解剖学约束神经网络（ACNN）：在心脏图像增强与分割中的应用
计算机视觉与模式识别
2017-12-07 v4
摘要
融入关于器官形状和位置的先验知识是提升图像分析方法性能的关键。特别地，在图像因成像采集条件限制而受损并包含伪影的情况下，先验知识尤为有用。解剖对象的高度受限特性可以被基于学习的技术很好地捕捉。然而，在诸如基于 CNN 的分割等最新且极具前景的技术中，如何融入此类先验知识并不显然。最先进的方法作为像素级分类器运行，其训练目标未包含输出的结构与相互依赖性。为克服这一局限，我们提出了一种通用训练策略，通过一种新的正则化模型将解剖学先验知识融入 CNN，并进行端到端训练。该新框架通过形状的学习非线性表示，鼓励模型遵循底层解剖结构的全局解剖属性（例如形状、标签结构）。我们表明，所提出的方法可轻松适配不同的分析任务（如图像增强、分割），并提升最先进模型的预测精度。我们通过多模态心脏数据集和公共基准展示了该方法的适用性。此外，我们演示了如何解释所学习的 3D 形状深度模型，并将其用作心脏病理分类的生物标志物。
引用
@article{arxiv.1705.08302,
title = {Anatomically Constrained Neural Networks (ACNN): Application to Cardiac Image Enhancement and Segmentation},
author = {Ozan Oktay and Enzo Ferrante and Konstantinos Kamnitsas and Mattias Heinrich and Wenjia Bai and Jose Caballero and Stuart Cook and Antonio de Marvao and Timothy Dawes and Declan O'Regan and Bernhard Kainz and Ben Glocker and Daniel Rueckert},
journal= {arXiv preprint arXiv:1705.08302},
year = {2017}
}
备注
Published in IEEE Transactions on Medical Imaging (Aug 2017)