Med-DANet：用于高效医学体数据分割的动态架构网络
图像与视频处理
2022-07-12 v2 计算机视觉与模式识别
摘要
对于 3D 医学图像（如 CT 和 MRI）分割，临床病例中每一切片的分割难度差异很大。以往以逐切片方式进行的体医学图像分割研究通常对同病例所有切片使用相同的 2D 深度神经网络，忽视了图像切片间的数据异质性。本文关注多模态 3D MRI 脑肿瘤分割，并提出一种基于自适应模型选择的动态架构网络 Med-DANet，以实现准确性与效率的有效权衡。对于输入 3D MRI 体数据的每一切片，我们提出的方法通过决策网络学习切片专属决策，从预定义模型库中动态选取合适模型用于后续 2D 分割任务。在 BraTS 2019 与 2020 数据集上的大量实验结果表明，我们所提方法以低得多的模型复杂度取得了优于或媲美先前 SOTA 方法的 3D MRI 脑肿瘤分割效果。与 SOTA 3D 方法 TransBTS 相比，所提框架在精度不损的前提下将模型效率提升最高达 3.5 倍。我们的代码将很快公开。
引用
@article{arxiv.2206.06575,
title = {Med-DANet: Dynamic Architecture Network for Efficient Medical Volumetric Segmentation},
author = {Wenxuan Wang and Chen Chen and Jing Wang and Sen Zha and Yan Zhang and Jiangyun Li},
journal= {arXiv preprint arXiv:2206.06575},
year = {2022}
}