利用 Project & Excite 重新校准三维卷积神经网络
图像与视频处理
2020-02-26 v1 机器学习
机器学习
摘要
全卷积神经网络（F-CNNs）在计算机视觉和医学影像的分割任务中取得了最先进的性能。近来，称为压缩激励（squeeze and excitation, SE）的计算模块被引入，以在通道和空间维度上重新校准 F-CNN 特征图，在仅极小增加模型复杂度的同时提升分割性能。迄今为止，SE 模块的发展集中于 2D 架构。然而，对于体积医学图像，3D F-CNNs 是天然的选择。在本文中，我们将现有的 2D 重新校准方法扩展到 3D，并提出一种通用的压缩-处理-重新校准流程，以便于对此类模块进行简便比较。我们进一步引入了为 3D 网络定制的 Project & Excite（PE）模块。与现有模块不同，Project & Excite 不执行全局平均池化，而是分别沿张量的不同空间维度压缩特征图，以保留更多空间信息，随后用于激励步骤。我们在两个具有挑战性的任务上评估这些模块：MRI 扫描的全脑分割和 CT 扫描的全身分割。我们证明 PE 模块可轻松集成到 3D F-CNNs 中，在 Dice Score 上提升高达 0.3，并优于其他重新校准模块的 3D 扩展，同时仅边际增加模型复杂度。我们的代码公开于 https://github.com/ai-med/squeeze_and_excitation 。
引用
@article{arxiv.2002.10994,
title = {Recalibrating 3D ConvNets with Project & Excite},
author = {Anne-Marie Rickmann and Abhijit Guha Roy and Ignacio Sarasua and Christian Wachinger},
journal= {arXiv preprint arXiv:2002.10994},
year = {2020}
}
备注
Accepted for publication at IEEE Transactions on Medical Imaging