基于低复杂度深度模型的肝脏病灶分割
计算机视觉与模式识别
2018-05-24 v1
摘要
我们提出一种计算高效的架构，用于从肝脏的CT图像中学习分割病灶。所提架构在瓶颈架构的最后一层使用双线性插值与子像素卷积来对粗特征进行上采样。由于双线性插值和子像素卷积没有任何可学习参数，我们的整体模型比传统的U-net更快且占用更少的内存。我们在极具竞争力的2017年肝脏肿瘤分割（LiTS）挑战赛数据集上评估了所提架构。我们的方法取得了有竞争力的结果，同时与原始UNet模型相比将可学习参数数量减少了约13.8倍。
引用
@article{arxiv.1805.09233,
title = {Segmentation of Liver Lesions with Reduced Complexity Deep Models},
author = {Ram Krishna Pandey and Aswin Vasan and A G Ramakrishnan},
journal= {arXiv preprint arXiv:1805.09233},
year = {2018}
}