MNet：重新思考各向异性医学图像分割中的二维/三维网络
图像与视频处理
2022-05-11 v1 计算机视觉与模式识别
摘要
厚层扫描的特性导致三维医学图像存在严重的层间不连续性，而原始的二维/三维卷积神经网络（CNN）无法以均衡方式表征稀疏的层间信息与密集的层内信息，从而导致对层间特征严重欠拟合（对于原始二维CNN）以及对来自长距离切片的噪声过拟合（对于原始三维CNN）。本文提出一种新颖的网格网络（MNet），通过自主学习来平衡各轴之间的空间表征。1）我们的MNet通过将多维卷积深度嵌入基础模块中，潜在地融合了大量表征过程，使表征过程的选择变得灵活，从而自适应地平衡对稀疏层间信息与密集层内信息的表征。2）我们的MNet在每个基础模块内部潜在地融合多维特征，同时利用二维（二维视图中易识别区域的高分割精度）与三维（三维器官轮廓的高平滑性）表征的优势，从而实现对目标区域更精确的建模。在四个公开数据集（CT和MR）上进行了综合实验，结果一致表明所提出的MNet优于其他方法。代码与数据集可在 https://github.com/zfdong-code/MNet 获取。
引用
@article{arxiv.2205.04846,
title = {MNet: Rethinking 2D/3D Networks for Anisotropic Medical Image Segmentation},
author = {Zhangfu Dong and Yuting He and Xiaoming Qi and Yang Chen and Huazhong Shu and Jean-Louis Coatrieux and Guanyu Yang and Shuo Li},
journal= {arXiv preprint arXiv:2205.04846},
year = {2022}
}
备注
Accepted by IJCAI 2022