密集体到体血管边界检测
计算机视觉与模式识别
2016-05-27 v1
摘要
在这项工作中，我们提出了一种称为I2I-3D的新型3D卷积神经网络（CNN）架构，用于预测体数据中的边界位置。我们精细到精细（fine-to-fine）、深度监督的框架解决了3D边界检测的三个关键问题：（1）高效、整体、端到端的体标签训练与预测；（2）精确的体素级预测以捕获医学数据中普遍存在的精细尺度结构；（3）有向多尺度、多层次特征学习。我们在一个由93个具有广泛解剖区域和血管结构的医学图像体数据组成的数据集上评估了我们的方法。在此过程中，我们还引入了HED-3D，即最先进的2D边缘检测器（HED）的3D扩展。我们表明，我们的深度学习方法大幅优于当前3D血管边界检测的最先进水平（structured forests 3D），以及应用于切片的HED和HED-3D，同时成功定位精细结构。使用我们的方法，在典型的512x512x512体数据上边界检测耗时约一分钟。
引用
@article{arxiv.1605.08401,
title = {Dense Volume-to-Volume Vascular Boundary Detection},
author = {Jameson Merkow and David Kriegman and Alison Marsden and Zhuowen Tu},
journal= {arXiv preprint arXiv:1605.08401},
year = {2016}
}
备注
Accepted to MICCAI2016