医学图像分割中迭代估计的归一化输入学习
计算机视觉与模式识别
2017-02-20 v1
摘要
本文提出一种简洁而强大的医学图像分割流水线，将全卷积网络（FCNs）与全卷积残差网络（FC-ResNets）相结合。我们提出并考察了一种设计，该设计特别利用了近期在卷积神经网络与残差网络（ResNets）理解上的进展。我们的方法关注在使用 FC-ResNets 时可训练预处理的重要性，并展示了一个低容量 FCN 模型可作为预处理器以归一化医学输入数据。在我们的图像分割流水线中，我们使用 FCNs 获取归一化图像，随后通过 FC-ResNet 迭代细化以生成分割预测。如同其他全卷积方法，我们的流水线可开箱即用地应用于不同图像模态。我们展示，使用该流水线，在具有挑战性的电子显微镜基准上相较于其他 2D 方法取得了最先进的性能。与标准 FCN 方法相比，我们改进了肝脏病变 CT 图像的分割结果。此外，当将我们的 2D 流水线应用于一项具有挑战性的 3D MRI 前列腺分割任务时，即便与 3D 方法相比也取得了具竞争力的结果。所得结果通过在来自不同解剖区域和器官的多模态图像上实现高度准确的结果，展示了该流水线的强大潜力与通用性。
引用
@article{arxiv.1702.05174,
title = {Learning Normalized Inputs for Iterative Estimation in Medical Image Segmentation},
author = {Michal Drozdzal and Gabriel Chartrand and Eugene Vorontsov and Lisa Di Jorio and An Tang and Adriana Romero and Yoshua Bengio and Chris Pal and Samuel Kadoury},
journal= {arXiv preprint arXiv:1702.05174},
year = {2017}
}