[论文阅读]Thickened 2D Networks for 3D Medical Image Segmentation

算法流程

[论文阅读]Thickened 2D Networks for 3D Medical Image Segmentation_第1张图片

总的框架还是2.5D网络:

先沿着3个轴\nu =\left \{ C,S,A \right \}方向切分slice,每个轴方向的所有切片经过设计的网络后的输出的3D预测图是P^{C},P^{S},P^{A},最后求3个轴方向预测图的平均值,作为最终预测图。

下面我们来看文章中的网络对每个轴的切片是如何处理,通过2D网络得到一个3D的预测图:

[论文阅读]Thickened 2D Networks for 3D Medical Image Segmentation_第2张图片

2:将v方向上的所有切片划分为k组,文章中是每3个slice为1组

3,4:k组中的每一组切片输入到f1层,输入I^{v}_{i}:3*H*W,输出O^{v}_{i}:256*H*W

5:k个O^{v}_{i}经过fc层,融合inter-slice信息,输出O^{v}:concatenate[256*H*W,k]==>(256*k)*H*W==>(256*k/2)*H*W==>256*H*W

6:O^{v}经过f2进行变换:输出U^{v}:256*H*W

7,8:对k组中的每一组切片经过f1层的输出O^{v}_{i}U^{v}经过CNLM,计算每个O^{v}_{i}的attention结果P^{v}_{i}:256*H*W

9:整合k组切片的attention结果,输出P^{v}:L*H*W

关于Channel-wise Non-local block

原Non-local block

通过计算某个位置处的向量和其他每个空间位置处的向量之间的相关性关系,得到该位置的attention值

[论文阅读]Thickened 2D Networks for 3D Medical Image Segmentation_第3张图片

[论文阅读]Thickened 2D Networks for 3D Medical Image Segmentation_第4张图片

Channel-wise Non-local block

通过计算某个通道的向量和其他每个通道对应的向量之间的相关性关系,得到该通道的attention值

[论文阅读]Thickened 2D Networks for 3D Medical Image Segmentation_第5张图片

[论文阅读]Thickened 2D Networks for 3D Medical Image Segmentation_第6张图片

设计一个新的统计值用于定义slice之间的相关性:inter-slice similarity

沿某个轴计算相邻slice之间的dice score,形成一个向量,使用该向量表示一个volume的slice之间的相似度,通过比较预测的volume和Ground Truth的inter-slice similarity的距离来评价分割方法是否能够鉴别相邻的slice。

[论文阅读]Thickened 2D Networks for 3D Medical Image Segmentation_第7张图片

 

你可能感兴趣的:(医学图像分割)