InfiNet：用于婴儿脑MRI分割的全卷积网络
计算机视觉与模式识别
2018-10-16 v1
摘要
我们提出了一种新颖、参数高效且实用的全卷积神经网络架构，称为InfiNet，旨在对同信号强度阶段的婴儿脑MRI图像进行体素级语义分割，并可轻松扩展至涉及多模态的其他分割任务。InfiNet由用于T1和T2输入扫描的双编码器分支组成，这些分支汇入一个以分类层终止的联合解码器分支。InfiNet的新颖性在于解码器对来自多个编码器分支的较低分辨率输入特征图进行上采样的方式。具体而言，在每个编码器块的最大池化层中计算的池化索引与相应的解码器块相关联，以执行非线性的无学习上采样。稀疏图与中间编码器表示（跳跃连接）拼接，并与可训练滤波器卷积以生成稠密特征图。InfiNet端到端训练以优化广义Dice损失，该损失非常适用于高类别不平衡情况。InfiNet在50秒内完成全脑体分割，并且我们展示了其与多种SOTA（state-of-the-art，最先进）深度架构及其多模态变体相比具有竞争力的性能。
引用
@article{arxiv.1810.05735,
title = {InfiNet: Fully Convolutional Networks for Infant Brain MRI Segmentation},
author = {Shubham Kumar and Sailesh Conjeti and Abhijit Guha Roy and Christian Wachinger and Nassir Navab},
journal= {arXiv preprint arXiv:1810.05735},
year = {2018}
}
备注
4 pages, 3 figures, conference, IEEE ISBI, 2018