用于医学图像分割的CapsNet
图像与视频处理
2022-03-18 v1 计算机视觉与模式识别
摘要
卷积神经网络（CNNs）已成功解决包括医学图像分割在内的计算机视觉任务，因其能从未结构化数据中自动提取特征。然而，CNNs对旋转与仿射变换敏感，且其成功依赖于捕获各种输入变化的大规模标注数据集。这种网络范式在规模上带来了挑战，因为获取用于医学分割的标注数据成本高昂，且受严格隐私法规限制。此外，基于CNNs的视觉表征学习有其固有缺陷，例如传统CNNs中的池化层倾向于丢弃位置信息，且CNNs在面对方向与尺寸不同的输入图像时往往失败。胶囊网络（CapsNet）是近期的新架构，通过以动态路由与卷积步长替代池化层，在表征学习中实现了更好的鲁棒性，并在分类、识别、分割与自然语言处理等流行任务上展现出潜力。与输出标量的CNNs不同，CapsNet返回向量输出，旨在保留部分-整体关系。本工作中，我们首先介绍CNNs的局限性与CapsNet的基本原理；接着给出CapsNet用于医学图像分割任务的近期进展；最后讨论用于实现2D图像与3D体数据医学图像分割CapsNet的多种有效网络架构。
引用
@article{arxiv.2203.08948,
title = {CapsNet for Medical Image Segmentation},
author = {Minh Tran and Viet-Khoa Vo-Ho and Kyle Quinn and Hien Nguyen and Khoa Luu and Ngan Le},
journal= {arXiv preprint arXiv:2203.08948},
year = {2022}
}
备注
Deep Learning for Medical Image Analysis, Elsevier/Academic Press (accepted)