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。