基于数据交换方法的快速准确三维医学图像分割
机器学习
2018-12-20 v1 计算机视觉与模式识别
性能
机器学习
摘要
用于医学图像分割的深度神经网络模型规模较大，因为它们以高分辨率三维（3D）图像训练。图形处理单元（GPU）被广泛用于加速训练。然而，GPU 上的内存不足以训练这些模型。解决此问题的一种流行方法是基于块的方法，它将大图像划分为小块并用这些小块训练模型。但若目标物体跨越多个块，该方法会降低分割质量。本文提出一种用于三维医学图像分割的新方法，利用数据交换（将中间数据从 GPU 内存换出到 CPU 内存以扩大有效 GPU 内存），在不分块的情况下训练高分辨率三维医学图像。我们仔细调整数据交换方法中的参数，为广泛用于医学图像分割的深度神经网络模型 3D U-Net 获得最佳训练性能。我们将调优应用于以脑肿瘤数据集中 192 x 192 x 192 体素的全尺寸图像训练 3D U-Net。结果，最为关键的通信开销降低了 17.1%。与 128 x 128 x 128 体素块的基于块方法相比，我们的全尺寸图像训练在检测全肿瘤子区域和肿瘤核心子区域上的平均 Dice 分数分别提高了 4.48% 和 5.32%。总训练时间由 164 小时减至 47 小时，实现了 3.53 倍加速。
引用
@article{arxiv.1812.07816,
title = {Fast and Accurate 3D Medical Image Segmentation with Data-swapping Method},
author = {Haruki Imai and Samuel Matzek and Tung D. Le and Yasushi Negishi and Kiyokuni Kawachiya},
journal= {arXiv preprint arXiv:1812.07816},
year = {2018}
}
备注
13 pages