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