GDDS：基于分组深度密集监督的肺细支气管分割
计算机视觉与模式识别
2023-03-17 v1
摘要
气道分割，尤其是细支气管分割，是一项重要但具有挑战性的任务，因为远端支气管分布稀疏且尺度细微。现有神经网络通常利用稀疏拓扑学习细支气管的连接性，并利用低效的浅层特征捕捉此类高频信息，导致单个细小分支的断裂或漏检。为解决这些问题，我们提出了一种基于分组深度密集监督(GDDS)的新支气管分割方法，以简单而有效的方式强调细微尺度细支气管的分割。首先，通过巧妙构建局部密集拓扑并在特定浅层特征层上实施密集拓扑学习，提出深度密集监督(DDS)。GDDS 进一步赋予浅层特征更好的感知能力以检测细支气管，甚至是肉眼不易辨别的那些。在 BAS 基准数据集上的大量实验表明，我们的方法促使网络在捕捉细微尺度分支时具有高灵敏度，并以较大优势超越 SOTA 方法（BD 提升 +12.8%，TD 提升 +8.8%），同时仅引入少量额外参数。
引用
@article{arxiv.2303.09212,
title = {GDDS: Pulmonary Bronchioles Segmentation with Group Deep Dense Supervision},
author = {Mingyue Zhao and Shang Zhao and Quan Quan and Li Fan and Xiaolan Qiu and Shiyuan Liu and S. Kevin Zhou},
journal= {arXiv preprint arXiv:2303.09212},
year = {2023}
}
备注
Submitted to MICCAI2023