FMG-Net与W-Net：受多重网格启发的医学图像分割深度学习架构
图像与视频处理
2023-11-14 v3 计算机视觉与模式识别
机器学习
摘要
准确的医学图像分割对于精准有效的医疗干预至关重要。然而，尽管卷积神经网络（CNNs）在医学图像分割中取得成功，其在处理精细尺度特征与图像尺度变化方面仍面临挑战。这些挑战在复杂艰巨的分割任务中尤为明显，例如BraTS多标签脑肿瘤分割挑战赛。在该任务中，准确分割尺寸与形状差异显著的各类肿瘤子成分仍是一大难题，即便最先进的方法也会产生大量误差。因此，我们提出两种架构FMG-Net与W-Net，将求解线性方程组的几何多重网格方法原理融入CNNs以应对这些挑战。我们在BraTS 2020数据集上的实验表明，FMG-Net与W-Net在肿瘤子成分分割精度与训练效率上均优于广泛使用的U-Net架构。这些发现凸显了将多重网格方法原理融入CNNs以提升医学图像分割精度与效率的潜力。
引用
@article{arxiv.2304.02725,
title = {FMG-Net and W-Net: Multigrid Inspired Deep Learning Architectures For Medical Imaging Segmentation},
author = {Adrian Celaya and Beatrice Riviere and David Fuentes},
journal= {arXiv preprint arXiv:2304.02725},
year = {2023}
}
备注
To appear in LatinX in AI (LXAI) Research Workshop @ NeurIPS 2023