DMC-Net：用于 CT 图像胰腺分割的轻量级动态多尺度和多分辨率卷积网络
图像与视频处理
2024-10-04 v1 计算机视觉与模式识别
摘要
卷积神经网络 (CNN) 在医学图像分割方面显示出巨大的有效性。然而，它们在建模器官形状和尺寸的大幅差异方面可能受限，以及利用全局长程上下文信息方面不足。这是因为 CNN 通常采用固定大小的局部感受野的卷积，缺乏利用全局信息的机制。为此，我们开发了动态多分辨率卷积 (DMRC) 和动态多尺度卷积 (DMSC) 模块。这两个模块通过增强单个卷积的表示能力，以捕获不同尺度的特征和全局上下文信息。通过在不同分辨率的图像上使用卷积滤波器，然后利用动态机制来建模特征之间的全局相互依赖性，来实现 DMRC 模块。相比之下，DMSC 模块通过采用不同核大小的卷积来提取不同尺度的特征，并利用动态机制来提取全局上下文信息。在 DMSC 模块中使用不同核大小的卷积可能会增加计算复杂度。为减轻这一负担，我们提出使用大核大小卷积层的轻量级设计。因此，DMSC 和 DMRC 模块设计为单个卷积的轻量级即插即用替换模块，它们可以轻易集成到通用的 CNN 架构中进行端到端训练。将我们的 DMSC 和 DMRC 模块纳入标准 U-Net 架构后提出的分割网络，称为动态多尺度和多分辨率卷积网络 (DMC-Net)。结果表明，我们提出的 DMSC 和 DMRC 能够增强单个卷积的表示能力并提高分割精度。
引用
@article{arxiv.2410.02129,
title = {DMC-Net: Lightweight Dynamic Multi-Scale and Multi-Resolution Convolution Network for Pancreas Segmentation in CT Images},
author = {Jin Yang and Daniel S. Marcus and Aristeidis Sotiras},
journal= {arXiv preprint arXiv:2410.02129},
year = {2024}
}
备注
14 pages, 4 figures