用于神经解剖结构分割的特征融合上下文编码网络
计算机视觉与模式识别
2019-05-08 v1
摘要
细粒度脑结构的自动分割仍是一项具有挑战性的任务。当前的分割方法主要利用二维和三维深度神经网络。二维网络以图像切片作为输入，在较短的处理时间内产生粗分割，而三维网络以整个图像体作为输入，以更大的计算负担生成细节精细的分割。为了高效地获得准确的细粒度分割，本文提出一种端到端的特征融合上下文编码网络，用于从MR（磁共振）图像中分割脑结构。我们的模型基于二维卷积骨干网络实现，其集成了二维编码模块以获取平面图像特征，以及空间编码模块以提取空间上下文信息。进一步引入全局上下文编码模块，从融合的二维编码与空间特征中捕获全局上下文语义。所提出的网络旨在充分利用从上下文语义中学习到的全局解剖先验知识，该知识由结构感知注意力因子表示，用于重新校准网络的输出。通过这种方式，网络被保证能感知与类别相关的特征图以促进分割。我们在2012年脑多图谱标注挑战数据集上评估了我们的模型，用于134个细粒度结构的分割。此外，我们在27个粗粒度结构分割任务上验证了我们的网络。实验结果表明，与最先进的方法相比，我们的模型能取得更优的性能。
引用
@article{arxiv.1905.02686,
title = {Feature-Fused Context-Encoding Network for Neuroanatomy Segmentation},
author = {Yuemeng Li and Hangfan Liu and Hongming Li and Yong Fan},
journal= {arXiv preprint arXiv:1905.02686},
year = {2019}
}