用于 streamlined 通用多数据集医学图像分割的可泛化 3D 织物架构
图像与视频处理
2022-11-30 v4 计算机视觉与模式识别
摘要
数据稀缺在医学图像分割的深度学习模型中很常见。先前工作提出多数据集学习，通过同时学习或迁移学习来扩展训练集。然而，医学图像数据集具有不同大小的图像与特征，开发同时用于多个数据集的模型具挑战性。本工作提出 Fabric Image Representation Encoding Network（FIRENet），一种用于涉及任意数量数据集的同时多数据集分割与迁移学习的通用架构。为处理不同大小的图像与特征，使用 3D 织物模块封装许多多尺度子架构。这些子架构的最优组合可被隐式学习以最好地适配目标数据集。对于多尺度特征提取，在每个织物节点使用空洞空间金字塔池化的 3D 扩展（ASPP3D）以细粒度覆盖富尺度图像特征。在第一个实验中，FIRENet 对人体膝关节、肩关节与髋关节的多个肌肉骨骼数据集进行 3D 通用骨骼分割，并展现出优异的同时多数据集分割性能。当测试迁移学习时，FIRENet 进一步展现出优异的单数据集性能（在前列腺数据集上预训练时），以及显著改进的通用骨骼分割性能。接下来的实验涉及 10 个 Medical Segmentation Decathlon（MSD）挑战数据集的同时分割。FIRENet 展现出良好的多数据集分割结果与高度多样图像大小的跨数据集适应性。在两实验中，FIRENet 的 streamlined 多数据集学习使用单一统一网络且无需超参数调优。
引用
@article{arxiv.2006.15578,
title = {Generalisable 3D Fabric Architecture for Streamlined Universal Multi-Dataset Medical Image Segmentation},
author = {Siyu Liu and Wei Dai and Craig Engstrom and Jurgen Fripp and Stuart Crozier and Jason A. Dowling and Shekhar S. Chandra},
journal= {arXiv preprint arXiv:2006.15578},
year = {2022}
}