VoteNet：一种用于多图谱分割的深度学习标签融合方法
计算机视觉与模式识别
2019-06-03 v2
摘要
深度学习方法（DL）在许多医学图像分割任务中处于最先进水平。它们具有若干优势：可针对特定任务进行训练，测试时计算速度快，且分割质量通常较高。相比之下，先前流行的多图谱分割（MAS）方法相对较慢（因其依赖代价高昂的配准），并且尽管已提出复杂的标签融合策略，DL方法通常仍优于MAS。在本工作中，我们提出一种基于DL的标签融合策略（VoteNet），它局部选择一组可靠的图谱，随后通过多数投票融合其标签。在3D脑MRI数据上的实验表明，通过选择良好的初始图谱集，采用VoteNet的MAS显著优于多种其他标签融合策略以及一种直接的DL分割方法。我们还对所提方法可达到的性能上限进行了实验分析。尽管该上限在实践中难以达到，但它表明仍有进一步提升性能的空间。最后，为解决标准MAS的运行时劣势，我们的所有结果均使用了一种快速的DL配准方法。
引用
@article{arxiv.1904.08963,
title = {VoteNet: A Deep Learning Label Fusion Method for Multi-Atlas Segmentation},
author = {Zhipeng Ding and Xu Han and Marc Niethammer},
journal= {arXiv preprint arXiv:1904.08963},
year = {2019}
}