超越 CNN：在医学图像分割中利用更深层的固有对称性
图像与视频处理
2022-08-01 v1 计算机视觉与模式识别
机器学习
摘要
自动肿瘤或病灶分割是计算机辅助诊断中医学图像分析的关键步骤。尽管基于卷积神经网络（CNNs）的现有方法已取得最先进的性能，医学肿瘤分割仍面临诸多挑战。这是因为，虽然人类视觉系统能有效检测二维图像中的对称性，常规 CNN 只能利用平移不变性，忽略了医学图像中存在的如旋转和反射等进一步固有对称性。为解决此问题，我们提出一种新颖的群等变分割框架，通过编码这些固有对称性来学习更精确的表示。首先，在各取向上设计基于核的等变操作，使其有效弥补现有方法在学习对称性上的不足。随后，为使分割网络保持全局等变，我们设计了具有逐层对称性约束的独特群层。最后，基于我们的新框架，在真实临床数据上的大量实验表明，群等变 Res-UNet（命名为 GER-UNet）在肝脏肿瘤分割、COVID-19 肺部感染分割和视网膜血管检测任务上优于常规基于 CNN 的对应方法及最先进的分割方法。更重要的是，新构建的 GER-UNet 在降低样本复杂度和滤波器冗余、升级现有分割 CNN 以及在其他医学成像模态上勾画器官方面也展现出潜力。
引用
@article{arxiv.2207.14472,
title = {Beyond CNNs: Exploiting Further Inherent Symmetries in Medical Image Segmentation},
author = {Shuchao Pang and Anan Du and Mehmet A. Orgun and Yan Wang and Quan Z. Sheng and Shoujin Wang and Xiaoshui Huang and Zhenmei Yu},
journal= {arXiv preprint arXiv:2207.14472},
year = {2022}
}
备注
this work was just accepted by IEEE Transactions on Cybernetics on 22 July 2022. arXiv admin note: substantial text overlap with arXiv:2005.03924