利用空间变换网络进行尺寸与姿态同质化以改进并加速儿科图像分割
计算机视觉与模式识别
2021-07-07 v1 人工智能
机器学习
图像与视频处理
机器学习
摘要
由于姿态与尺寸的高度异质性以及可用数据有限，儿科图像分割对深度学习方法而言颇具挑战。本工作中，我们提出一种借助空间变换网络 (STN) 实现姿态与尺度不变性的新型 CNN 架构。该架构由三个在训练中共同估计的串行模块组成：(i) 回归模块，估计相似变换矩阵以将输入图像归一化至参考图像；(ii) 可微分模块，定位待分割感兴趣区域；(iii) 基于流行 UNet 架构的分割模块，勾画目标对象。与原始 UNet 试图从有限训练集学习包含姿态与尺度变化的复杂映射不同，我们的分割模块学习聚焦于归一化姿态与尺寸图像的更简映射。此外，通过 STN 自动边界框检测在保持相似性能的同时节省时间尤其是内存。我们在腹部儿科 CT 的肾脏与肾肿瘤分割上测试所提方法。结果表明，相较于标准数据增强 (33h)，所估计的 STN 尺寸与姿态同质化加速分割 (25h)，同时肾脏质量相似 (Dice 分数 88.01%)，并改善肾肿瘤勾画 (由 85.52% 提升至 87.12%)。
引用
@article{arxiv.2107.02655,
title = {Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation},
author = {Giammarco La Barbera and Pietro Gori and Haithem Boussaid and Bruno Belucci and Alessandro Delmonte and Jeanne Goulin and Sabine Sarnacki and Laurence Rouet and Isabelle Bloch},
journal= {arXiv preprint arXiv:2107.02655},
year = {2021}
}
备注
ISBI 2021