用于体积医学扫描分割的“投影与激发”模块
图像与视频处理
2019-06-13 v2 计算机视觉与模式识别
摘要
全卷积神经网络（F-CNNs）在医学影像的图像分割中达到最先进性能。近来，压缩与激发（SE）模块及其变体被引入以按通道和空间重新校准特征图，这能在仅极小增加模型复杂度的同时提升性能。迄今，SE的发展聚焦于2D图像。在本文中，我们提出基于SE思想并扩展至作用于3D体积图像的“投影与激发”（PE）模块。“投影与激发”不执行全局平均池化，而是分别沿张量的不同切片压缩特征图，以保留更多空间信息，随后用于激发步骤。我们证明PE模块可轻松集成于3D U-Net，将性能提升5% Dice点，而仅增加2%的模型复杂度。我们在两个挑战性任务上评估PE模块：MRI扫描的全脑分割和CT扫描的全身分割。代码：https://github.com/ai-med/squeeze_and_excitation
引用
@article{arxiv.1906.04649,
title = {`Project & Excite' Modules for Segmentation of Volumetric Medical Scans},
author = {Anne-Marie Rickmann and Abhijit Guha Roy and Ignacio Sarasua and Nassir Navab and Christian Wachinger},
journal= {arXiv preprint arXiv:1906.04649},
year = {2019}
}
备注
Accepted for International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI) 2019