使用级联深度残差网络的自动肝脏病变检测
计算机视觉与模式识别
2017-05-23 v2
摘要
肝脏病变的自动分割是创建计算机辅助诊断（CAD）和决策支持系统（CDS）的基本需求。传统分割方法严重依赖手工特征和用户的先验知识。因此，这些方法难以在临床环境中采用。近来，基于全卷积网络（FCNs）的深度学习方法在许多分割问题中取得成功，主要是因为它们利用大型标注数据集分层学习最能对应待分割区域的浅层视觉外观及深层语义的特征。然而，基于16层VGGNet架构的FCNs增加额外层的能力有限。因此，对于FCNs而言，在不同类别间学习更具判别力的特征具有挑战性。在本研究中，我们利用深度残差网络（ResNet）克服这些限制以分割肝脏病变。ResNet在卷积层间包含跳跃连接，解决了极深网络中训练精度退化的问题，从而能够使用额外层学习更具判别力的特征。此外，我们通过一种新颖的具有多尺度融合的级联ResNet架构逐步实现更精确的边界定义，以逐渐学习和推断肝脏及肝脏病变的边界。我们的所提方法在ISBI 2017肝脏肿瘤分割挑战赛提交截止日期前取得第四名。
引用
@article{arxiv.1704.02703,
title = {Automatic Liver Lesion Detection using Cascaded Deep Residual Networks},
author = {Lei Bi and Jinman Kim and Ashnil Kumar and Dagan Feng},
journal= {arXiv preprint arXiv:1704.02703},
year = {2017}
}
备注
Submission for 2017 ISBI LiTS Challenge