学习欧拉弹性杆模型用于医学图像分割
图像与视频处理
2020-11-03 v1 计算机视觉与模式识别
摘要
图像分割是图像处理中的基础课题，已被研究数十年。基于深度学习的监督分割模型已取得最先进的性能，但大多数受限于使用逐像素损失函数训练而缺乏几何约束。受欧拉弹性杆模型及近期引入深度学习领域的主动轮廓模型启发，我们提出一种新颖的带弹性杆主动轮廓（ACE）损失函数，将弹性杆（曲率与长度）与区域信息作为几何自然约束用于图像分割任务。我们引入平均曲率（即所有主曲率的平均值）作为更有效图像先验来表示 ACE 损失函数中的曲率。此外，基于平均曲率定义，我们提出一种快速近似方法，利用拉普拉斯算子对三维（3D）图像分割近似计算 ACE 损失。我们在四个 2D 和 3D 自然与生物医学图像数据集上评估 ACE 损失函数。结果表明，该损失函数在不同分割网络上优于其他主流损失函数。我们的源代码见 https://github.com/HiLab-git/ACELoss。
引用
@article{arxiv.2011.00526,
title = {Learning Euler's Elastica Model for Medical Image Segmentation},
author = {Xu Chen and Xiangde Luo and Yitian Zhao and Shaoting Zhang and Guotai Wang and Yalin Zheng},
journal= {arXiv preprint arXiv:2011.00526},
year = {2020}
}
备注
9 pages, 4 figures