用体素融合网络弥合 2D 与 3D 器官分割之间的鸿沟
计算机视觉与模式识别
2018-06-12 v2
摘要
关于使用 2D 还是 3D 深度神经网络进行体素器官分割一直存在争论。2D 与 3D 模型各有优劣。本文提出一种替代框架：在不同视角上训练 2D 网络进行分割，并构建 3D 体素融合网络（VFN）来融合 2D 分割结果。VFN 相对较浅，且参数远少于大多数 3D 网络，使我们的框架在整合 3D 信息用于分割时更为高效。我们分别对分割与融合模块进行训练与测试，并提出一种称为交叉-交叉增强的新策略，以充分利用有限的训练数据。我们在若干具有挑战性的腹部器官上评估了框架，并验证了其在分割精度与稳定性上优于现有 2D 与 3D 方法。
引用
@article{arxiv.1804.00392,
title = {Bridging the Gap Between 2D and 3D Organ Segmentation with Volumetric Fusion Net},
author = {Yingda Xia and Lingxi Xie and Fengze Liu and Zhuotun Zhu and Elliot K. Fishman and Alan L. Yuille},
journal= {arXiv preprint arXiv:1804.00392},
year = {2018}
}
备注
8 pages, 2 figures, accepted to MICCAI 2018