ECCV 2022 Oral | 学习多类别医学图像分割的拓扑交互
-
转载：CVer计算机视觉（知乎）
一句话总结
本文引入一个新的基于卷积的模块，用于关注拓扑交互的多类别医学图像分割，表现SOTA！性能优于NonAdj、nnUNet等网络，代码已开源！
Learning Topological Interactions for Multi-Class Medical Image Segmentation
单位：石溪大学
代码：https://github.com/TopoXLab/TopoInteraction
论文：https://arxiv.org/abs/2207.09654深度学习方法在多类别医学图像分割方面取得了令人瞩目的表现。 然而，它们在编码不同类之间的拓扑交互（例如，包含和排除）的能力方面受到限制。 这些约束自然出现在生物医学图像中，对于提高分割质量至关重要。
在本文中，我们引入了一种新的拓扑交互模块，将拓扑交互编码到深度神经网络中。
该实现完全基于卷积，因此非常有效。 这使我们能够将约束纳入端到端训练并丰富神经网络的特征表示。 在不同类型的交互中验证了所提出方法的有效性。
主要贡献
实验结果
我们还展示了该方法在专有和公共挑战数据集、2D 和 3D 设置以及 CT 和超声等不同模态中的通用性。
