学习跨模态深度表示用于多模态 MR 图像分割
图像与视频处理
2019-08-07 v1 计算机视觉与模式识别
摘要
多模态磁共振成像（MRI）在临床全面诊断与手术规划中至关重要。然而，多模态 MR 图像的分割往往耗时且具挑战性。基于卷积神经网络（CNN）的多模态 MR 图像分析通常以多个下采样流在某一或若干层融合的方式进行。尽管已取得令人鼓舞的性能，特征融合通常通过简单求和或拼接完成而未加优化。本工作中，我们提出一种有监督的图像融合方法，以选择性融合来自不同模态的有用信息并抑制各自的噪声信号。具体而言，引入注意力块作为信息选择的引导。从不同模态中，选取对结果贡献最大的一个模态作为主模态，由其监督其他辅助模态的信息选择。所提方法的有效性通过双模态 MR 图像中乳腺肿块分割得到验证，并相较最先进的方法取得了更好的分割结果。
引用
@article{arxiv.1908.01997,
title = {Learning Cross-Modal Deep Representations for Multi-Modal MR Image Segmentation},
author = {Cheng Li and Hui Sun and Zaiyi Liu and Meiyun Wang and Hairong Zheng and Shanshan Wang},
journal= {arXiv preprint arXiv:1908.01997},
year = {2019}
}
备注
9 pages, 5 figures