使用 SpatialConfiguration-Net 且具有低 GPU 内存需求的高效多器官分割
图像与视频处理
2022-01-05 v2 计算机视觉与模式识别
机器学习
摘要
尽管存在许多能够在许多医学数据集上表现良好的语义分割方法，但它们通常并非为直接应用于临床实践而设计。两个主要问题是：对具有不同视觉外观的未见数据（例如使用不同扫描仪获取的图像）的泛化能力，以及在计算时间和所需图形处理器（GPU）内存方面的效率。在本工作中，我们采用了一个基于 SpatialConfiguration-Net (SCN) 的多器官分割模型，该模型整合了已标记器官之间空间配置的先验知识，以消除网络输出中的虚假响应。此外，我们修改了分割模型的架构，在不严重影响预测质量的前提下，尽可能减少其内存占用。最后，我们实现了一个最小化的推理脚本，并对其执行时间和所需 GPU 内存均进行了优化。
引用
@article{arxiv.2111.13630,
title = {Efficient Multi-Organ Segmentation Using SpatialConfiguration-Net with Low GPU Memory Requirements},
author = {Franz Thaler and Christian Payer and Horst Bischof and Darko Stern},
journal= {arXiv preprint arXiv:2111.13630},
year = {2022}
}