重新审视医学图像分割中不同尺寸目标的信息损失
计算机视觉与模式识别
2024-03-29 v1 人工智能
摘要
医学图像分割面临着分割不同尺寸目标的挑战，要求模型能够有效捕获局部和全局信息。尽管近期研究使用 CNN 和 ViT 来预测不同尺度的标注，但这些方法在有效平衡不同尺寸目标的检测时往往面临困难。若仅仅利用 CNN 的局部信息和 ViT 的全局关系，而不考虑潜在特征分布中可能存在的显著差异，可能会导致严重的信息损失。为了解决这一问题，本文引入了一种新颖的交错网络（SNet），并论证了精心设计的融合结构可以缓解 CNN 和 ViT 之间潜在特征分布的差异，从而减少信息损失。具体而言，为了同时强调全局依赖和局部关注，我们设计了一个并行模块以弥合语义鸿沟。同时，我们提出了交错模块，试图融合语义上更相似的特征。进一步引入信息恢复模块，以将互补信息恢复至网络中。作为一项关键贡献，我们从理论上分析了所提的并行与交错策略将带来更少的信息损失，从而证明了 SNet 的合理性。实验结果清楚地证明，在目标尺寸各异的 Synapse 数据集上，所提 SNet 在分割表现上优于近期的 SOTA。此外，在目标尺寸更为一致的 ACDC 和 MoNuSeg 数据集上，它也展现出了优越性。
关键词
引用
@article{arxiv.2403.19177,
title = {Rethinking Information Loss in Medical Image Segmentation with Various-sized Targets},
author = {Tianyi Liu and Zhaorui Tan and Kaizhu Huang and Haochuan Jiang},
journal= {arXiv preprint arXiv:2403.19177},
year = {2024}
}