用于医学图像分割的全卷积网络自适应二维-三维集成方法
图像与视频处理
2019-07-29 v1 计算机视觉与模式识别
摘要
分割是医学图像分析中的关键步骤。全卷积网络（FCNs）已成为强大的分割模型，在各种医学图像数据集上取得了最先进的结果。网络架构通常针对特定分割任务手动设计，因此将它们应用于其他医学数据集需要大量经验与时间。此外，分割需要处理大型体数据，导致庞大而复杂的架构。近来，已有自动设计神经网络用于医学图像分割的方法提出；然而，大多数方法要么未充分考虑体信息，要么未优化网络规模。在本文中，我们提出了一种新颖的用于医学图像分割的自适应二维-三维 FCN 集成模型，其融合了体信息并同时优化模型性能与规模。该模型由一个提取片内信息的二维 FCN 和一个利用片间信息的三维 FCN 集成而成。二维与三维 FCN 的架构通过使用多目标进化算法自动适配医学图像数据集，该算法同时最小化分割误差与网络参数量。所提出的二维-三维 FCN 集成在 PROMISE12 Grand Challenge 的图像数据集上的前列腺分割任务进行了测试。所得网络排名前 10 提交，超越了其他自动设计架构的性能，同时规模显著更小。
引用
@article{arxiv.1907.11587,
title = {Self-Adaptive 2D-3D Ensemble of Fully Convolutional Networks for Medical Image Segmentation},
author = {Maria G. Baldeon Calisto and Susana K. Lai-Yuen},
journal= {arXiv preprint arXiv:1907.11587},
year = {2019}
}