征服分辨率中的数据差异：一种切片感知的多分支解码器网络
图像与视频处理
2022-03-09 v1 计算机视觉与模式识别
摘要
全卷积神经网络在肝脏与肝肿瘤联合分割中取得了可喜进展。本文未延续关于 2D 与 3D 网络之争（例如追求大规模 2D 预训练与 3D 上下文之间的平衡），而是新颖地指出切片内与切片间分辨率比值上的广泛差异是制约性能的关键障碍。为应对切片内与切片间信息的不匹配，我们提出了一种切片感知的 2.5D 网络，强调利用每个单独切片的平面内语义与平面外连贯性来提取判别性特征。具体而言，我们给出了一种切片级多输入多输出架构来实现该设计范式，其包含具有切片中心注意力块（SAB）的多分支解码器（MD）以学习切片特定特征，以及密集连接 Dice（DCD）损失以正则化切片间预测使其连贯且连续。基于上述创新，我们在 MICCAI 2017 肝肿瘤分割（LiTS）数据集上取得了最先进的结果。此外，我们还在 ISBI 2019 胸部危险器官分割（SegTHOR）数据集上测试了模型，结果证明了所提方法在其他分割任务中的鲁棒性与泛化能力。
引用
@article{arxiv.2203.03640,
title = {Conquering Data Variations in Resolution: A Slice-Aware Multi-Branch Decoder Network},
author = {Shuxin Wang and Shilei Cao and Zhizhong Chai and Dong Wei and Kai Ma and Liansheng Wang and Yefeng Zheng},
journal= {arXiv preprint arXiv:2203.03640},
year = {2022}
}
备注
Published by IEEE TMI