SUMNet：用于超声体数据中解剖结构快速分割的全卷积模型
计算机视觉与模式识别
2019-01-23 v1
摘要
超声成像通常用于实时探查人体内部解剖结构以识别疾病。由于图像中散斑强度的随机特性，器官与病灶的解剖边界勾画颇具挑战，也会给观察者带来视觉疲劳。本文引入一种基于全卷积神经网络的方法，在随机变化的散斑强度存在下，通过学习紧密相关的类别间的空间关系来分割超声体数据中的器官与病灶。我们提出一种类卷积编码器-解码器框架，具有（i）编码器与解码器中匹配层间的特征拼接，以及（ii）解码器中基于索引传递的反池化，用于超声体数据的语义分割。我们在公开数据集上实验评估了性能，数据集包含 个以 MHz采集的血管内超声回拉数据，以及 个以 MHz采集的自由手持甲状腺超声体数据。在 折交叉验证实验中，处理 像素帧耗时 s、处理 体素体数据耗时 s，分别获得了 和 的Dice分数。
引用
@article{arxiv.1901.06920,
title = {SUMNet: Fully Convolutional Model for Fast Segmentation of Anatomical Structures in Ultrasound Volumes},
author = {Sumanth Nandamuri and Debarghya China and Pabitra Mitra and Debdoot Sheet},
journal= {arXiv preprint arXiv:1901.06920},
year = {2019}
}
备注
Accepted in ISBI 2019