图像分割评价_一种融合器官三维几何信息的分割模型

MICS科研简讯第三期

本篇文章提出了一种融合器官三维几何信息的医学图像分割模型。该模型主要由两部分组成：用于器官分割的基础模型(3D FCN、3DUnet、Vnet、DenseVoxNet等)，以及由Graph-ResNetBlock级联而成的shape-aware网络(用于提升基础网络的分割效果)。该模型的主要算法流程如图1所示。工作的创新点在于提出了一种有效的形状感知网络来学习器官的3D几何信息，并将该网络集成到主干网络中并完成多任务框架的共同训练，以提升模型的分割效果。

图1：模型主要算法流程

文章的主要工作介绍如下(基础模型以FCN为例)：

Shape-aware Network:形状感知网络用于预测分割器官的3D几何形状，使用coarse-to-fine策略将形状感知网络划分为多级block。构成网络的每一个block由图中的Graph-ResNet Block和Graph Unpooling组成。初始的Graph-ResNet Block中，网络的输入仅是初始网格的顶点。而在第i个Graph-ResNet Block中，网络的输入是顶点和来自前一个block的顶点特征向量。

Graph-ResNet Block：这篇文章将FCN中不同层的下采样和上采样特征连接在一起以生成多级