基于深度神经卷积网络的眼底图像分割中的凸形状先验
计算机视觉与模式识别
2020-05-18 v1
摘要
凸形状（CS）是眼底图像中视盘与视杯分割的常用先验。设计恰当的技术来表示凸形状十分重要。迄今为止，保证深度神经卷积网络（DCNN）输出的目标为凸形状仍是一个问题。在本工作中，我们提出一种可轻松集成到常用DCNN图像分割模型中并保证输出为凸形状的技术。该方法灵活，可处理多个目标并允许其中部分目标为凸。我们的方法基于DCNN中sigmoid激活函数的对偶表示。在对偶空间中，凸形状先验可通过形状二值表示上的简单二次约束来保证。此外，我们的方法还可利用软阈值动力学（STD）方法集成空间正则化与其他形状先验。该正则化可使分割目标的边界曲线同时光滑且凸。我们设计了一种非常稳定的活动集投影算法来数值求解我们的模型。该算法可形成一个称为CS-STD的新即插即用DCNN层，其输出必为凸目标的近二值分割。在CS-STD块中，凸性信息可在训练与预测过程的前向与反向传播中传播以引导DCNN。作为应用示例，我们将凸性先验层应用于视网膜眼底图像分割，以流行的DeepLabV3+作为骨干网络。在多个公开数据集上的实验结果表明，我们的方法高效且优于经典DCNN分割方法。
引用
@article{arxiv.2005.07476,
title = {Convex Shape Prior for Deep Neural Convolution Network based Eye Fundus Images Segmentation},
author = {Jun Liu and Xue-Cheng Tai and Shousheng Luo},
journal= {arXiv preprint arXiv:2005.07476},
year = {2020}
}