NexToU：面向医学图像分割的高效拓扑感知 U-Net
图像与视频处理
2023-05-26 v1 计算机视觉与模式识别
摘要
卷积神经网络（CNN）与 Transformer 变体已成为领先的医学图像分割骨干网络。然而，由于它们在保留全局图像上下文或高效处理视觉对象中不规则形状方面的局限，这些骨干难以有效整合来自不同解剖区域的信息并降低个体间差异，尤其对于血管结构。受图神经网络（GNN）在各领域捕获拓扑性质与非欧关系的成功突破启发，我们提出 NexToU，一种用于医学图像分割的新型混合架构。NexToU 包含改进的来自 Vision GNN (ViG) 的 Pool GNN 与 Swin GNN 模块，用于学习全局与局部拓扑表示同时最小化计算开销。为解决各种解剖结构间的包含与排斥关系，我们基于二叉树性质重新设计了拓扑交互（TI）模块，将拓扑约束快速编码进 NexToU。在三个数据集（包含不同成像维度、疾病类型和成像模态）上的大量实验表明，我们的方法持续优于其他最先进（SOTA）架构。所有代码公开于 https://github.com/PengchengShi1220/NexToU。
引用
@article{arxiv.2305.15911,
title = {NexToU: Efficient Topology-Aware U-Net for Medical Image Segmentation},
author = {Pengcheng Shi and Xutao Guo and Yanwu Yang and Chenfei Ye and Ting Ma},
journal= {arXiv preprint arXiv:2305.15911},
year = {2023}
}
备注
13 pages, 6 figures