基于子像素嵌入的脑 MRI 小病灶分割
图像与视频处理
2021-09-21 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
我们提出一种将人脑 MRI 扫描分割为缺血性卒中病灶与正常组织的方法。我们提出了一种标准编码器-解码器形式的神经网络架构，其预测由空间扩展嵌入网络引导。我们的嵌入网络学习可解析脑内精细结构的特征，而无需高分辨率训练图像，这类图像往往难以获取且成本高昂。与之相对，编码器-解码器通过步幅与最大池化学习全局结构。我们的嵌入网络通过在解码阶段以编码器下采样所丢失的细粒度细节引导解码器，从而补充编码器-解码器架构。与以往工作不同，我们的解码器以输入分辨率 2 倍的尺度输出，其中输入分辨率中的单个像素由我们输出中的四个相邻子像素预测。为获得原始尺度的输出，我们提出一种可学习的下采样器（而非双线性等手工设计者）来融合子像素预测。我们的方法较基线架构提升约 11.7%，并在 ATLAS 公开基准数据集上以小于最优竞争方法的内存占用与更快推理速度取得当前最优（state of the art）结果。我们的源代码已公开于：https://github.com/alexklwong/subpixel-embedding-segmentation。
引用
@article{arxiv.2109.08791,
title = {Small Lesion Segmentation in Brain MRIs with Subpixel Embedding},
author = {Alex Wong and Allison Chen and Yangchao Wu and Safa Cicek and Alexandre Tiard and Byung-Woo Hong and Stefano Soatto},
journal= {arXiv preprint arXiv:2109.08791},
year = {2021}
}