重新思考深度学习医学图像分割模型中的边界检测
计算机视觉与模式识别
2023-05-02 v1
摘要
医学图像分割是医学图像分析领域的一项基础任务。本文提出一种称为卷积、Transformer 与算子（CTO）的新型网络架构。CTO 结合卷积神经网络（CNN）、Vision Transformer（ViT）与显式边界检测算子，在保持精度与效率最优平衡的同时实现高识别精度。所提 CTO 遵循标准编码器—解码器分割范式，其中编码器网络采用主流 CNN 骨干捕捉局部语义信息，并辅以轻量 ViT 整合长程依赖。为增强边界学习能力，提出一种边界引导解码器网络，其利用由专用边界检测算子获得的边界掩码作为显式监督来引导解码学习过程。所提方法在六个具挑战性的医学图像分割数据集上进行了评估，表明 CTO 以具竞争力的模型复杂度取得了 SOTA 精度。
引用
@article{arxiv.2305.00678,
title = {Rethinking Boundary Detection in Deep Learning Models for Medical Image Segmentation},
author = {Yi Lin and Dong Zhang and Xiao Fang and Yufan Chen and Kwang-Ting Cheng and Hao Chen},
journal= {arXiv preprint arXiv:2305.00678},
year = {2023}
}
备注
Accepted by IPMI 2023