LORCK：可学习的类物体卷积核
计算机视觉与模式识别
2020-12-08 v2 机器学习
图像与视频处理
摘要
某些中空器官（如膀胱）的分割尤其难以自动化，因其几何复杂、软组织中强度梯度模糊，以及数据标注流程繁琐。然而，在此类器官的放射影像中准确勾画壁与癌变区域是肿瘤学的关键步骤。为解决此问题，我们提出一类新的中空卷积核，其学习“模仿”被分割器官的轮廓，有效复现其形状与结构复杂性。我们使用所提卷积核训练了一系列类 U-Net 神经网络，并在多种时空卷积场景中证明了该思想的优越性。具体而言，膨胀中空卷积核架构优于最先进的时空分割模型，而添加如 Bi-LSTM 等时间块则确立了膀胱分割挑战的新多类基线。我们基于中空卷积核的时空模型在膀胱内壁、外壁与肿瘤区域分别达到 0.936、0.736 与 0.712 的平均 Dice 分数。该结果为其他领域特定的深度学习应用铺平了道路，其中被分割对象的形状可用于形成恰当的卷积核以提升分割效果。
引用
@article{arxiv.2007.05103,
title = {LORCK: Learnable Object-Resembling Convolution Kernels},
author = {Elizaveta Lazareva and Oleg Rogov and Olga Shegai and Denis Larionov and Dmitry V. Dylov},
journal= {arXiv preprint arXiv:2007.05103},
year = {2020}
}
备注
18 pages total. Main: 12 figures and 3 tables (main and supplemental). D.V.D is corresponding author