SESV：通过预测和纠错实现精确的医学图像分割

SESV：通过预测和纠错实现精确的医学图像分割

286 IEEE TRANSACTIONS ON MEDICAL IMAGING, VOL. 40, NO. 1, JANUARY 2021

背景

医学图像分割是计算机辅助诊断中的一项重要任务。尽管深度卷积神经网络普遍存在并取得了成功，但仍需要改进，以产生足够准确和稳健的分割结果供临床使用。在本文中，我们提出了一种新的通用框架，称为分割有效性分割验证（SESV），以提高现有DCNN在医学图像分割中的准确性，而不是设计更准确的分割模型。我们的想法是预测现有模型产生的分割误差，然后进行校正。由于预测分割误差具有挑战性，我们设计了两种方法来容忍误差预测中的误差。首先，我们不使用预测的分割误差图来直接校正分割掩模，而是只将误差图视为指示容易发生分割误差的位置的先验，然后将误差图与图像和分割掩模连接起来，作为重新分割网络的输入。其次，我们引入了一个验证网络，以逐个区域地确定是接受还是拒绝重新分割网络产生的细化掩码。在CRAG、ISIC和IDRiD数据集上的实验结果表明，使用我们的SESV框架可以显著提高DeepLabv3+的准确性，并在腺细胞、皮肤病变和视网膜微动脉瘤的分割中实现高级性能。当分别使用PSPNet、U-Net和FPN作为分割网络时，也可以得出一致的结论。因此，我们的SESV框架能够提高不同DCNN在不同医学图像分割任务中的准确性。

贡献<