用于医学图像语义分割的双流UNET网络
计算机视觉与模式识别
2022-07-28 v1
摘要
语义图像分割的最新进展极大地受益于更深更大的卷积神经网络（CNN）模型。与自然环境下的图像分割相比，医学图像自身以及现有医学数据集的特性因过拟合问题而阻碍了更深更大模型的训练。为此，我们提出了一种新颖的双流UNET架构用于自动端到端医学图像分割，其中强度值和梯度矢量流（GVF）分别作为每条流的输入。我们证明，具有更多低级特征的两流CNN极大有益于不完美医学图像数据集的语义分割。我们提出的双流网络在流行的医学图像分割基准上进行了训练和评估，结果具有与当前最优方法竞争的实力。代码将很快发布。
引用
@article{arxiv.2207.13337,
title = {Two-Stream UNET Networks for Semantic Segmentation in Medical Images},
author = {Xin Chen and Ke Ding},
journal= {arXiv preprint arXiv:2207.13337},
year = {2022}
}