桥接 2D 与 3D 分割网络以实现计算高效的体医学图像分割：2.5D 方案的实证研究
图像与视频处理
2022-02-08 v2 计算机视觉与模式识别
摘要
近来，深度卷积神经网络在医学图像分割中取得了巨大成功。然而，与自然图像分割不同，大多数医学图像（如 MRI 和 CT）都是体数据。为充分利用体信息，3D CNN 被广泛使用。但 3D CNN 存在推理时间与计算成本更高的问题，阻碍了其进一步的临床应用。此外，随着参数数量增加，过拟合风险更高，尤其对于数据和标注获取昂贵的医学图像而言。为解决此问题，许多 2.5D 分割方法被提出，以更低的计算成本利用体空间信息。尽管这些工作在各种分割任务上带来了改进，但据我们所知，此前尚未对这些方法进行大规模实证比较。本文旨在综述用于体医学图像分割的 2.5D 方法的最新进展。此外，为比较这些方法的性能与有效性，我们在涉及不同模态与目标的三个代表性分割任务上提供了这些方法的实证研究。我们的实验结果强调，3D CNN 未必总是最佳选择。尽管所有这些 2.5D 方法都能为 2D 基线带来性能增益，但并非所有方法在不同数据集上都保持优势。我们希望本研究的结论与结果对学界探索和发展高效的体医学图像分割方法有所裨益。
引用
@article{arxiv.2010.06163,
title = {Bridging 2D and 3D Segmentation Networks for Computation Efficient Volumetric Medical Image Segmentation: An Empirical Study of 2.5D Solutions},
author = {Yichi Zhang and Qingcheng Liao and Le Ding and Jicong Zhang},
journal= {arXiv preprint arXiv:2010.06163},
year = {2022}
}
备注
Computerized Medical Imaging and Graphics