上下文嵌入学习增强二维网络用于体积图像分割
图像与视频处理
2024-05-21 v2 计算机视觉与模式识别
摘要
体积医学图像中的器官分割在计算机辅助诊断和治疗/手术规划中起着重要作用。传统的二维卷积神经网络（CNN）难以利用体积数据的空间相关性。当前的3D CNN具有提取更强大体积表示的优势，但通常占用过多的内存和计算。在本研究中，我们旨在用上下文信息增强2D网络，以实现更好的体积图像分割。因此，我们提出了一种上下文嵌入学习方法，以帮助2D CNN正确捕获空间信息。我们的方法利用学习到的嵌入和逐片邻域匹配作为软线索来引导网络。通过这种方式，上下文信息可以逐片传递，从而增强网络的体积表示。在具有挑战性的前列腺MRI数据集（PROMISE12）和腹部CT数据集（CHAOS）上的实验表明，我们的上下文嵌入学习可以有效利用层间上下文并提高分割性能。所提出的方法是一种即插即用、内存高效的解决方案，用于增强2D网络的体积分割。我们的代码公开在 https://github.com/JuliusWang-7/CE_Block。
引用
@article{arxiv.2404.01723,
title = {Contextual Embedding Learning to Enhance 2D Networks for Volumetric Image Segmentation},
author = {Zhuoyuan Wang and Dong Sun and Xiangyun Zeng and Ruodai Wu and Yi Wang},
journal= {arXiv preprint arXiv:2404.01723},
year = {2024}
}
备注
15 pages, 9 figures