用于医学图像分割的嵌入式集体知识多级上下文门控
图像与视频处理
2020-03-12 v1 计算机视觉与模式识别
摘要
由于不同病例间解剖结构差异巨大，医学图像分割一直极具挑战性。深度学习框架的最新进展在图像分割中展现出更快且更准确的性能。在现有网络中，U-Net 已成功应用于医学图像分割。本文提出一种用于医学图像分割的 U-Net 扩展，其中我们充分利用 U-Net、Squeeze and Excitation（SE）模块、双向 ConvLSTM（BConvLSTM）以及密集卷积机制。（I）我们通过在 U-Net 中利用 SE 模块提升分割性能，对模型复杂度影响甚微。这些模块通过利用特征图全局信息嵌入的自门控机制，自适应地重新校准通道级特征响应。（II）为加强特征传播并鼓励特征复用，我们在编码路径的最后卷积层中使用密集连接卷积。（III）我们未采用 U-Net 跳跃连接中的简单拼接，而是在网络所有层级采用 BConvLSTM，以非线性方式组合从相应编码路径和前一解码上卷积层提取的特征图。所提模型在六个数据集 DRIVE、ISIC 2017 和 2018、肺分割、 及细胞核分割上进行评估，取得了最先进的性能。
引用
@article{arxiv.2003.05056,
title = {Multi-level Context Gating of Embedded Collective Knowledge for Medical Image Segmentation},
author = {Maryam Asadi-Aghbolaghi and Reza Azad and Mahmood Fathy and Sergio Escalera},
journal= {arXiv preprint arXiv:2003.05056},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:1909.00166