Med-DANet V2：一种用于高效医学体数据分割的灵活动态架构
图像与视频处理
2023-10-31 v1 计算机视觉与模式识别
摘要
近期工作表明，基于切片级复杂度的动态推理可显著提升三维医学图像（如 CT 和 MRI）分割的计算效率。作为一项开创性工作，用于医学体数据分割的动态架构网络（即 Med-DANet）通过从不同切片预定义模型库中动态选择合适的二维候选模型，实现了精度与效率的良好权衡。然而，Med-DANet 存在数据分析不完整、训练成本高及两阶段流程等问题，有待进一步改进。为此，本文从数据本身与模型结构两个角度进一步探索动态推理框架的统一表述。对于输入体数据的每个切片，我们提出的方法根据决策网络与裁剪位置网络生成的策略动态选择重要的前景区域进行分割。此外，我们提出在所用分割模型（如 U-Net）中插入逐级量化选择器以实现动态架构适配。在 BraTS 2019 和 2020 上的大量实验表明，我们的方法以更低的模型复杂度取得了与先前最先进方法相当或更优的性能。相较于分别采用动态与静态架构的先前方法 Med-DANet 和 TransBTS，我们的框架在 BraTS 2019 上以相当的分割结果将模型效率分别提升近 4.1 倍和 17.3 倍。
引用
@article{arxiv.2310.18656,
title = {Med-DANet V2: A Flexible Dynamic Architecture for Efficient Medical Volumetric Segmentation},
author = {Haoran Shen and Yifu Zhang and Wenxuan Wang and Chen Chen and Jing Liu and Shanshan Song and Jiangyun Li},
journal= {arXiv preprint arXiv:2310.18656},
year = {2023}
}
备注
Accepted by WACV 2024