学习管状敏感的 CNN 用于 CT 中肺气道与动静脉分割
图像与视频处理
2021-02-26 v5 计算机视觉与模式识别
摘要
由于管状目标与背景间严重类别不平衡导致的稀疏监督信号，训练卷积神经网络（CNNs）分割肺气道、动脉与静脉颇具挑战。我们提出一种基于 CNNs 的方法，用于非增强计算机断层扫描中准确的气道与动静脉分割。该方法对纤细的周围细支气管、小动脉与小静脉具有优越的敏感性。方法首先使用特征重标定模块以充分利用神经网络学到的特征；恰当整合特征的空间信息以保留激活区域的相对优先级，利于后续通道级重标定。随后引入注意力蒸馏模块以强化管状物体的表征学习；高分辨率注意力图中的细粒度细节自一层递归传递至其前一层以丰富上下文。设计并融入肺上下文图与距离变换图的解剖学先验，以提升动静脉区分能力。大量实验证明这些组件带来显著性能增益。相较于最先进方法，我们的方法提取了更多分支，同时保持具竞争力的整体分割性能。代码与模型见 http://www.pami.sjtu.edu.cn/News/56。
引用
@article{arxiv.2012.05767,
title = {Learning Tubule-Sensitive CNNs for Pulmonary Airway and Artery-Vein Segmentation in CT},
author = {Yulei Qin and Hao Zheng and Yun Gu and Xiaolin Huang and Jie Yang and Lihui Wang and Feng Yao and Yue-Min Zhu and Guang-Zhong Yang},
journal= {arXiv preprint arXiv:2012.05767},
year = {2021}
}
备注
15 pages, IEEE TMI