感知图谱的 ConvNet 用于精确且鲁棒的解剖分割
计算机视觉与模式识别
2021-02-03 v1
摘要
卷积网络(ConvNets)已在多种解剖分割任务中取得可喜精度。尽管成功，这些方法对数据外观变化可能敏感。考虑到由伪影、病理和扫描设置引起的扫描巨大差异性，鲁棒 ConvNets 对临床应用至关重要，但尚未被充分探索。本文提出通过使 ConvNets 感知成像扫描间潜在的解剖不变性来应对该挑战。具体地，我们引入一个全卷积约束采纳模块(CAM)，将概率图谱先验作为对局部连接条件随机场(CFR)上预测的显式约束，有效强化标注输出的解剖一致性。我们将 CAM 设计为可灵活提升各类 ConvNet，且紧凑以与 ConvNets 协同优化融合参数从而达到最优性能。我们通过两个脑分区任务展示此类图谱先验融合的双重优势。首先，我们的模型在两类数据集上于基于 ConvNet 的方法中达到最优精度，显著减少预测的结构异常。其次，我们可以大幅提升现有 ConvNets 的鲁棒性，证据为：(i) 在含合成病理的扫描上测试，及 (ii) 跨数据集不同扫描设置上训练与评估。我们的方法可轻易用于现有 ConvNets，插入 CAM 微调即可提升精度与鲁棒性。
引用
@article{arxiv.2102.01256,
title = {Atlas-aware ConvNetfor Accurate yet Robust Anatomical Segmentation},
author = {Yuan Liang and Weinan Song and Jiawei Yang and Liang Qiu and Kun Wang and Lei He},
journal= {arXiv preprint arXiv:2102.01256},
year = {2021}
}