HF-UNet：在多任务 U-Net 中学习任务间层次相关性以实现精准前列腺分割
图像与视频处理
2020-05-26 v2 计算机视觉与模式识别
机器学习
摘要
前列腺的精准分割是外照射放射治疗中的关键步骤。本文中，我们通过一个两阶段网络应对 CT 图像中前列腺分割这一挑战性任务：1）第一阶段快速定位，2）第二阶段精准分割前列腺。为在第二阶段精准分割前列腺，我们将前列腺分割构建为一个多任务学习框架，包括分割前列腺的主任务，以及勾画前列腺边界的辅助任务。此处，第二任务用于提供 CT 图像中不清前列腺边界的额外引导。此外，常规多任务深度网络通常跨所有任务共享大部分参数（即特征表示），这可能限制其数据拟合能力，因为不同任务的特异性被不可避免地忽略。相比之下，我们通过一种层次融合的 U-Net 结构（即 HF-UNet）解决它们。HF-UNet 为两个任务设有两个互补分支，并带有新提出的基于注意力的任务一致性学习块，以在两个解码分支间的每一层进行通信。因此，HF-UNet 赋予了层次化学习不同任务共享表示、同时保留不同任务所学表示特异性的能力。我们在一个包含 339 名患者图像的大型规划 CT 图像数据集上对所提方法进行了广泛评估。实验结果表明 HF-UNet 优于常规多任务网络架构和当前最优方法。
引用
@article{arxiv.2005.10439,
title = {HF-UNet: Learning Hierarchically Inter-Task Relevance in Multi-Task U-Net for Accurate Prostate Segmentation},
author = {Kelei He and Chunfeng Lian and Bing Zhang and Xin Zhang and Xiaohuan Cao and Dong Nie and Yang Gao and Junfeng Zhang and Dinggang Shen},
journal= {arXiv preprint arXiv:2005.10439},
year = {2020}
}