CLCI-Net：用于慢性卒中病灶分割的跨层级融合与上下文推断网络
图像与视频处理
2021-02-17 v2 计算机视觉与模式识别
摘要
从T1加权MR图像中分割卒中病灶对于大规模卒中康复神经影像分析具有重要价值。然而，该任务面临诸多挑战，例如卒中病灶尺度范围大以及组织强度相似等问题。著名的编码器-解码器卷积神经网络虽然在医学图像分割领域取得了巨大成就，但由于对多尺度特征与上下文信息的利用不足，可能难以应对这些挑战。为应对这些挑战，本文提出一种跨层级融合与上下文推断网络（CLCI-Net），用于从T1加权MR图像中分割慢性卒中病灶。具体而言，我们设计了跨层级特征融合（CLF）策略，以充分利用不同层级间的不同尺度特征；通过将空洞空间金字塔池化（ASPP）与CLF相结合，丰富了多尺度特征以处理不同的病灶尺寸；此外，采用卷积长短期记忆（ConvLSTM）推断上下文信息，从而捕获精细结构以解决强度相似问题。所提方法在一个开源数据集——卒中后病灶解剖追踪（ATLAS）上进行了评估，结果表明我们的网络优于五种最先进的方法。我们的代码与模型已发布于 https://github.com/YH0517/CLCI_Net。
引用
@article{arxiv.1907.07008,
title = {CLCI-Net: Cross-Level fusion and Context Inference Networks for Lesion Segmentation of Chronic Stroke},
author = {Hao Yang and Weijian Huang and Kehan Qi and Cheng Li and Xinfeng Liu and Meiyun Wang and Hairong Zheng and Shanshan Wang},
journal= {arXiv preprint arXiv:1907.07008},
year = {2021}
}