RevPHiSeg：一种用于医学图像分割中不确定性量化的内存高效神经网络
图像与视频处理
2020-08-19 v2 计算机视觉与模式识别
摘要
由于解剖结构及其病理的固有模糊性，量化分割不确定性已成为医学图像分析中的一个重要问题。近年来，基于神经网络的不确定性量化方法已成功应用于各类问题。现有技术的主要局限之一是在训练期间对内存的高需求；这限制了它们处理较小视场（FOVs）和/或使用较浅架构的应用。在本文中，我们研究了使用可逆块构建内存高效神经网络架构以量化分割不确定性的效果。该可逆架构通过在反向传播时由后续层的输出精确计算激活值，而非存储每一层的激活值，从而实现内存节省。我们将可逆块整合进近期提出的、用于医学图像分割不确定性量化的 PHiSeg 架构中。该可逆架构 RevPHiSeg 允许在内存受限的 GPU 上训练用于量化分割不确定性的神经网络，并处理更大的 FOVs。我们在 LIDC-IDRI 数据集和一个内部前列腺数据集上进行了实验，并与 PHiSeg 进行了比较。结果表明，RevPHiSeg 相比 PHiSeg 减少约 30% 的内存消耗，同时取得了非常相近的分割精度。
引用
@article{arxiv.2008.06999,
title = {RevPHiSeg: A Memory-Efficient Neural Network for Uncertainty Quantification in Medical Image Segmentation},
author = {Marc Gantenbein and Ertunc Erdil and Ender Konukoglu},
journal= {arXiv preprint arXiv:2008.06999},
year = {2020}
}
备注
Accepted to UNSURE by MICCAI 2020