基于自上下文神经网络与自监督轮廓注意力的腹部 CT 图像肝脏分割
计算机视觉与模式识别
2021-01-26 v1
摘要
由于肝脏形状变异性大且边界不清，其精确图像分割是一个具有挑战性的问题。尽管全卷积神经网络（CNN）的应用已展现出突破性结果，但有限的研究关注泛化性能。在本研究中，我们引入一种用于腹部计算机断层扫描（CT）图像肝脏分割的 CNN，其展现出高泛化性能与准确性。为提升泛化性能，我们最初在单一 CNN 中提出一种自上下文算法。所提出的自上下文神经网络利用有效的高层残差估计来获取形状先验。相同的双路径被有效训练以表示互为补充的特征，用于肝脏的准确后验分析。此外，我们通过采用自监督轮廓方案扩展我们的网络。我们通过惩罚真值轮廓来训练稀疏轮廓特征，以将更多轮廓注意力聚焦于失败处。实验结果表明，与最先进（state-of-the-art）网络相比，所提网络通过减少 10.31% 的 Hausdorff 距离取得了更好的精度。我们使用 180 张腹部 CT 图像进行训练与验证。采用双折交叉验证与最先进神经网络进行比较。进行了新颖的多重 N 折交叉验证以验证泛化性能。所提网络在各网络中展现出最佳泛化性能。此外，我们给出了一系列消融实验，全面支持了底层概念的重要性。
引用
@article{arxiv.2002.05895,
title = {Liver Segmentation in Abdominal CT Images via Auto-Context Neural Network and Self-Supervised Contour Attention},
author = {Minyoung Chung and Jingyu Lee and Jeongjin Lee and Yeong-Gil Shin},
journal= {arXiv preprint arXiv:2002.05895},
year = {2021}
}
备注
10 pages, 8 figures