用于像素级肝脏与肿瘤分割的瓶颈监督 U-Net
计算机视觉与模式识别
2019-03-14 v2 人工智能
摘要
本文提出一种用于肝脏与肿瘤分割的瓶颈监督(BS) U-Net 模型。我们的主要贡献如下:首先,我们提出了原始 U-Net 的一种变体,在编码路径中融入了密集模块、Inception 模块和空洞卷积;其次,我们提出了一种瓶颈监督(BS) U-Net,其包含一个编码 U-Net 和一个分割 U-Net。为训练 BS U-Net,首先训练编码 U-Net 以获得包含解剖信息(形状与位置)的标签图编码;随后,利用该信息引导分割 U-Net 的训练,以保留目标对象的解剖特征。更具体地,分割 U-Net 的损失函数设为 dice 损失与编码和瓶颈特征向量之间 MSE 损失的加权平均值。该模型应用于一个公开的肝脏与肿瘤 CT 扫描数据集。实验结果表明,BS U-Net 在取得优异整体分割性能的同时,在控制形状畸变、减少假阳性和假阴性案例方面也表现突出。
引用
@article{arxiv.1810.10331,
title = {Bottleneck Supervised U-Net for Pixel-wise Liver and Tumor Segmentation},
author = {Song Li and Geoffrey Kwok Fai Tso},
journal= {arXiv preprint arXiv:1810.10331},
year = {2019}
}
备注
21 pages, 9 figures, 3 tables