利用深度学习实现相互影响曲面的全局最优分割
计算机视觉与模式识别
2020-07-22 v3 机器学习
摘要
医学图像中多个曲面的分割是一个具有挑战性的问题，而弱边界和相邻对象间相互影响的频繁存在使其更加复杂。传统的基于图的最优曲面分割方法已证明其有效性，因为它能够在统一的图模型中捕获各种曲面先验。然而，其效能严重依赖于用于定义曲面“优良性”代价的手工特征。最近，深度学习 (DL) 凭借其优越的特征学习能力，正成为医学图像分割的强大工具。不幸的是，由于医学成像中训练数据的稀缺，DL 网络隐式学习目标曲面（包括曲面相互作用）的全局结构并非易事。在这项工作中，我们提出在图模型中参数化曲面代价函数，并利用 DL 来学习这些参数。然后，通过最小化总曲面代价，同时显式地强制执行曲面间的相互约束，来同时检测多个最优曲面。该优化问题通过原始-对偶内点法求解，该方法可由一层神经网络实现，从而能够对整个网络进行高效的端到端训练。在谱域光学相干断层扫描 (SD-OCT) 视网膜层分割和血管内超声 (IVUS) 血管壁分割上的实验展示了非常有前景的结果。所有源代码均已公开，以促进该方向的进一步研究。
引用
@article{arxiv.2007.01259,
title = {Globally Optimal Segmentation of Mutually Interacting Surfaces using Deep Learning},
author = {Hui Xie and Zhe Pan and Leixin Zhou and Fahim A Zaman and Danny Chen and Jost B Jonas and Yaxing Wang and Xiaodong Wu},
journal= {arXiv preprint arXiv:2007.01259},
year = {2020}
}
备注
11 pages main content and reference, plus 10 pages appendix, total 21 pages