通过自适应卷积层提升医学图像分割性能
图像与视频处理
2024-04-18 v1 计算机视觉与模式识别
摘要
医学图像分割在各种临床应用中发挥着关键作用，使能够准确描绘和分析解剖结构或病理区域。传统卷积神经网络（CNN）在该领域取得了显著成果。然而，它们往往依赖固定的卷积核大小，这会限制其在医学图像中的性能和适应性，因为图像特征呈现出多样的尺度和配置，取决于设备、靶标大小以及专家解释的差异。在本文中，我们提出一种自适应层置于领先的深度学习模型（如 UCTransNet）之前，根据输入图像的局部上下文动态调整卷积核大小。通过自适应捕获和融合多尺度特征，我们的方法增强了网络处理多种解剖结构和细微图像细节的能力，即使对于最近采用内部尺度模块（如 UCTransNet）的架构亦如此。对多个基准医学图像数据集进行大量实验，以评估我们方法的有效性。该方法在参数数量相似的情况下，始终优于具有固定卷积核大小的传统 CNN，实现了在流行数据集（如 SegPC2021 和 ISIC2018）上的 superior 分割准确率、Dice 系数和 IoU。该模型和数据已发布在开源仓库中，确保了我们有前景结果的透明度和可重复性。
引用
@article{arxiv.2404.11361,
title = {Boosting Medical Image Segmentation Performance with Adaptive Convolution Layer},
author = {Seyed M. R. Modaresi and Aomar Osmani and Mohammadreza Razzazi and Abdelghani Chibani},
journal= {arXiv preprint arXiv:2404.11361},
year = {2024}
}