DCAN：用于精确腺体分割的深度轮廓感知网络
计算机视觉与模式识别
2016-04-12 v1
摘要
腺体的形态已被病理学家常规用于评估腺癌的恶性程度。从组织学图像中准确分割腺体是获取可靠形态学统计以进行定量诊断的关键步骤。在本文中，我们提出了一种高效的深度轮廓感知网络（DCAN），在统一的多任务学习框架下解决这一挑战性问题。在所提出的网络中，利用辅助监督探索来自分层架构的多级上下文特征，以实现准确的腺体分割。当在训练期间结合多任务正则化时，中间特征的判别能力可得到进一步提升。此外，我们的网络不仅能输出准确的腺体概率图，还能同时描绘清晰的轮廓以分离聚集对象，这进一步提升了腺体分割性能。该统一框架在应用于大规模组织病理学数据时高效，无需借助基于低级线索生成轮廓的额外步骤进行后期分离。我们的方法在2015年MICCAI腺体分割挑战赛中从13支竞争队伍中胜出，大幅超越所有其他方法。
引用
@article{arxiv.1604.02677,
title = {DCAN: Deep Contour-Aware Networks for Accurate Gland Segmentation},
author = {Hao Chen and Xiaojuan Qi and Lequan Yu and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:1604.02677},
year = {2016}
}