用于高效 3D 医学图像分割的加厚 2D 网络
计算机视觉与模式识别
2019-11-26 v2
摘要
关于 3D 医学图像分割应使用 2D 还是 3D 网络一直存在争论,两种流程各有优劣。2D 方法推理时间短、可迁移性强,而 3D 方法在需要上下文信息的困难目标上性能更优。本文从另一角度研究高效 3D 分割,即使用 2D 网络模拟 3D 分割。为弥补 2D 方式上下文信息的缺失,我们提出将多切片作为多通道输入 2D 网络以加厚 2D 网络输入,从而融入 3D 上下文信息。我们还提出使用早期复用与切片敏感注意力来解决 2D 网络面对加厚输入时出现的丢失信息混淆问题。借助该设计,我们在 CT 扫描的若干腹部器官上以更低推理延迟取得了更高性能,尤其当器官具有特殊 3D 形状因而强烈需要上下文信息时,证明了方法的有效性与捕获 3D 信息的能力。我们也指出“加厚”的 2D 输入开辟了 3D 分割的新途径,并期待该方向更多努力。在分割若干需强 3D 上下文的腹部目标(特别是血管)上的实验展示了我们方法的优势。
引用
@article{arxiv.1904.01150,
title = {Thickened 2D Networks for Efficient 3D Medical Image Segmentation},
author = {Qihang Yu and Yingda Xia and Lingxi Xie and Elliot K. Fishman and Alan L. Yuille},
journal= {arXiv preprint arXiv:1904.01150},
year = {2019}
}