VoteNet+：一种用于多图谱分割的改进深度学习标签融合方法
计算机视觉与模式识别
2020-01-15 v2
摘要
在这项工作中，我们通过将近期提出的 VoteNet 模型与联合标签融合（JLF）方法相集成来提升多图谱分割（MAS）的性能。具体而言，我们首先说明，与使用 JLF 中典型的图像强度差异相比，利用深度卷积神经网络预测图谱概率能更好地区分正确图谱标签与错误标签。受此发现的启发，我们提出 VoteNet+，一种改进的深度网络，用于局部预测图谱标签不同于目标图像标签的概率。此外，我们表明作为标签融合方法，JLF 比多数投票更适合 VoteNet 框架。最后，我们使用 Platt 缩放来校准新模型的概率。在 LPBA40 三维 MR 脑图像上的结果表明，我们提出的方法能取得优于 VoteNet 的性能。
引用
@article{arxiv.1911.00582,
title = {VoteNet+ : An Improved Deep Learning Label Fusion Method for Multi-atlas Segmentation},
author = {Zhipeng Ding and Xu Han and Marc Niethammer},
journal= {arXiv preprint arXiv:1911.00582},
year = {2020}
}
备注
Accepted by ISBI-2020