超声图像分割中卷积神经网络的平移方差性研究
图像与视频处理
2022-03-31 v2
摘要
虽然准确性是超声图像分割的一个明显准则,但在不同测试间输出的一致性同样关键,可用于在治疗监测、疾病进展或消退测量、诊断或治疗规划等应用中跟踪感兴趣区域的变化。卷积神经网络(CNNs)近来在自动超声图像分割中引起了快速增长的兴趣。然而,CNNs 并非平移等变,这意味着若输入平移(例如在横向方向平移一个像素),输出分割可能剧烈改变。据我们所知,该问题尚未在超声图像分割中乃至更广泛的超声图像中被研究。在此,我们调查并量化了 CNNs 在该应用中的平移方差问题,并进一步评估了一种近期发表的技术 BlurPooling 在解决该问题上的性能。此外,我们提出了金字塔形 BlurPooling 方法,其在输出一致性与分割准确性上均优于 BlurPooling。最后,我们证明数据增强不能替代所提方法。源代码见 https://git.io/pbpunet 与 http://code.sonography.ai。
引用
@article{arxiv.2107.10431,
title = {Investigating Shift-Variance of Convolutional Neural Networks in Ultrasound Image Segmentation},
author = {Mostafa Sharifzadeh and Habib Benali and Hassan Rivaz},
journal= {arXiv preprint arXiv:2107.10431},
year = {2022}
}