基于不确定性的动态图邻域用于医学图像分割
图像与视频处理
2021-08-29 v1 计算机视觉与模式识别
机器学习
摘要
近年来，基于深度学习的方法在分割等重要的医学图像分析任务中取得了成功。对分割结果进行后处理与细化是减少分割网络误分类的常用做法。除了关注分割体/区域结构的条件随机场（CRFs）等广泛使用的方法外，一种基于图的近期方法利用图中的确定点与不确定点，并根据一个小型图卷积网络（GCN）细化分割。然而，该方法有两个缺陷：图中大多数边是随机分配的，且GCN与分割网络独立训练。为解决这些问题，我们根据特征距离定义了一种新的邻域选择机制，并在训练过程中将两种网络相结合。根据计算机断层扫描（CT）图像上胰腺分割的实验结果，我们展示了定量指标的改善。此外，考察我们方法创建的动态邻域，可观察到语义相似图像部分之间的边。所提方法在分割图中也表现出定性的增强，如视觉结果所示。
引用
@article{arxiv.2108.03117,
title = {Uncertainty-Based Dynamic Graph Neighborhoods For Medical Segmentation},
author = {Ufuk Demir and Atahan Ozer and Yusuf H. Sahin and Gozde Unal},
journal= {arXiv preprint arXiv:2108.03117},
year = {2021}
}
备注
This work is accepted for publication in the PRedictive Intelligence in MEdicine (PRIME) workshop Springer proceedings in conjunction with MICCAI 2021