具有自适应深度监督的密集解码网络用于医学图像分割
计算机视觉与模式识别
2024-03-06 v2
摘要
使用深度神经网络进行医学图像分割已取得巨大成功。然而，这些网络的有效性往往受到密集预测不足和无法提取鲁棒特征的限制。为了实现精细的密集预测，我们提出了密集解码网络 (ddn)，通过选择性引入“支撑”网络连接。解码器每个上采样阶段中的此类“支撑”连接能够：(1) 通过结合编码器的高分辨率特征增强目标定位；(2) 通过促进多阶段上下文信息流改善分割效果。此外，我们提出了一种基于自适应深度监督 (ads) 的训练策略，该策略利用并适应输入数据集的特定属性，以实现鲁棒的特征提取。具体而言，ads 通过将平均输入物体尺寸与网络的逐层有效感受野 (lerf) 相匹配，策略性地定位并部署辅助监督，从而形成一类 ddns。这种来自特定隐藏层的“伴随目标”的引入，有助于模型密切关注某些依赖于输入的独特特征，否则网络在训练过程中可能会“忽略”这些特征。我们在四种不同模态的多样化数据集上验证了我们的新网络和训练策略，证明了其有效性。
引用
@article{arxiv.2402.02649,
title = {Densely Decoded Networks with Adaptive Deep Supervision for Medical Image Segmentation},
author = {Suraj Mishra and Danny Z. Chen},
journal= {arXiv preprint arXiv:2402.02649},
year = {2024}
}