CAggNet：用于医学图像分割的交叉聚合网络
图像与视频处理
2020-11-10 v2 机器学习
机器学习
摘要
在本文中，我们提出交叉聚合网络(CAggNet)，一种用于医学图像分析的新型密集连接语义分割方法。该交叉聚合网络改进了深层聚合的思想，并在语义与空间信息融合方面作出显著创新。在 CAggNet 中，一般 U-Net 的简单跳跃连接结构被多级下采样与上采样层的聚合所替代，这是一种嵌套跳跃连接的新形式。该聚合架构使网络能够在语义分割中交互式地融合粗粒度与细粒度特征。它还在网络末端引入加权聚合模块以对多尺度输出进行上采样。我们在两个公开医学图像数据集上评估并比较了我们的 CAggNet 与几种先进的基于 U-Net 的方法，包括 2018 Data Science Bowl 细胞核检测数据集与 2015 MICCAI 腺体分割竞赛数据集。实验结果表明，与现有的改进 U-Net 及 UNet++ 结构相比，CAggNet 改善了医学对象识别并实现了更准确高效的分割。
引用
@article{arxiv.2004.08237,
title = {CAggNet: Crossing Aggregation Network for Medical Image Segmentation},
author = {Xu Cao and Yanghao Lin},
journal= {arXiv preprint arXiv:2004.08237},
year = {2020}
}
备注
Accepted by ICPR 2020