用于自动肝脏病灶分割的特征融合编解码网络
计算机视觉与模式识别
2019-03-29 v1 机器学习
摘要
肝脏病灶分割是医学图像分析中一项困难却关键的任務。近年来，基于深度学习的图像分割方法取得了令人瞩目的性能，根据模型的维度可划分为三类：2D、2.5D 和 3D。然而，2.5D 和 3D 方法复杂度可能很高，而 2D 方法性能可能不尽如人意。为以低复杂度获得有竞争力的性能，本文提出一种基于特征融合编解码网络（FED-Net）的 2D 分割模型，以解决 CT 图像中肝脏病灶分割这一挑战性问题。我们的特征融合方法基于注意力机制，将携带语义信息的高层特征与具有图像细节的低层特征相融合。此外，为补偿上采样过程中的信息损失，提出了密集上采样卷积与残差卷积结构。我们在 MICCAI 2017 肝脏肿瘤分割（LiTS）挑战赛的数据集上测试了该方法，并与其他最先进方法相比取得了有竞争力的结果。
引用
@article{arxiv.1903.11834,
title = {Feature Fusion Encoder Decoder Network For Automatic Liver Lesion Segmentation},
author = {Xueying Chen and Rong Zhang and Pingkun Yan},
journal= {arXiv preprint arXiv:1903.11834},
year = {2019}
}
备注
4 pages, 2 figures, conference