结合全卷积神经网络与循环神经网络用于三维生物医学图像分割
计算机视觉与模式识别
2021-03-23 v2
摘要
三维图像分割是生物医学图像分析中的一个基本问题。深度学习（DL）方法已实现了最先进的分割性能。为了利用神经网络开发三维上下文信息，已知的深度学习分割方法（包括三维卷积、在正交于二维图像切片的平面上的二维卷积，以及多方向的 LSTM）均与常见三维生物医学图像中高度各向异性的维度不兼容。本文提出了一种用于三维图像分割的新的深度学习框架，基于全卷积网络（FCN）与循环神经网络（RNN）的结合，二者分别负责利用切片内与切片间的上下文信息。据我们所知，这是首个明确利用三维图像各向异性的三维图像分割深度学习框架。使用来自 ISBI 神经元结构分割挑战赛的数据集以及用于三维真菌分割的内部图像堆栈进行评估，与已知的基于深度学习的三维分割方法相比，我们的方法取得了令人满意的结果。
引用
@article{arxiv.1609.01006,
title = {Combining Fully Convolutional and Recurrent Neural Networks for 3D Biomedical Image Segmentation},
author = {Jianxu Chen and Lin Yang and Yizhe Zhang and Mark Alber and Danny Z. Chen},
journal= {arXiv preprint arXiv:1609.01006},
year = {2021}
}