用于三维医学图像分割的组移位逐点卷积
图像与视频处理
2021-09-28 v1 计算机视觉与模式识别
摘要
近期研究见证了 3D 卷积在分割三维医学图像上的有效性。与 2D 卷积相比，3D 卷积能捕捉三个维度上的空间上下文。然而，采用 3D 卷积的模型引入了更多可训练参数且计算复杂度更高，这尤其在可用训练数据有限的医学应用中容易导致模型过拟合。本文旨在通过引入一种新颖的组移位逐点卷积（GSP-Conv）来提高 3D 卷积的有效性和效率。GSP-Conv 将 3D 卷积简化为具有 1x1x1 核的逐点卷积，从而大幅减少了模型参数数量和 FLOPs（例如，比具有 3x3x3 核的 3D 卷积少 27 倍）。感受野有限的朴素逐点卷积无法充分利用空间图像上下文。为解决此问题，我们提出了一种无参数操作——组移位（GS），它以优雅的方式沿不同空间方向移位特征图。借助 GS，逐点卷积可以访问来自不同空间位置的特征，从而弥补逐点卷积有限的感受野。我们在 PROMISE12 和 BraTS18 两个数据集上评估了所提出的方法。结果表明，我们的方法在模型复杂度大幅降低的情况下，取得了与采用 3D 卷积的模型相当甚至更好的性能。
引用
@article{arxiv.2109.12629,
title = {Group Shift Pointwise Convolution for Volumetric Medical Image Segmentation},
author = {Junjun He and Jin Ye and Cheng Li and Diping Song and Wanli Chen and Shanshan Wang and Lixu Gu and Yu Qiao},
journal= {arXiv preprint arXiv:2109.12629},
year = {2021}
}
备注
10 pages, 2 figures