面向高效精准CT分割的边缘保持概率下采样
图像与视频处理
2024-10-27 v1 计算机视觉与模式识别
机器学习
摘要
下采样图像和标签常因资源有限或加速网络训练而被迫进行，这会导致小对象和细边缘的丢失，削弱分割网络准确解释图像并预测详细标签的能力，导致与原始分辨率处理相比性能下降。这种情况体现了效率与精度之间的权衡，更高的下采样比例进一步损害分割结果。保留下采样期间的信息对于医学图像分割尤为关键。为解决这一挑战，我们引入一种名为边缘保持概率下采样 (EPD) 的新方法。它利用局部窗口内的类别不确定性生成软标签，窗口大小决定下采样比例。这使得网络能够在低分辨率下产生质量预测。除了比传统最近邻下采样更有效地保留边缘细节外，针对图像采用类似算法还能超越双线性插值，在图像下采样中提升整体性能。我们的方法在下采样至1/2、1/4和1/8时，分别将与交集比 (IoU) 提高了2.85%、8.65%和11.89%。
引用
@article{arxiv.2404.03991,
title = {Towards Efficient and Accurate CT Segmentation via Edge-Preserving Probabilistic Downsampling},
author = {Shahzad Ali and Yu Rim Lee and Soo Young Park and Won Young Tak and Soon Ki Jung},
journal= {arXiv preprint arXiv:2404.03991},
year = {2024}
}
备注
5 pages (4 figures, 1 table); This work has been submitted to the IEEE Signal Processing Letters