基于深度学习的虚拟韩国人项目头部断层图像自动分割方法比较
计算机视觉与模式识别
2017-03-16 v1
摘要
本文基于深度卷积神经网络 (DCNNs) 提出了一种针对虚拟韩国人 (VKH) 项目头部断层图像的端到端像素级全自动分割方法。通过将分类网络转换为全卷积网络 (FCNs)，可以创建一个尺寸小于原始输入图像的粗略预测图用于分割。为了细化该图并获得密集的像素级输出，标准 FCNs 使用反卷积层对粗略图进行上采样。然而，基于反卷积的上采样增加了网络参数的数量，并由于插值而导致细节丢失。另一方面，空洞卷积是最近引入的一种新技术，它试图在不增加网络参数的情况下捕获多尺度上下文信息，同时保持预测图的高分辨率。我们使用标准 FCN 和基于空洞卷积的 FCN 对 VKH 数据集的头部断层图像进行语义分割。定量结果表明，使用带空洞卷积的 FCNs 可使分割精度提高约 20%。
引用
@article{arxiv.1703.04967,
title = {Comparison of the Deep-Learning-Based Automated Segmentation Methods for the Head Sectioned Images of the Virtual Korean Human Project},
author = {Mohammad Eshghi and Holger R. Roth and Masahiro Oda and Min Suk Chung and Kensaku Mori},
journal= {arXiv preprint arXiv:1703.04967},
year = {2017}
}
备注
Accepted for presentation at the 15th IAPR Conference on Machine Vision Applications (MVA2017), Nagoya, Japan