用于超高分辨率医学图像的元分割网络
计算机视觉与模式识别
2020-02-20 v1
摘要
尽管语义分割近期取得进展，超高分辨率医学图像分割仍存在巨大挑战。基于多分支结构的方法能在计算负担与分割精度间取得良好平衡。然而，这些方法中的融合结构需精心设计并才能获得理想结果，导致模型冗余。本文提出元分割网络（MSN）以解决这一挑战性问题。在元学习帮助下，MSN 的融合模块十分简洁且有效。MSN 可通过简单的元学习器快速生成融合层权重，仅需少量训练样本与轮次即可收敛。此外，为避免从零学习所有分支，我们进一步引入一种特定的权重共享机制以实现快速知识适配并在多分支间共享权重，从而提升性能并显著减少参数量。在两个具挑战性的超高分辨率医学数据集 BACH 与 ISIC 上的实验结果表明，MSN 相比最先进方法取得了最佳性能。
引用
@article{arxiv.2002.08043,
title = {Meta Segmentation Network for Ultra-Resolution Medical Images},
author = {Tong Wu and Yuan Xie and Yanyun Qu and Bicheng Dai and Shuxin Chen},
journal= {arXiv preprint arXiv:2002.08043},
year = {2020}
}