DFENet：一种用于脑MRI分割的维度融合边缘引导网络
图像与视频处理
2021-10-25 v3 计算机视觉与模式识别
信号处理
摘要
近年来脑卒中发病率的快速上升，推动了从脑MRI图像中快速、准确分割卒中病灶的需求。随着深度学习的发展，缺血性脑卒中病灶的计算机辅助与分割方法已有助于临床医生的早期诊断和治疗规划。然而，此类方法大多因无法从MRI体数据中充分捕获上下文特征，而导致分割结果不准确、不可靠。为此，已有研究提出3D卷积神经网络，但其计算需求巨大。为缓解这些问题，我们提出一种新颖的维度融合边缘引导网络（DFENet），通过融合2D与3D CNN的特征来满足上述两方面需求。与其他方法不同，我们所提网络采用并行部分解码器（PPD）模块来聚合与上采样富含重要上下文信息的选定特征。此外，我们使用边缘引导与增强混合损失来持续监督并改进网络的学习过程。所提方法在公开可用的Anatomical Tracings of Lesions After Stroke（ATLAS）数据集上评估，得到的均值DSC、IoU、精确率与召回率分别为0.5457、0.4015、0.6371与0.4969。与其他最先进方法相比，结果以显著优势优于它们。因此，所提模型鲁棒、准确、优于现有方法，并可望应用于生物医学领域。
引用
@article{arxiv.2105.07962,
title = {DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI Segmentation},
author = {Hritam Basak and Rukhshanda Hussain and Ajay Rana},
journal= {arXiv preprint arXiv:2105.07962},
year = {2021}
}
备注
Submitted at SN Computer Science