DenseSeg：使用密集图像到形状表示联合学习语义分割和地标检测
计算机视觉与模式识别
2024-12-17 v2
摘要
目的：语义分割和地标检测是医学图像处理的基本任务，有助于进一步分析解剖对象。尽管基于深度学习的像素级分类在分割方面达到了新水平，但在地标检测方面却不足，而这正是基于形状的方法的优势。方法：本文提出一种密集图像到形状的表示，通过全卷积架构实现地标和语义分割的联合学习。由于该方法表示了解剖对应关系，因此可以直观地提取任意地标。我们将我们的方法与语义分割的最新方法（nnUNet）、一种基于几何深度学习的形状方法以及一种基于卷积神经网络的地标检测方法进行了基准测试。结果：我们在两个医学数据集上评估了我们的方法：一个常见基准数据集包含胸部X光片的肺、心脏和锁骨，另一个包含小儿腕部的17块不同骨骼。在胸部X光片设置中，我们的方法与地标检测基线相当（误差mm：2.6±0.9 vs 2.7±0.9），但在更复杂的腕部设置中显著超越（1.1±0.6 vs 1.9±0.5）。结论：我们证明了密集几何形状表示对于具有挑战性的地标检测任务是有益的，并且优于之前使用热图回归的最新方法。同时，它不需要对地标本身进行显式训练，允许添加新地标而无需重新训练。
引用
@article{arxiv.2405.19746,
title = {DenseSeg: Joint Learning for Semantic Segmentation and Landmark Detection Using Dense Image-to-Shape Representation},
author = {Ron Keuth and Lasse Hansen and Maren Balks and Ronja Jäger and Anne-Nele Schröder and Ludger Tüshaus and Mattias Heinrich},
journal= {arXiv preprint arXiv:2405.19746},
year = {2024}
}