全卷积网络的量化以实现精准生物医学图像分割
计算机视觉与模式识别
2018-03-14 v1
摘要
随着医学影像在医疗健康中的普遍应用，生物医学图像分割在定量分析、临床诊断与医疗干预中发挥着核心作用。由于人工标注存在可重复性有限、费力耗时等弊端，人们期望通过自动分割来处理规模日益增大的组织病理学数据。近年来，深度神经网络（DNNs），尤其是全卷积网络（FCNs），已被广泛应用于生物医学图像分割，取得了显著改善的性能。与此同时，DNNs的量化成为一个活跃的研究课题，其旨在以更低的内存（精度）表示权重，在保持可接受精度的同时大幅降低DNNs的内存与计算需求。本文中，我们将量化技术应用于FCNs以实现精准生物医学图像分割。与现有主要面向降低内存和计算复杂度的量化文献不同，我们将量化作为一种减少FCNs过拟合以提升精度的方法。具体而言，我们聚焦于一种最先进的分割框架——suggestive annotation[22]，它从原始训练数据集中审慎提取具有代表性的标注样本，从而获得高效的小规模平衡训练集。我们为该框架开发了两种新的量化过程：（1）面向高代表性训练样本的带量化suggestive annotation；（2）面向高精度的带量化网络训练。在MICCAI Gland数据集上的大量实验表明，两种量化过程均能提升分割性能，且我们提出的方法将当前最先进性能提高了至多1%。此外，我们的方法在内存使用上实现了至多6.4倍的降低。
引用
@article{arxiv.1803.04907,
title = {Quantization of Fully Convolutional Networks for Accurate Biomedical Image Segmentation},
author = {Xiaowei Xu and Qing Lu and Yu Hu and Lin Yang and Sharon Hu and Danny Chen and Yiyu Shi},
journal= {arXiv preprint arXiv:1803.04907},
year = {2018}
}
备注
9 pages, 11 Figs, 1 Table, Accepted by CVPR