CFPNet-M：一种基于轻量编码-解码器的多模态生物医学图像实时分割网络
计算机视觉与模式识别
2021-06-01 v2 图像与视频处理
摘要
当前，深度学习技术的发展正为医学图像中模式的识别、分类与量化提供重要工具。分割是医学图像分析的重要应用之一。就此而言，U-Net 是医学图像分割任务的主流方法。然而，我们发现那些基于 U-Net 的模型在若干方面存在局限，例如 U-Net 中数百万参数消耗大量计算资源与内存、缺乏全局信息以及遗漏某些困难目标。因此，我们应用两处改进以提升 U-Net 模型：1) 设计并添加通道级空洞 CNN 模块，2) 简化 U 形网络。基于这两处改进，我们提出了一种新颖的轻量架构——面向医学的通道级特征金字塔网络（CFPNet-M）。为评估我们的方法，我们选取了具有不同模态的五个数据集：热成像、电子显微镜、内窥镜、皮肤镜和数字视网膜图像。并将其性能与若干具有不同参数规模的模型进行比较。本文也涉及我们此前对 DC-UNet 的研究以及一些常用的轻量神经网络。我们对灰度图像测量应用 Tanimoto 相似度替代 Jaccard 指数。通过比较，CFPNet-M 在所有五个医学数据集上以仅 0.65 百万参数（约为 U-Net 的 2%）和 8.8 MB 内存取得了可比的分割结果。同时，在单块 RTX 2070Ti GPU 上以 256×192 像素输入尺寸，推理速度可达 80 FPS。
引用
@article{arxiv.2105.04075,
title = {CFPNet-M: A Light-Weight Encoder-Decoder Based Network for Multimodal Biomedical Image Real-Time Segmentation},
author = {Ange Lou and Shuyue Guan and Murray Loew},
journal= {arXiv preprint arXiv:2105.04075},
year = {2021}
}