利用显式形状先验进行医学图像分割的学习方法
计算机视觉与模式识别
2023-06-06 v2
摘要
医学图像分割是医学图像分析与手术规划的基础任务。近年来，基于 UNet 的网络在医学图像分割领域占据主导。然而，卷积神经网络（CNNs）受限于有限的感受野，难以建模器官或肿瘤的长程依赖。此外，这些模型严重依赖最终分割头的训练。现有方法无法同时很好地解决这两大局限。为此，我们提出了一种新颖的形状先验模块（SPM），可显式引入形状先验以提升基于 UNet 模型的分割性能。显式形状先验由全局与局部形状先验组成：前者以粗粒度形状表示赋予网络建模全局上下文的能力；后者以更精细的形状信息作为额外引导提升分割性能，并缓解对分割头中可学习原型的严重依赖。为评估 SPM 有效性，我们在三个具挑战性的公开数据集上开展实验，所提模型取得了最先进的性能。此外，SPM 在经典 CNNs 与近期基于 Transformer 的主干网络上均展现出卓越的泛化能力，可作为即插即用结构服务于不同数据集的分割任务。源代码见 https://github.com/AlexYouXin/Explicit-Shape-Priors。
引用
@article{arxiv.2303.17967,
title = {Learning with Explicit Shape Priors for Medical Image Segmentation},
author = {Xin You and Junjun He and Jie Yang and Yun Gu},
journal= {arXiv preprint arXiv:2303.17967},
year = {2023}
}
备注
10 pages, 10 figures