FNOSeg3D：基于傅里叶神经算子的分辨率鲁棒三维图像分割
图像与视频处理
2023-10-09 v1 计算机视觉与模式识别
摘要
由于三维医学图像分割的计算复杂性，使用下采样图像进行训练是深度学习中解决内存溢出错误的常用补救方法。然而，由于标准空间卷积对图像分辨率的变化敏感，用下采样图像训练的卷积神经网络在原始分辨率上应用时精度可能欠佳。为应对这一局限，我们提出 FNOSeg3D，一种基于傅里叶神经算子（FNO）的、对训练图像分辨率鲁棒的三维分割模型。FNO 是一种用于学习偏微分方程中函数间映射的深度学习框架，具有零样本超分辨率和全局感受野的良好特性。我们通过残差连接和深度监督降低 FNO 的参数需求并增强其学习能力，由此得到参数高效且分辨率鲁棒的 FNOSeg3D 模型。在 BraTS'19 数据集上测试时，该模型相较于其他被测模型表现出对训练图像分辨率的更优鲁棒性，而参数量不到其 1%。
引用
@article{arxiv.2310.03872,
title = {FNOSeg3D: Resolution-Robust 3D Image Segmentation with Fourier Neural Operator},
author = {Ken C. L. Wong and Hongzhi Wang and Tanveer Syeda-Mahmood},
journal= {arXiv preprint arXiv:2310.03872},
year = {2023}
}
备注
This paper was accepted by the IEEE International Symposium on Biomedical Imaging (ISBI) 2023