OctopusNet：一种用于多模态医学图像分割的深度学习网络
图像与视频处理
2019-08-23 v2 计算机视觉与模式识别
摘要
深度学习模型，如全卷积网络（FCN），已广泛用于 3D 生物医学分割并取得了最先进的性能。多种模态常用于疾病诊断与量化。文献中广泛使用两种在分割网络中融合多模态的方法：早期融合（将多模态作为不同输入通道堆叠）与晚期融合（在最后融合来自不同模态的分割结果）。这些融合方法容易受具有较大差异的输入模态所引起的跨模态干扰影响。为解决该问题，我们提出一种新颖的深度学习架构，即 OctopusNet，以更好地利用并融合多模态所含信息。所提框架对每个模态采用独立编码器进行特征提取，并利用超融合解码器融合所提取特征，同时避免特征爆炸。我们在两个公开数据集（即 ISLES-2018 与 MRBrainS-2013）上评估所提 OctopusNet。实验结果表明，我们的框架优于常用的特征融合方法，并取得了最先进的分割精度。
引用
@article{arxiv.1906.02031,
title = {OctopusNet: A Deep Learning Segmentation Network for Multi-modal Medical Images},
author = {Yu Chen and Jiawei Chen and Dong Wei and Yuexiang Li and Yefeng Zheng},
journal= {arXiv preprint arXiv:1906.02031},
year = {2019}
}