基于内存高效FCN的全尺寸CT图像器官分割
图像与视频处理
2020-03-25 v1 计算机视觉与模式识别
摘要
在本工作中，我们提出了一种内存高效的全卷积网络（FCN），并结合若干内存优化技术，以降低训练阶段的运行时GPU内存需求。在医学图像分割任务中，子体裁剪已成为一种常见的预处理方法。通过裁剪子体（或小块体数据）来减少GPU内存需求。然而，小块体数据捕获的空间上下文较少，导致精度降低。作为一项试点研究，本工作的目的是提出一种内存高效的FCN，使我们能够直接在全尺寸CT图像上训练模型而无需子体裁剪，同时保持分割精度。我们从架构和实现两方面对网络进行优化。随着图形处理单元（GPU）和张量处理单元（TPU）等计算硬件的发展，如今深度学习应用已能够在可接受的时间内使用大型数据集训练网络。在这些应用中，使用全卷积网络（FCN）的语义分割在计算机视觉和医学图像处理领域相比传统图像处理方法也取得了显著改进。然而，与计算机视觉任务中使用的通用彩色图像不同，医学图像比彩色图像具有更大的尺度，例如三维计算机断层扫描（CT）图像、显微CT图像和组织病理学图像。训练这些医学图像时，对计算资源的巨大需求成为一个严峻问题。本文中，我们提出一种内存高效的FCN，以应对临床CT图像器官分割问题中的高GPU内存需求挑战。实验结果表明，我们的GPU内存需求约为基线架构的40%，参数量约为基线的30%。
引用
@article{arxiv.2003.10690,
title = {Organ Segmentation From Full-size CT Images Using Memory-Efficient FCN},
author = {Chenglong Wang and Masahiro Oda and Kensaku Mori},
journal= {arXiv preprint arXiv:2003.10690},
year = {2020}
}