使用具有多级激活函数的网络对胶质瘤图像进行层次化多类分割
计算机视觉与模式识别
2018-11-05 v2
摘要
对于许多分割任务，尤其是生物医学图像，拓扑先验是可供利用的重要信息。包含/嵌套是一种典型的类间几何关系。在 MICCAI 脑肿瘤分割挑战赛中，其三个层次嵌套类别“全肿瘤”“肿瘤核心”“活动肿瘤”将嵌套类别关系引入 3D-residual-Unet 架构。该网络包含上下文聚合路径与定位路径，前者随着网络加深编码输入日益抽象的表示，再通过定位路径将这些表示与浅层特征重组以精确定位感兴趣区域。通过提出多类激活函数及其相应损失函数，将嵌套类先验结合进来。模型在 Brats2018 的训练集上训练，并将该数据集的 20% 作为验证集以确定参数。参数固定后，我们在整个训练集上重新训练模型。在验证排行榜上，对于全肿瘤、增强肿瘤和肿瘤核心类别，所取得的 Dice 分数分别为 86%、77% 和 72%，且不依赖集成或复杂的后处理步骤。基于相同的前沿网络架构，与传统忽略拓扑先验的基于 Softmax 的方法相比，嵌套类（增强肿瘤）的准确率由 69% 合理提升至 72%。
引用
@article{arxiv.1810.09488,
title = {Hierarchical multi-class segmentation of glioma images using networks with multi-level activation function},
author = {Xiaobin Hu and Hongwei Li and Yu Zhao and Chao Dong and Bjoern H. Menze and Marie Piraud},
journal= {arXiv preprint arXiv:1810.09488},
year = {2018}
}
备注
12pages first version