用于三维MR图像有效语义分割的整体分解卷积
计算机视觉与模式识别
2018-12-27 v1
摘要
卷积神经网络（CNNs）已在许多不同的二维医学图像分析任务中取得最先进的性能。然而在临床实践中，大量可用的医学影像数据是三维的。这促使了三维CNNs的发展用于体图像分割，以利用更多的空间上下文。由于转向全三维引起的GPU内存限制，最先进的方法依赖于子体/块处理，且输入块的大小通常较小，限制了更大上下文信息的引入以获得更好性能。本文中，我们提出一种新颖的整体分解卷积（HDC），用于体图像的有效且高效的语义分割。HDC由周期性下混洗操作随后常规三维卷积组成。HDC的优势在于显著减小用于后续处理的数据尺寸，同时无论下混洗因子如何都使用输入中所有可用信息。在髋关节T1 MR图像和椎间盘T2 MR图像上进行的综合实验所获得的结果证明了本方法的有效性。
引用
@article{arxiv.1812.09834,
title = {Holistic Decomposition Convolution for Effective Semantic Segmentation of 3D MR Images},
author = {Guodong Zeng and Guoyan Zheng},
journal= {arXiv preprint arXiv:1812.09834},
year = {2018}
}
备注
12 pages, 6 figures