OSS-Net：面向3D医学数据的高分辨率内存高效语义分割
图像与视频处理
2021-10-22 v1 计算机视觉与模式识别
机器学习
摘要
卷积神经网络(CNNs)是当前体数据分割的最优元算法，例如在计算机断层扫描上定位COVID-19感染组织，或在磁共振成像中检测肿瘤体积。3D CNN在体素化数据上的关键局限在于内存消耗随训练数据分辨率立方增长。占用网络(O-Nets)是一种替代方案，其数据在函空间中连续表示，3D形状被学习为连续决策边界。尽管O-Nets比3D CNN内存效率高得多，但它们局限于简单形状、推理相对较慢，且尚未被适配于3D医学数据语义分割。在此，我们提出用于语义分割的占用网络(OSS-Nets)，以准确且内存高效地分割3D医学数据。我们在原始O-Net基础上进行修改以提升表达能力，从而取得媲美3D CNN的改进分割性能，并修改以加快推理。我们利用局部观测表示复杂形状，并利用先前的编码器预测加速推理。我们在3D脑肿瘤与肝脏分割上对照函空间基线(O-Net)、性能基线(3D残差U-Net)与效率基线(2D残差U-Net)展示了OSS-Net的性能。OSS-Net产生的分割结果类似于性能基线且优于函空间与效率基线。在内存效率方面，OSS-Net消耗与函空间基线相当的内存，略多于效率基线，远少于性能基线。因此，OSS-Net实现了可扩展到高分辨率的内存高效且准确的3D语义分割。
引用
@article{arxiv.2110.10640,
title = {OSS-Net: Memory Efficient High Resolution Semantic Segmentation of 3D Medical Data},
author = {Christoph Reich and Tim Prangemeier and Özdemir Cetin and Heinz Koeppl},
journal= {arXiv preprint arXiv:2110.10640},
year = {2021}
}
备注
BMVC 2021 (accepted), https://github.com/ChristophReich1996/OSS-Net (code)