多切片输入对用于医学图像分割的卷积神经网络的评估
图像与视频处理
2020-11-17 v2 计算机视觉与模式识别
机器学习
机器学习
摘要
当使用卷积神经网络（CNNs）分割医学图像中的器官与病灶时，常规做法是把输入与输出当作单切片（2D）或整个体数据（3D）来处理。本研究中记为一种伪3D的常见替代方案，是使用一叠相邻切片作为输入，并对至少中心切片给出预测。该方法使网络有可能捕获3D空间信息，且仅带来微小的额外计算开销。在本研究中，我们系统性地评估了这一伪3D方案的分割性能与计算代价随输入切片数量的变化，并将结果与常规的端到端2D及3D CNNs比较。标准伪3D方法将相邻切片视为多个输入图像通道。我们还额外评估了一种简单方法：输入栈作为体数据输入，经3D重复卷积得到2D特征图，该2D图进而送入标准2D网络。我们使用两种不同的CNN骨干架构，在涵盖不同解剖区域、成像模态与分割任务的五个异构数据集上开展实验。我们发现，尽管两种伪3D方法都能一次性处理大量切片，且在计算上仍远比全3D CNNs高效，但相对于常规2D CNN的显著改进仅在五个数据集之一上观察到。对分割掩模结构属性的分析显示其与随输入切片数的分割性能无关联。因此结论是，在一般情况下，多切片输入相较于使用2D或3D CNN似乎不能显著改善分割结果。
引用
@article{arxiv.1912.09287,
title = {Evaluation of Multi-Slice Inputs to Convolutional Neural Networks for Medical Image Segmentation},
author = {Minh H. Vu and Guus Grimbergen and Tufve Nyholm and Tommy Löfstedt},
journal= {arXiv preprint arXiv:1912.09287},
year = {2020}
}