基于随机专家的隐式解剖渲染用于医学图像分割

在医学图像分割中，整合高层语义相关内容与低层解剖特征至关重要。为此，近期基于深度学习的医学分割方法在更好地建模此类信息方面已展现出巨大潜力。然而，用于医学分割的卷积算子通常在规则网格上操作，这本质上会模糊高频区域，即边界区域。在本工作中，我们提出 MORSE，一种在解剖层级设计的通用隐式神经渲染框架，用于辅助医学图像分割中的学习。我们的方法受以下事实启发：相较于离散基于网格的表示，隐式神经表示在拟合复杂信号与求解计算机图形学问题方面已被证明更为有效。我们方法的核心是以端到端方式将医学图像分割表述为一个渲染问题。具体而言，我们持续将粗分割预测与模糊的基于坐标的点表示对齐，并聚合这些特征以自适应地细化边界区域。为并行优化多尺度像素级特征，我们利用混合专家(Mixture-of-Expert, MoE)的思想，通过随机门控机制设计并训练我们的 MORSE。我们的实验表明，MORSE 可良好地适配不同的医学分割骨干网络，在 2D 和 3D 监督医学分割方法中一致取得有竞争力的性能提升。我们还从理论层面分析了 MORSE 的优越性。