一种用于脑肿瘤分割的端到端可学习流正则化模型
计算机视觉与模式识别
2021-09-03 v1 机器学习
摘要
许多生物医学图像分割任务可建模为能量函数的最小化，并由一类最大流与最小割优化算法求解。然而，由于传统能量函数通常在其能量函数中使用手工设计特征，分割精度对不同分割对象语义特征的对比十分敏感。为克服这些局限，我们提出将端到端可训练的神经网络特征融入能量函数。我们的深度神经网络特征提取自 U-net 带跳跃连接的降采样与升采样层。在推理阶段，所学特征被输入能量函数，分割结果以原始-对偶形式由 ADMM 求解器解出。在训练阶段，我们通过以原始形式优化带最小割与流守恒函数正则化的能量函数来训练神经网络，这些正则化项源自对偶形式的最优条件。我们在脑肿瘤分割任务中从定性与定量两方面评估了方法。由于能量最小化模型在灵敏度与平滑边界间取得平衡，我们将展示我们的分割轮廓如何通过迭代主动演化，作为医生诊断的集成参考。
引用
@article{arxiv.2109.00622,
title = {An End-to-End learnable Flow Regularized Model for Brain Tumor Segmentation},
author = {Yan Shen and Zhanghexuan Ji and Mingchen Gao},
journal= {arXiv preprint arXiv:2109.00622},
year = {2021}
}
备注
Accepted by 2020 11TH International Conference on Machine Learning in Medical Imaging (MLMI 2020)