G-CASCADE：用于二维医学图像分割的高效级联图卷积解码器
图像与视频处理
2023-10-26 v1 计算机视觉与模式识别
机器学习
摘要
近年来，医学图像分割已成为计算机辅助诊断领域的重要应用。在本文中，我们首次提出了一种基于图卷积的解码器，即级联图卷积注意力解码器（G-CASCADE），用于二维医学图像分割。G-CASCADE通过高效的图卷积块逐步细化由分层transformer编码器生成的多阶段特征图。编码器利用自注意力机制捕获长程依赖，而解码器由于图卷积块的全局感受野在细化特征图时保留了长程信息。我们的解码器在五个医学图像分割任务（即腹部器官、心脏器官、息肉病变、皮肤病变和视网膜血管）上与多个transformer编码器进行的严格评估表明，我们的模型优于其他最先进（SOTA）方法。我们还证明，与SOTA CASCADE解码器相比，我们的解码器以少80.8%的参数量和少82.3%的FLOPs取得了更好的DICE分数。我们的解码器可轻松用于其他分层编码器以完成通用语义和医学图像分割任务。
引用
@article{arxiv.2310.16175,
title = {G-CASCADE: Efficient Cascaded Graph Convolutional Decoding for 2D Medical Image Segmentation},
author = {Md Mostafijur Rahman and Radu Marculescu},
journal= {arXiv preprint arXiv:2310.16175},
year = {2023}
}
备注
13 pages, IEEE/CVF Winter Conference on Applications of Computer Vision (WACV 2024)