/M3DV/AlignShift