用于 MR/CT 图像分割的选择性信息传递
图像与视频处理
2020-10-26 v1 计算机视觉与模式识别
摘要
自动化医学图像分割在许多临床应用中起着重要作用，然而由于复杂的背景纹理、缺乏清晰边界以及图像间显著的形状和纹理差异，这是一项极具挑战性的任务。许多研究者提出了带有跳跃连接的编码器-解码器架构，以结合编码器路径中的低级特征图与解码器路径中的高级特征图，从而自动分割医学图像。跳跃连接已被证明能有效恢复目标对象的细粒度细节，并可能促进梯度反向传播。然而，并非所有这些连接传递的所有特征图都对网络性能有正向贡献。在本文中，为了自适应地选择有用信息通过那些跳跃连接，我们提出了一种具有自监督功能的新型三维网络，称为选择性信息传递网络（SIP-Net）。我们在 MICCAI 2012 前列腺 MR 图像分割 Grant Challenge 数据集、TCIA Pancreas CT-82 以及 MICCAI 2017 肝肿瘤分割（LiTS）Challenge 数据集上评估了所提出的模型。跨这些数据集的实验结果表明，我们的模型取得了改进的分割结果，并优于其他最先进的方法。本工作的源代码可在 https://github.com/ahukui/SIPNet 获取。
引用
@article{arxiv.2010.04920,
title = {Selective Information Passing for MR/CT Image Segmentation},
author = {Qikui Zhu and Liang Li and Jiangnan Hao and Yunfei Zha and Yan Zhang and Yanxiang Cheng and Fei Liao and Pingxiang Li},
journal= {arXiv preprint arXiv:2010.04920},
year = {2020}
}