获取完整原文和代码,公众号回复:10090940664
论文地址: http://arxiv.org/pdf/2110.10640v1.pdf
代码: 公众号回复:10090940664
来源: Technische Universität Darmstadt
论文名称:OSS-Net Memory Efficient High Resolution Semantic Segmentation of 3D Medical Data
原文作者:Christoph Reich
内容提要
卷积神经网络(CNNs)是目前最先进的医学数据体积分割元算法,例如,在计算机断层扫描中定位COVID-19感染的组织,或在磁共振成像中检测肿瘤体积。3D CNNs对体素化数据的一个关键限制是内存消耗随着训练数据分辨率的立方增长。Occupancy网络(O-Nets)是一种替代方法,数据在函数空间中连续表示,3D形状作为连续的决策边界来学习。虽然O-Nets明显比CNNs具有更高的内存效率,但它们限于简单的形状,推理速度相对较慢,而且还没有适应于医学数据的3D语义分割。在这里,我们提出了语义分割占用网络(OSS-Nets),以准确和内存有效地分割3D医疗数据。我们在原始的O-Net基础上进行了修改,增加了表达能力,从而提高了可与CNNs相比的分割性能,并对更快的推理进行了修改。我们利用局部观察来表示复杂的形状,并利用先前的编码器预测来加快推理。我们通过一个功能空间基线(O-Net)、一个性能基线(3D residual U-Net)和一个效率基线(2D residual U-Net)来展示OSS-Net在3D脑瘤和肝脏分割上的性能。OSS-Net产生的分割结果类似于性能基线,优于函数空间和效率基线。在内存效率方面,OSS-Net消耗了相当数量的内存作为函数空间基线,比效率基线多一些内存,比性能基线少很多。因此,OSS-Net支持高效内存和精确的3D语义分割,可以扩展到高分辨率。
主要框架及实验结果
声明:文章来自于网络,仅用于学习分享,版权归原作者所有,侵权请加上文微信联系删除。