用于腹部多器官分割的体素级孪生表示学习
计算机视觉与模式识别
2021-05-18 v1
摘要
近期医学图像分割工作因标注有限而积极探索各种深度学习架构或目标函数以从体数据编码高层特征。然而，大多数现有方法倾向于忽略跨体数据的全局上下文，并在决策空间中定义上下文关系。本工作中，我们提出一种用于腹部多器官分割的新型体素级孪生表示学习方法以改进表示空间。该方法在表示空间中强制体素级特征关系，从而更全面地利用有限数据集以获得更好性能。受对比学习近期进展启发，我们在不使用负样本的情况下抑制同类体素级关系被投影至同一点。此外，我们引入一种多分辨率上下文聚合方法，从多个隐藏层聚合特征，从而编码全局与局部上下文用于分割。我们在多器官数据集上的实验以 2% 的 Dice 系数优于现有方法。表示空间的定性可视化表明，改进主要源于解纠缠的特征空间。
引用
@article{arxiv.2105.07672,
title = {Voxel-level Siamese Representation Learning for Abdominal Multi-Organ Segmentation},
author = {Chae Eun Lee and Minyoung Chung and Yeong-Gil Shin},
journal= {arXiv preprint arXiv:2105.07672},
year = {2021}
}