LambdaUNet：扩散加权 MR 图像的 2.5D 卒中病灶分割
图像与视频处理
2023-05-31 v2 计算机视觉与模式识别
摘要
扩散加权（DW）磁共振成像对缺血性卒中的诊断和治疗至关重要。DW 图像（DWIs）通常以多切片方式采集，由于较大的切片厚度甚至有时存在切片间隙，两个连续 2D 切片中的病灶区域高度不连续。因此，尽管 DWIs 包含丰富的 3D 信息，它们不能被当作规则的 3D 或 2D 图像处理。相反，由于其体积特性但切片间不连续性，DWIs 介于两者之间（或称 2.5D）。因此，应用大多数现有分割方法并不理想，因为它们是为 2D 或 3D 图像设计的。为解决此问题，我们提出一种专为分割如 DWIs 这类高度不连续 2.5D 数据定制的新神经网络架构。我们的网络称为 LambdaUNet，通过用我们提出的 Lambda+ 层替换卷积层来扩展 UNet。特别地，Lambda+ 层将像素周围的片内与片间上下文转换为称为 lambdas 的线性函数，然后将其应用于该像素以产生信息丰富的 2.5D 特征。LambdaUNet 简单而有效地结合了来自相邻切片的稀疏片间信息，同时捕获单切片内的密集上下文特征。在一个独特临床数据集上的实验表明，LambdaUNet 优于现有的 3D/2D 图像分割方法，包括 UNet 的近期变体。LambdaUNet 的代码随发表一同发布以促进未来研究。
引用
@article{arxiv.2104.13917,
title = {LambdaUNet: 2.5D Stroke Lesion Segmentation of Diffusion-weighted MR Images},
author = {Yanglan Ou and Ye Yuan and Xiaolei Huang and Kelvin Wong and John Volpi and James Z. Wang and Stephen T. C. Wong},
journal= {arXiv preprint arXiv:2104.13917},
year = {2023}
}