用于三维体CT图像椎体分割的空洞残差互联编码器至注意力解码器框架
图像与视频处理
2021-04-09 v1 计算机视觉与模式识别
机器学习
摘要
基于计算机断层扫描（CT）的自动医学图像分割已作为前置条件广泛应用于计算机辅助手术。随着深度学习技术的发展，深度卷积神经网络（DCNNs）在医学图像自动语义分割中表现出鲁棒性能。然而，基于DCNNs的语义分割算法仍面临编码器与解码器间特征丢失、多尺度目标、滤波器感受野受限以及医学图像数据缺乏等挑战。本文提出一种基于三维体脊柱CT图像的自动椎体分割新算法。所提模型基于编码器到解码器结构，使用层归一化优化小批量训练性能。为解决编码器与解码器间信息丢失问题，我们设计了空洞残差路径，以从编码器向解码器传递更多特征，而非简单的快捷连接。该模型还在解码器部分应用注意力模块以从多尺度提取特征。所提模型在公开数据集上通过多种指标进行评估。实验结果表明，与其他SOTA医学语义分割方法相比，我们的模型取得了具有竞争力的性能。
引用
@article{arxiv.2104.03715,
title = {Atrous Residual Interconnected Encoder to Attention Decoder Framework for Vertebrae Segmentation via 3D Volumetric CT Images},
author = {Wenqiang Li and YM Tang and Ziyang Wang and KM Yu and Sandy To},
journal= {arXiv preprint arXiv:2104.03715},
year = {2021}
}