用于医学图像体素语义分割的边门控CNN
图像与视频处理
2020-02-12 v1 计算机视觉与模式识别
摘要
纹理和边缘为图像识别贡献不同的信息。边缘和边界编码形状信息，而纹理体现区域的外观。尽管卷积神经网络（CNNs）在计算机视觉和医学图像分析应用中取得了成功，但主要只学习了纹理抽象，这常导致不精确的边界描绘。在医学成像中，专家手动分割通常依赖于器官边界；例如，要手动分割肝脏，医师通常先识别边缘，然后填充分割掩码。受这些观察启发，我们提出了一个即插即用模块，称为边门控CNNs（EG-CNNs），可与现有编码器-解码器架构配合使用以处理边缘和纹理信息。EG-CNN学习在编码器中强调边缘，通过辅助边缘监督预测清晰边界，并将其输出与原始CNN输出融合。我们在两个公开数据集BraTS 19和KiTS 19上评估了EG-CNN与各种主流CNN对脑肿瘤和肾脏语义分割的有效性。我们展示了添加EG-CNN如何一致地提高分割精度和泛化性能。
引用
@article{arxiv.2002.04207,
title = {Edge-Gated CNNs for Volumetric Semantic Segmentation of Medical Images},
author = {Ali Hatamizadeh and Demetri Terzopoulos and Andriy Myronenko},
journal= {arXiv preprint arXiv:2002.04207},
year = {2020}
}