具有正则化的可逆残差网络用于高效医学图像分割
图像与视频处理
2021-03-17 v1 计算机视觉与模式识别
摘要
深度卷积神经网络（CNNs）即残差网络（ResNets）已成功用于许多计算机视觉任务，但难以扩展到3D体医学数据。训练3D卷积神经网络（CNNs）时，内存日益成为瓶颈。近来，可逆神经网络已被应用，借助可逆函数在反向传播时无需存储中间激活即可从输出恢复输入，从而显著减少训练神经网络时的激活内存占用。在众多成功网络架构中，3D Unet已成为体医学分割的标准架构。因此，我们选择3D Unet作为不可逆网络的基线，并用可逆残差网络对其进行扩展。本文提出两种可逆残差网络，即部分可逆残差网络（Partially-InvRes）与全可逆残差网络（Fully-InvRes）。在Partially-InvRes中，可逆残差层由称为加性耦合的技术定义；而在Fully-InvRes中，可逆上采样与下采样操作均基于压缩（即像素重排）学习得到。此外，为避免训练数据较少导致的过拟合问题，添加了变分自编码器（VAE）分支以重建输入体数据本身。我们的结果表明，在体分割中使用部分/全可逆网络作为核心主力，不仅减少了内存开销，还取得了与不可逆3D Unet相兼容的分割性能。我们在iSeg 2019和BraTS 2020等多种体数据集上展示了所提网络。
引用
@article{arxiv.2103.09042,
title = {Invertible Residual Network with Regularization for Effective Medical Image Segmentation},
author = {Kashu Yamazaki and Vidhiwar Singh Rathour and T. Hoang Ngan Le},
journal= {arXiv preprint arXiv:2103.09042},
year = {2021}
}