体积医学图像分割：一种三维深度粗到细框架及其对抗样本
计算机视觉与模式识别
2020-11-02 v1
摘要
尽管深度神经网络已成为许多 2D 视觉任务的主导方法，但由于标注 3D 数据量有限且计算资源受限，将其应用于 3D 任务（如医学图像分割）仍具挑战性。在本章中，通过重新思考应用 3D 卷积神经网络分割医学图像的策略，我们提出一种新颖的基于 3D 的粗到细框架以高效应对这些挑战。所提基于 3D 的框架大幅优于其 2D 对应方法，因其可利用沿全部三个轴的丰富空间信息。我们进一步分析了所提框架面临的对抗攻击威胁，并展示了如何防御该攻击。我们在三个数据集上进行实验：NIH 胰腺数据集、JHMI 胰腺数据集和 JHMI 病理性囊肿数据集，其中前两者与后者分别包含健康与病理性胰腺，并在所有数据集上取得了当前最优的 Dice-Sorensen 系数（DSC）。特别是在 NIH 胰腺分割数据集上，我们平均优于先前最佳方法超过 ，最差情况提升 达到近 ，这表明我们的框架在临床应用中的可靠性。
引用
@article{arxiv.2010.16074,
title = {Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine Framework and Its Adversarial Examples},
author = {Yingwei Li and Zhuotun Zhu and Yuyin Zhou and Yingda Xia and Wei Shen and Elliot K. Fishman and Alan L. Yuille},
journal= {arXiv preprint arXiv:2010.16074},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:1712.00201