论文笔记Multi-phase Liver Tumor Segmentation with Spatial Aggregation and Uncertain Region Inpainting

基于空间聚集和不确定区域修复的多期肝肿瘤分割

ELSEVIER Neural Networks 2021

多阶段特征融合策略可分为三类:输入级融合(ILF)方法、决策级融合(DLF)方法和特征级融合(FLF)方法。在这些方法中，特征级融合FLF方法被证明可以获得最佳性能，因为它们利用了多级交叉相位特征。例如：吴等人提出了一种MW-UNet，它通过使用可训练系数对来自U-Net的隐藏层的特征进行加权来集成不同的相位。徐等人提出了一种基于 ResNet的PA-ResSeg，利用通道注意机制对不同阶段的特征进行重新加权。然而，已知的特征级融合FLF方法仅仅关注相位方向或通道方向的相位间关系，而忽略了不同相位之间的像素方向的对应关系，从而导致信息聚集中的冗余和低效率。特征融合不充分甚至会在空间位置引入干扰因素。

此外，与其他分割任务一样，现有多阶段LiTS方法的性能受到不确定区域分割的影响，也就是说，分割结果通常呈现一些模糊或不明确的区域(尤其是肿瘤边界)，这个问题主要是由(1)上下采样操作中的高频信息丢失(2)肿瘤和周围环境之间的低对比度引起的。

(1)空间聚合模块SAM，以确保足够的相间相互作用。该模块挖掘宏观和局部相位间的关系，并为每个相位生成像素级响应图。然后，根据响应图逐像素地调制和融合多相位特征。

(2)不确定区域修复模块URIM来细化不确定和模糊区域，有助于获得细粒度的肿瘤边界分割；关键思想是使用分割分数高的像素来修复周围的不确定像素。为此，引入了局部置信卷积(LC-Conv)运算，使不确定像素吸收相邻的鉴别特征。经过多次LC-Conv运算后，采用调整后的特征进行最终预测。

(3)在多相MPCT- FLLs数据集上验证了方法。

相互引导编码器部分以ResNeXt-50为主干，它使用两个路径，即PV流和ART流，来提取特定相位的特征。解码器部分将来自编码器的四级聚集特征作为输入，并产生初始概率图。为了合并多级特征，使用双线性插值对所有输入进行上采样，并通过级联和卷积进行融合。

论文笔记Multi-phase Liver Tumor Segmentation with Spatial Aggregation and Uncertain Region Inpainting相关推荐

7.论文学习Multi-phase Liver Tumor Segmentation with Spatial Aggregation and Uncertain Region Inpainting
目录摘要 1.引言背景本文研究 2.方法 2.1 空间聚合模块SAM 2.2不确定区域填充模块 2.2.1置信图计算 2.2.2局部置信卷积 2.3损失函数和训练策略 3.材料和实验 3.1数据 ...
[深度学习论文笔记]Multi-phase Liver Tumor Segmentation with Spatial Aggregation
Multi-phase Liver Tumor Segmentation with Spatial Aggregation and Uncertain Region Inpainting [深度学习论 ...
8.论文学习Liver Tumor Segmentation and Classification: A Systematic Review
目录摘要 1.引言 2.文献调查 3.肝脏肿瘤分割的一般步骤 A.CT肝脏图像 B.图像预处理 C.肝脏分割和肿瘤分割 D.特征提取 E.分类 4.肝脏图像预处理方法 A.中值滤波 B.双边滤波器( ...
【论文笔记】D2A U-Net: Automatic segmentation of COVID-19 CT slices based on dual attention and hybrid di
声明不定期更新自己精度论文,通俗易懂,初级小白也可以理解涉及范围:深度学习方向,包括 CV.NLP.Data Fusion.Digital Twin 论文标题:D2A U-Net: Automat ...
论文笔记|AAAI2023：ESPT: A Self-Supervised Episodic Spatial Pretext Task for Improving Few-Shot Learning
这篇论文的题目是 ESPT: A Self-Supervised Episodic Spatial Pretext Task for Improving Few-Shot Learning,提出了用于 ...
论文笔记United adversarial learning for liver tumor segmentation
联合对抗学习用于肝肿瘤分割和多模态非对比MRI检测 Medical Image Analysis 2021 Stage1:在这项研究中,提出一个联合对抗学习框架,UAL首先利用三个并行卷积通道进行多模 ...
论文笔记Efficient two-step liver and tumour segmentation on abdominal CT
通过深度学习和条件随机场在腹部CT上进行有效的两步肝脏和肿瘤分割从计算机断层摄影(CT)扫描中分割肝脏和肿瘤是肝脏手术规划中的重要任务.肝脏和肿瘤的手动分割是一项耗时且劳动密集的任务;因此特别需要一 ...
论文笔记：STD2P: RGBD Semantic Segmentation Using Spatio-Temporal Data-Driven Pooling
STD2P: RGBD Semantic Segmentation Using Spatio-Temporal Data-Driven Pooling Yang He, Wei-Chen Chiu, ...
论文笔记-Understanding Convolution for Semantic Segmentation
图森和CMU的合作工作. 论文链接[https://arxiv.org/abs/1702.08502](https://arxiv.org/abs/1702.08502) 主要提出DUC(dense ...

论文笔记Multi-phase Liver Tumor Segmentation with Spatial Aggregation and Uncertain Region Inpainting

论文笔记Multi-phase Liver Tumor Segmentation with Spatial Aggregation and Uncertain Region Inpainting相关推荐

最新文章

热门文章