基于空间划分的高分辨率医学图像分析
图像与视频处理
2019-09-16 v3 计算机视觉与模式识别
机器学习
摘要
医学图像，如三维计算机断层扫描（CT）和病理图像，拥有数亿甚至数十亿体素/像素。直接在此类高分辨率图像上训练卷积神经网络（CNN）模型是不可行的，因为单张图像的神经激活无法容纳在单个GPU/TPU的内存中，且朴素的数据并行和模型并行方法无法奏效。现有的图像分析方法通过裁剪或下采样输入图像来缓解这一问题，但这会导致实现复杂且因信息丢失而性能次优。本文中，我们实现了空间划分，该方法在内部将卷积层的输入和输出分布到多个GPU/TPU上。我们的实现基于Mesh-TensorFlow框架，且计算分布对最终用户透明。利用该技术，我们在高达512×512×512分辨率的数据上训练了一个三维Unet。据我们所知，这是首个端到端处理如此高分辨率图像的工作。
引用
@article{arxiv.1909.03108,
title = {High Resolution Medical Image Analysis with Spatial Partitioning},
author = {Le Hou and Youlong Cheng and Noam Shazeer and Niki Parmar and Yeqing Li and Panagiotis Korfiatis and Travis M. Drucker and Daniel J. Blezek and Xiaodan Song},
journal= {arXiv preprint arXiv:1909.03108},
year = {2019}
}