基于投影的 2.5D U-net 架构用于快速体数据分割
计算机视觉与模式识别
2019-08-06 v2 图像与视频处理
摘要
卷积神经网络在各种分割任务中处于最先进水平。虽然对 2D 图像这些网络在计算上也很高效，但 3D 卷积具有巨大的存储需求且需要长训练时间。为克服该问题，我们引入了一种不含 3D 卷积层的体数据网络结构。主要思想是从不同方向包含最大强度投影，将体数据转换为图像序列，其中每幅图像包含完整数据的信息。我们随后对这些投影图像应用 2D 卷积，并使用可训练的重建算法将其再次提升为体数据。所提出的网络架构比使用 3D 卷积的网络结构具有更少的存储需求。对于一个测试的二值分割任务，它甚至表现出优于 3D U-net 的性能，且可训练得快得多。
引用
@article{arxiv.1902.00347,
title = {Projection-Based 2.5D U-net Architecture for Fast Volumetric Segmentation},
author = {Christoph Angermann and Markus Haltmeier and Ruth Steiger and Sergiy Pereverzyev and Elke Gizewski},
journal= {arXiv preprint arXiv:1902.00347},
year = {2019}
}
备注
presented at the SAMPTA 2019 conference