SynergyNet：弥合离散与连续表示鸿沟以实现精确医学图像分割
计算机视觉与模式识别
2023-10-30 v1
摘要
近年来，连续潜空间（CLS）与离散潜空间（DLS）深度学习模型已被提出用于医学图像分析以提升性能。然而，这些模型面临不同的挑战。CLS 模型捕捉精细细节，但因其侧重低级特征，常在结构表示与鲁棒性方面缺乏可解释性。相反，DLS 模型得益于其结构化潜空间，提供可解释性、鲁棒性以及捕捉粗粒度信息的能力。但 DLS 模型在捕捉细粒度细节上效力有限。为克服 DLS 与 CLS 模型的局限，我们提出 SynergyNet，一种旨在增强现有编码器-解码器分割框架的新型瓶颈架构。SynergyNet 无缝整合离散与连续表示以利用互补信息，并成功在所学表示中保留细粒度与粗粒度细节。我们在多器官分割与心脏数据集上的大量实验表明，SynergyNet 优于其他最先进（state of the art）方法，包括 TransUNet：Dice 分数分别提升 2.16%，Hausdorff 分数提升 11.13%。在评估皮肤病变与脑肿瘤分割数据集时，我们观察到皮肤病变分割的交并比（Intersection-over-Union）分数显著提升 1.71%，脑肿瘤分割提升 8.58%。我们的创新方法为提升深度学习模型在医学图像分析这一关键领域的整体性能与能力铺平了道路。
引用
@article{arxiv.2310.17764,
title = {SynergyNet: Bridging the Gap between Discrete and Continuous Representations for Precise Medical Image Segmentation},
author = {Vandan Gorade and Sparsh Mittal and Debesh Jha and Ulas Bagci},
journal= {arXiv preprint arXiv:2310.17764},
year = {2023}
}
备注
Accepted at WACV 2024