FCSN：通过学习医学图像中物体的傅里叶系数实现全局上下文感知分割
图像与视频处理
2022-08-01 v1 计算机视觉与模式识别
摘要
编码器-解码器模型是用于医学图像分割的常用深度神经网络（DNN）模型。常规编码器-解码器模型作逐像素预测，严重聚焦于像素周围的局部模式。这使其难以给出保持物体形状与拓扑的分割，而后者常需理解物体的全局上下文。本工作中，我们提出傅里叶系数分割网络（FCSN）——一种新颖的基于 DNN 的模型，通过学习物体掩膜的复傅里叶系数来分割物体。傅里叶系数通过对整个轮廓积分得到。因此，为使模型精确估计系数，模型被激励去融合物体的全局上下文，从而实现更精准的形状分割。这种全局上下文感知也令我们的模型对推理时未见的局部扰动具有鲁棒性，如医学图像中普遍存在的加性噪声或运动模糊。当 FCSN 在 3 项医学图像分割任务（ISIC_2018、RIM_CUP、RIM_DISC）上与其他最先进模型（UNet+、DeepLabV3+、UNETR）比较时，FCSN 分别在 3 项任务上取得显著更低的 Hausdorff 分数 19.14（6%）、17.42（6%）和 9.16（14%）。此外，FCSN 通过舍弃带来显著计算开销的解码器模块而轻量化。FCSN 仅需 22.2M 参数，比 UNETR 和 DeepLabV3+ 分别少 82M 和 10M 参数。FCSN 的推理与训练速度达 1.6ms/图与 6.3ms/图，比 UNet 和 UNETR 快 8× 和 3×。
引用
@article{arxiv.2207.14477,
title = {FCSN: Global Context Aware Segmentation by Learning the Fourier Coefficients of Objects in Medical Images},
author = {Young Seok Jeon and Hongfei Yang and Mengling Feng},
journal= {arXiv preprint arXiv:2207.14477},
year = {2022}
}