用于脑肿瘤分割的深度循环水平集
计算机视觉与模式识别
2018-10-12 v1
摘要
变分水平集(VLS)是一种广泛使用的医学分割方法。然而,在处理光照、阴影、颜色等干预因素时,VLS方法的分割精度急剧下降。此外,结果对初始设置相当敏感,并且高度依赖于迭代次数。为了解决这些局限性,所提方法将VLS引入深度学习,定义了一种称为深度循环水平集(DRLS)的新型端到端可训练模型。所提DRLS由三层组成,即卷积层、带跳跃连接的反卷积层和水平集层。以脑肿瘤分割为例来说明所提DRLS的性能。卷积层在不同尺度上学习脑肿瘤的视觉表示。由于脑肿瘤在图像中占据很小部分,反卷积层设计有跳跃连接以获得高质量特征图。水平集层驱动轮廓朝向脑肿瘤。在每一步中,卷积层以水平集图作为输入以获得脑肿瘤特征图。这反过来又作为下一步中水平集层的输入。实验结果为在BRATS2013、BRATS2015和BRATS2017数据集上获得。与经典的基于VLS的方法相比,所提DRLS模型同时改进了计算时间和分割精度。此外,一个完全端到端的系统DRLS在脑肿瘤分割上达到了最先进水平(state-of-the-art)。
引用
@article{arxiv.1810.04752,
title = {Deep Recurrent Level Set for Segmenting Brain Tumors},
author = {T. Hoang Ngan Le and Raajitha Gummadi and Marios Savvides},
journal= {arXiv preprint arXiv:1810.04752},
year = {2018}
}