一种用于器官分割的不确定性驱动GCN细化策略
图像与视频处理
2020-12-08 v1 计算机视觉与模式识别
机器学习
摘要
CT体积中的器官分割是许多计算机辅助介入与诊断方法的重要预处理步骤。近年来，卷积神经网络在该任务的最先进方法中占据主导地位。然而，由于该问题因器官形状的高变异性及组织间的相似性而呈现具有挑战性的环境，输出分割中产生假阴性与假阳性区域是常见问题。近期工作表明，模型的不确定性分析可为我们提供有关分割中潜在误差的有用信息。在此背景下，我们提出了一种基于不确定性分析与图卷积网络的分割细化方法。我们利用卷积网络在特定输入体积中的不确定性水平来构建一个半监督图学习问题，并通过训练图卷积网络求解。为测试我们的方法，我们对2D U-Net的初始输出进行细化。我们使用NIH胰腺数据集和医学分割十项全能的脾脏数据集验证我们的框架。我们表明，相对于原始U-Net的预测，我们的方法通过将胰腺的dice分数提高1%、脾脏提高2%，优于最先进的CRF细化方法。最后，我们对我们提案的参数进行了敏感性分析，并讨论了到其他CNN架构的适用性、结果以及该模型当前的局限性，以指明未来工作的方向。为了可复现性，我们将代码公开于 https://github.com/rodsom22/gcn_refinement。
引用
@article{arxiv.2012.03352,
title = {An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation},
author = {Roger D. Soberanis-Mukul and Nassir Navab and Shadi Albarqouni},
journal= {arXiv preprint arXiv:2012.03352},
year = {2020}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org