HyperDenseNet：一种用于多模态图像分割的超密集连接CNN
计算机视觉与模式识别
2019-03-05 v2
摘要
近来，密集连接因在训练时促进梯度流动与隐式深度监督而备受计算机视觉领域关注。尤其是DenseNet以前馈方式将每层与其他各层相连，在自然图像分类任务中表现出令人印象深刻的性能。我们提出HyperDenseNet，一种3D全卷积神经网络，将密集连接的定义扩展至多模态分割问题。每种成像模态各有一条路径，密集连接不仅发生在同一路径内的层对之间，也发生在不同路径的层之间。这与现有的多模态CNN方法形成对比，后者对多模态的建模完全依赖单一联合层（或抽象层级）进行融合，通常在网络输入或输出处。因此，所提网络具有充分自由，可在所有抽象层级之内及之间学习模态间更复杂的组合，显著提升学习表征能力。我们在两项不同且极具竞争力的多模态脑组织分割挑战赛iSEG 2017与MRBrainS 2013上进行了广泛评估，前者聚焦6月龄婴儿数据，后者聚焦成人图像。HyperDenseNet相较许多最先进分割网络取得显著改进，在两项基准上均排名前列。我们进一步提供关于特征重用的全面实验分析，证实了超密集连接在多模态表征学习中的重要性。我们的代码公开于https://www.github.com/josedolz/HyperDenseNet。
引用
@article{arxiv.1804.02967,
title = {HyperDense-Net: A hyper-densely connected CNN for multi-modal image segmentation},
author = {Jose Dolz and Karthik Gopinath and Jing Yuan and Herve Lombaert and Christian Desrosiers and Ismail Ben Ayed},
journal= {arXiv preprint arXiv:1804.02967},
year = {2019}
}
备注
Paper accepted at IEEE TMI in October 2018. Last version of this paper updates the reference to the IEEE TMI paper which compares the submissions to the iSEG 2017 MICCAI Challenge