超越CNN：利用医学图像中进一步的内禀对称性进行分割
图像与视频处理
2020-05-11 v1 计算机视觉与模式识别
机器学习
摘要
在用于计算机辅助诊断的医学图像分析中，自动肿瘤分割是至关重要的一步。尽管基于卷积神经网络（CNN）的现有方法已取得最先进的性能，但医学肿瘤分割仍面临许多挑战。这是因为常规CNN只能利用平移不变性，忽略了医学图像中存在的进一步内禀对称性，如旋转和反射。为缓解这一缺陷，我们提出了一种新颖的群等变分割框架，通过编码这些内禀对称性来学习更精确的表示。首先，在每个方向上设计了基于核的等变操作，可有效解决现有方法在学习对称性时的不足。然后，为了保持分割网络的全局等变性，我们设计了具有逐层对称性约束的独特群层。通过利用进一步的对称性，新颖的分割CNN相较于常规CNN能大幅降低样本复杂度和滤波器冗余（约减少2/3）。更重要的是，基于我们新颖的框架，我们展示了全新构建的GER-UNet在真实临床数据上优于其常规基于CNN的对应模型及最先进的分割方法。具体而言，我们分割框架的群层可无缝集成到任何流行的基于CNN的分割架构中。
引用
@article{arxiv.2005.03924,
title = {Beyond CNNs: Exploiting Further Inherent Symmetries in Medical Images for Segmentation},
author = {Shuchao Pang and Anan Du and Mehmet A. Orgun and Yan Wang and Quanzheng Sheng and Shoujin Wang and Xiaoshui Huang and Zhemei Yu},
journal= {arXiv preprint arXiv:2005.03924},
year = {2020}
}