用于 3D 医学图像分割的弹性边界投影
计算机视觉与模式识别
2020-06-09 v2
摘要
我们关注一个重要且具有挑战性的问题：使用 2D 深度网络处理医学图像分析中的 3D 分割。现有方法或采用多视角平面（2D）网络，或直接使用体（3D）网络，但均不理想：2D 网络无法有效捕获 3D 上下文，而 3D 网络由于缺少预训练模型，既耗费内存又稳定性较差。本文利用一种名为弹性边界投影（EBP）的新方法弥合 2D 与 3D 之间的鸿沟。关键观察是：尽管物体是 3D 体，但分割中真正需要的是找到其边界——一个 2D 表面。因此，我们在 3D 空间中放置若干枢轴点，对每个枢轴，沿密集方向集确定其到物体边界的距离。这围绕每个枢轴生成一个初始化为完美球体的弹性壳。我们训练一个 2D 深度网络来判断每个端点是否落在物体内，并逐步调整壳体使其收敛到边界的实际形状，从而实现分割目标。EBP 无需将 3D 体切为切片或块即可进行基于边界的分割，有别于常规 2D 与 3D 方法。EBP 在腹部器官分割中取得了有前景的精度。我们的代码已开源 https://github.com/twni2016/Elastic-Boundary-Projection。
引用
@article{arxiv.1812.00518,
title = {Elastic Boundary Projection for 3D Medical Image Segmentation},
author = {Tianwei Ni and Lingxi Xie and Huangjie Zheng and Elliot K. Fishman and Alan L. Yuille},
journal= {arXiv preprint arXiv:1812.00518},
year = {2020}
}
备注
Accepted to CVPR 2019