高分辨率体数据MicroCT图像的内存高效分割
图像与视频处理
2022-06-01 v1 计算机视觉与模式识别
摘要
近年来，三维卷积神经网络已成为体数据医学图像分割的主流方法。然而，与二维网络相比，三维网络引入了显著更多的训练参数以及对GPU内存的更高需求。这已成为设计和训练用于高分辨率体数据图像的三维网络的主要限制因素。在本工作中，我们提出了一种用于三维高分辨率图像分割的新型内存高效网络架构。该网络通过基于U-net的两阶段级联框架融合全局与局部特征，并在第一阶段开发了内存高效U-net（meU-net）。两个阶段学到的特征通过后置拼接相连，进一步改善了信息流。所提出的分割方法在一个每体数据通常含2.5亿个体素（voxel）的超高分辨率microCT数据集上进行了评估。实验表明，其在分割精度与内存效率方面均优于最先进的（state-of-the-art）三维分割方法。
引用
@article{arxiv.2205.15941,
title = {Memory-efficient Segmentation of High-resolution Volumetric MicroCT Images},
author = {Yuan Wang and Laura Blackie and Irene Miguel-Aliaga and Wenjia Bai},
journal= {arXiv preprint arXiv:2205.15941},
year = {2022}
}
备注
The paper is accepted to MIDL 2022. The codes are available at https://github.com/Virgil3706/Memory-efficient-U-net