MIDeepSeg：基于深度学习的极少交互医学图像未见物体分割
计算机视觉与模式识别
2021-05-27 v1
摘要
从医学图像中分割器官或病灶在许多临床诊断与治疗规划等应用中起着重要作用。尽管卷积神经网络（CNN）在自动分割中取得了最优性能，但在复杂情况下常受限于缺乏临床可接受的精度与鲁棒性。因此，交互式分割是这些方法的实用替代。然而，传统交互式分割方法需要大量用户交互，且近期提出的基于 CNN 的交互式分割方法在先前未见物体上性能有限。为解决这些问题，我们提出一种新颖的基于深度学习的交互式分割方法，其不仅因仅需点击作为用户输入而高效，且能很好泛化至一系列先前未见物体。具体而言，我们首先通过提出的指数化测地距离编码用户提供的内部边界点，使 CNN 能对已见与未见物体获得良好初始分割，然后使用一种新颖的信息融合方法将初始分割与仅少量额外用户点击结合以高效获得精炼分割。我们在 2D 与 3D 医学图像分割任务上通过广泛实验验证了所提框架，其中包含大量训练集中未出现的未见物体。实验结果表明，与最优交互式框架相比，所提框架 1）以更少用户交互与时间获得准确结果；2）对先前未见物体泛化良好。
引用
@article{arxiv.2104.12166,
title = {MIDeepSeg: Minimally Interactive Segmentation of Unseen Objects from Medical Images Using Deep Learning},
author = {Xiangde Luo and Guotai Wang and Tao Song and Jingyang Zhang and Michael Aertsen and Jan Deprest and Sebastien Ourselin and Tom Vercauteren and Shaoting Zhang},
journal= {arXiv preprint arXiv:2104.12166},
year = {2021}
}
备注
17 pages, 16 figures