用于三维医学图像分割的切片间上下文残差学习
图像与视频处理
2020-12-01 v1 计算机视觉与模式识别
摘要
自动化且准确的三维医学图像分割在辅助医疗专业人员评估疾病进展和制定快速治疗方案中起着至关重要的作用。尽管深度卷积神经网络（DCNNs）已广泛应用于该任务，这些模型的准确性仍因其对三维上下文感知能力有限而需进一步提升。在本文中，我们提出三维上下文残差网络（ConResNet）用于三维医学图像的准确分割。该模型由编码器、分割解码器和上下文残差解码器组成。我们设计了上下文残差模块，并用其在各尺度上桥接两个解码器。每个上下文残差模块包含上下文残差映射与上下文注意力映射，前者旨在显式学习切片间上下文信息，后者将此类上下文作为一种注意力以提升分割精度。我们在 MICCAI 2018 脑肿瘤分割（BraTS）数据集和 NIH 胰腺分割（Pancreas-CT）数据集上评估了该模型。我们的结果不仅证明了所提出的三维上下文残差学习方案的有效性，还表明所提出的 ConResNet 在脑肿瘤分割中比六种排名靠前的方法更准确，在胰腺分割中比七种排名靠前的方法更准确。代码可在 https://git.io/ConResNet 获取。
引用
@article{arxiv.2011.14155,
title = {Inter-slice Context Residual Learning for 3D Medical Image Segmentation},
author = {Jianpeng Zhang and Yutong Xie and Yan Wang and Yong Xia},
journal= {arXiv preprint arXiv:2011.14155},
year = {2020}
}
备注
Accpeted by IEEE-TMI