FD-FCN：用于脑解剖语义分割的三维全密集全卷积网络
图像与视频处理
2020-05-01 v2 计算机视觉与模式识别
摘要
本文提出一种基于三维块的完全密集且全卷积网络（FD-FCN），用于在 T1 加权磁共振图像中快速准确地分割皮层下结构。该网络由开创性的 FCN 发展而来，采用端到端基于学习的方法，并由新设计的包含密集全连接层的密集块构建，所提出的 FD-FCN 不同于其他基于 FCN 的方法，并在效率和准确性方面均表现出更优性能。与 U 形架构相比，FD-FCN 舍弃了上采样路径以适配模型。为缓解参数爆炸问题，密集块的输入不再直接传递至后续层。FD-FCN 的这种架构在训练过程中大幅降低了内存与时间消耗。尽管 FD-FCN 被精简，但其在模型能力上比其它常规网络获得了更好的密集推断能力，这得益于网络架构的构建与重新设计的密集块的引入。多尺度 FD-FCN 通过在最终预测中嵌入中间层输出来同时建模局部与全局上下文，从而鼓励不同尺度提取的特征之间的一致性，并将细粒度信息直接嵌入分割过程。此外，密集块被重建以在不显著增加参数的情况下扩大感受野，并利用谱坐标表征原始输入块的空间上下文。实验在 IBSR 数据集上进行，FD-FCN 在 53 秒内对 11 个脑结构产生了整体 Dice 重叠值 89.81% 的准确分割结果，较最先进的基于 3D FCN 的方法在 Dice 精度上至少有 3.66% 的绝对提升。
引用
@article{arxiv.1907.09194,
title = {FD-FCN: 3D Fully Dense and Fully Convolutional Network for Semantic Segmentation of Brain Anatomy},
author = {Binbin Yang and Weiwei Zhang},
journal= {arXiv preprint arXiv:1907.09194},
year = {2020}
}