面向医学图像病灶分割的尺度感知双亲和力学习超分辨率网络
图像与视频处理
2023-05-31 v1 计算机视觉与模式识别
摘要
卷积神经网络(CNNs)在医学图像分割中取得了显著进展。然而,由于尺度和形状的变化,病灶分割对最先进的基于 CNN 的算法仍是一项挑战。一方面,微小病灶难以从通常低分辨率的医学图像中精确勾画。另一方面,分割大尺寸病灶需要大的感受野,这加剧了第一个挑战。本文提出一种尺度感知超分辨率网络,以自适应地从低分辨率医学图像中分割不同大小的病灶。我们所提网络包含双分支,同时执行病灶掩码超分辨率与病灶图像超分辨率。图像超分辨率分支将为分割分支(即掩码超分辨率分支)提供更精细的特征以进行细粒度分割。同时,我们将尺度感知空洞卷积块引入多任务解码器,以根据病灶大小自适应调整卷积核的感受野。为引导分割分支从更丰富的高分辨率特征中学习,我们提出特征亲和模块与尺度亲和模块来增强双分支的多任务学习。在多个具有挑战性的病灶分割数据集上,我们所提网络相比其他最先进方法取得了持续的改进。
引用
@article{arxiv.2305.19063,
title = {Scale-aware Super-resolution Network with Dual Affinity Learning for Lesion Segmentation from Medical Images},
author = {Yanwen Li and Luyang Luo and Huangjing Lin and Pheng-Ann Heng and Hao Chen},
journal= {arXiv preprint arXiv:2305.19063},
year = {2023}
}
备注
Journal paper under review. 10 pages. The first two authors contributed equally