DEFN：用于三维模糊边界目标分割的双编码器傅里叶群谐波网络
图像与视频处理
2024-06-21 v2 计算机视觉与模式识别
摘要
对模糊边界医学目标的精确空间与定量描绘对于诊断方案的准确性、手术干预的有效性以及术后评估的可靠性至关重要。尽管其意义重大，有效的分割与即时三维重建仍受到可用数据集中代表性样本匮乏及噪声伪影的显著阻碍。为克服这些挑战，我们引入随机缺陷注入（SDi）以增强训练语料库中难例模糊边界目标的表征多样性。据此，我们提出双编码器傅里叶群谐波网络（DEFN），以定制噪声滤波、增强细节特征识别并强化跨多种医学成像场景的表征。通过融入动态权重组合（DWC）损失，依据训练进程动态调整模型关注点，DEFN在OIMHS公开数据集上取得了SOTA性能，展现了在模糊边界情境下的有效性。DEFN的源代码可在 https://github.com/IMOP-lab/DEFN-pytorch 获取。
引用
@article{arxiv.2311.00483,
title = {DEFN: Dual-Encoder Fourier Group Harmonics Network for Three-Dimensional Indistinct-Boundary Object Segmentation},
author = {Xiaohua Jiang and Yihao Guo and Jian Huang and Yuting Wu and Meiyi Luo and Zhaoyang Xu and Qianni Zhang and Xingru Huang and Hong He and Shaowei Jiang and Jing Ye and Mang Xiao},
journal= {arXiv preprint arXiv:2311.00483},
year = {2024}
}
备注
36pages,16figures,7tables