基于稀疏正则化深度网络的多类显微CT图像分割
图像与视频处理
2021-04-23 v1 计算机视觉与模式识别
摘要
在人类学与古生物学中，通常通过量化显微计算机断层扫描（micro-CT）中可观测的骨学特征来研究现生与灭绝物种的问题。在遗骸被掩埋的情况下，这些扫描中的灰度值可被分类为属于空气、泥土或骨骼。尽管已有多种基于强度的方法被提出以将扫描分割为这些类别，但泥土与骨骼的强度值往往几乎无法区分。在此情形下，科学家转而求助于繁琐的手动分割，而在需分析大量扫描时，这种方法在实践中难以扩展。本文提出一种用于三类图像分割的新领域增强网络，其利用了熟悉手动分割骨骼与泥土结构的专家的领域知识。更确切地说，我们的新颖结构由两部分组成：1）基于新设计的自定义损失项在特殊样本上训练的表示网络，用于提取具有判别性的骨骼与泥土特征；2）利用这些提取出的判别性特征的分割网络。这两部分联合训练以优化分割性能。将我们的网络与当前最先进的 U-NET 进行比较，证明了我们所提方法的优势，尤其在标记训练图像数量有限时——而这正是 micro-CT 分割中不可避免的情况。
引用
@article{arxiv.2104.10705,
title = {Multi-Class Micro-CT Image Segmentation Using Sparse Regularized Deep Networks},
author = {Amirsaeed Yazdani and Yung-Chen Sun and Nicholas B. Stephens and Timothy Ryan and Vishal Monga},
journal= {arXiv preprint arXiv:2104.10705},
year = {2021}
}
备注
5 pages, 6 figures, accepted in 2020 54th Asilomar Conference on Signals, Systems, and Computers