面向通用医学图像分割的聚类传播方法
计算机视觉与模式识别
2024-03-26 v1
摘要
医学图像分割的突出解决方案通常是为自动或交互式设置量身定制的，这给将一项任务中取得的进展推广到另一项任务带来了挑战。这也需要为每项任务配备单独的模型，导致训练时间和参数加倍。为了解决上述问题，我们引入了 S2VNet，一个通用框架，它利用切片到体积 (Slice-to-Volume) 传播，在单一模型和一次训练会话中统一了自动/交互式分割。受基于聚类的分割技术启发，S2VNet 充分利用了体积数据的逐切片结构，通过从前一切片的聚类结果初始化聚类中心。这使得从先前切片获取的知识能够辅助当前切片的分割，进一步仅使用 2D 网络高效地桥接远程切片之间的通信。此外，这样的框架无需架构更改即可轻松适应交互式分割，只需通过用户输入初始化质心。S2VNet 以其与主流 3D 解决方案相比更快的推理速度和更低的内存消耗而脱颖而出。它还可以处理多类交互，每类交互用于初始化不同的质心。在三个基准数据集上的实验表明，S2VNet 在自动和交互式设置上均超越了特定任务的解决方案。
引用
@article{arxiv.2403.16646,
title = {Clustering Propagation for Universal Medical Image Segmentation},
author = {Yuhang Ding and Liulei Li and Wenguan Wang and Yi Yang},
journal= {arXiv preprint arXiv:2403.16646},
year = {2024}
}
备注
Accepted by CVPR2024