用于误差图预测的协同边界感知上下文编码网络
图像与视频处理
2022-01-19 v1 计算机视觉与模式识别
摘要
医学图像分割通常被视为临床情境与医学影像研究中最关键的中间步骤之一。因此，准确评估自动生成预测的分割质量对于保证计算机辅助诊断（CAD）结果的可靠性至关重要。许多研究者应用神经网络训练分割质量回归模型，以在无标注真值的新的数据队列上估计分割质量。近来，一种新思路被提出，将分割质量评估（SQA）问题转化为分割形式的逐像素误差图预测任务。然而，在医学图像中简单使用普通分割结构难以检测自动生成掩膜中具复杂解剖结构的一些细小且薄的误差区域。本文提出用于误差预测任务的称为 AEP-Net 的协同边界感知上下文编码网络。具体而言，我们提出协同特征变换分支以更好地实现图像与掩膜间的特征融合及误差区域的精确定位。进一步，我们提出上下文编码模块，利用误差图的全局预测来增强特征表示并正则化网络。我们在 IBSR v2.0 数据集与 ACDC 数据集上开展实验。AEP-Net 在误差预测任务上取得平均 DSC 0.8358、0.8164，并在 IBSR v2.0 数据集上展现出实际分割精度与由预测误差图推断的预测精度间 0.9873 的高皮尔逊相关系数，验证了 AEP-Net 的有效性。
引用
@article{arxiv.2006.14345,
title = {Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction},
author = {Zhenxi Zhang and Chunna Tian and Jie Li and Zhusi Zhong and Zhicheng Jiao and Xinbo Gao},
journal= {arXiv preprint arXiv:2006.14345},
year = {2022}
}