基于上下文反馈回路学习的鲁棒医学图像分割

深度学习已成功应用于医学图像分割。其采用卷积神经网络（CNN）从定义的逐像素目标函数中学习独特的图像特征。然而，这种方法可能导致输出像素间相互依赖性较低，产生不完整且不真实的分割结果。本文中，我们提出一种全自动深度学习方法，通过将分割问题表述为使用两个系统的递归框架，实现鲁棒医学图像分割。第一个系统是编码器-解码器CNN的前向系统，从输入图像预测分割结果。前向系统的预测概率输出随后由基于全卷积网络（FCN）的上下文反馈系统编码。FCN的编码特征空间随后被整合回前向系统的前馈学习过程。使用基于FCN的上下文反馈回路使前向系统能够学习并提取更多高层图像特征并修正先前的错误，从而随时间提高预测精度。在四个不同临床数据集上的实验结果表明，我们的方法通过超越最先进（state of the art）方法，在单结构和多结构医学图像分割上具有潜在应用。借助反馈回路，深度学习方法现在可产生既解剖学合理又对低对比度图像鲁棒的结果。因此，将图像分割表述为通过上下文反馈回路连接的两个网络的递归框架，可成为一种鲁棒且高效的医学图像分析方法。