面向二分类医学图像分割的指导性特征增强
计算机视觉与模式识别
2023-06-07 v1
摘要
深度神经网络已广泛应用于多种模态下许多解剖结构的二分类医学图像分割(DMIS),取得了令人瞩目的性能。然而,现有网络往往倾向于依赖任务特定的、繁重且复杂的设计来提升精度。它们很少指导哪些特征通道对分割更有利,这或许正是这些分割模型的性能与通用性受限的原因。在本研究中,我们提出一种称为IFE的指导性特征增强方法,基于局部曲率或全局信息熵准则,自适应地选择具有丰富纹理线索与强判别力的特征通道来增强原始特征。IFE即插即用,适用于多样的DMIS任务,它鼓励模型关注纹理丰富特征,这类特征对模糊且具挑战性的边界识别尤为重要,同时实现了简洁性、通用性与一定的可解释性。为评估所提IFE,我们构建了首个大规模DMIS数据集Cosmos55k,包含来自7种模态、26个解剖结构的55,023张图像。大量实验表明,IFE仅需轻微修改即可提升经典分割网络在不同解剖结构与模态上的性能。代码见https://github.com/yezi-66/IFE
引用
@article{arxiv.2306.03497,
title = {Instructive Feature Enhancement for Dichotomous Medical Image Segmentation},
author = {Lian Liu and Han Zhou and Jiongquan Chen and Sijing Liu and Wenlong Shi and Dong Ni and Deng-Ping Fan and Xin Yang},
journal= {arXiv preprint arXiv:2306.03497},
year = {2023}
}
备注
Accepted by MICCAI 2023