用于单个结肠腺体语义分割的神经常微分方程
图像与视频处理
2019-10-24 v1 计算机视觉与模式识别
摘要
自动化医学图像分割在定量研究与诊断中起着关键作用。基于U-Net架构的卷积神经网络是当前最先进的。一个关键缺点是对感受野大小的硬编码，这需要对每个分割任务进行架构优化。此外，增大感受野会导致权重数量增加。近来，神经常微分方程（NODE）被提出，这是一种新型连续深度深度神经网络。该框架允许以固定内存成本和较少参数量实现动态感受野。我们在结肠腺体分割数据集（GlaS）上展示，这些NODE可用于U-Net框架中以改善分割结果，同时减少内存负载和参数数量。
引用
@article{arxiv.1910.10470,
title = {Neural Ordinary Differential Equations for Semantic Segmentation of Individual Colon Glands},
author = {Hans Pinckaers and Geert Litjens},
journal= {arXiv preprint arXiv:1910.10470},
year = {2019}
}
备注
Accepted to 'Medical Imaging meets NeurIPS' workshop at NeurIPS 2019. Source code available at: https://github.com/DIAGNijmegen/neural-odes-segmentation