Point-Unet：一种用于体分割的上下文感知基于点的神经网络
计算机视觉与模式识别
2024-03-01 v2
摘要
使用深度学习的医学图像分析近来十分流行，在各种下游任务中表现出优异性能，包括医学图像分割及其同源的体图像分割。特别地，典型的体分割网络强烈依赖于体素网格表示，该表示将体数据视为一叠独立的体素“切片”，这使得学习分割体素网格如同将现有的基于图像的分割网络扩展到 3D 领域一样直接。然而，使用体素网格表示需要较大的内存占用、昂贵的测试时间并限制解决方案的可扩展性。在本文中，我们提出 Point-Unet，一种将深度学习与 3D 点云的效率相结合的体分割新方法。我们的核心思想是首先通过学习注意力概率图来预测体中的感兴趣区域，然后将其用于对体进行采样得到稀疏点云，随后使用基于点的神经网络进行分割。我们在医学体分割任务上进行了实验，使用了小规模数据集 Pancreas 和大规模数据集 BraTS18、BraTS19 及 BraTS20 挑战赛。在不同指标上的综合基准测试表明，我们的上下文感知 Point-Unet 在准确率、训练期间的内存使用以及测试期间的时间消耗上均稳健地优于 SOTA 基于体素的网络。我们的代码可在 https://github.com/VinAIResearch/Point-Unet 获取。
引用
@article{arxiv.2203.08964,
title = {Point-Unet: A Context-aware Point-based Neural Network for Volumetric Segmentation},
author = {Ngoc-Vuong Ho and Tan Nguyen and Gia-Han Diep and Ngan Le and Binh-Son Hua},
journal= {arXiv preprint arXiv:2203.08964},
year = {2024}
}
备注
Accepted in MICCAI 2021