L-SNET：从区域定位到尺度不变的医学图像分割

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

小白导读

论文是学术研究的精华和未来发展的明灯。小白决心每天为大家带来经典或者最新论文的解读和分享，旨在帮助各位读者快速了解论文内容。个人能力有限，理解难免出现偏差，建议对文章内容感兴趣的读者，一定要下载原文，了解具体内容。

摘要

在医学图像分割中，广泛采用粗到细模型和级联分割体系结构来解决大尺度变化的问题。然而，这些方法有两个主要的局限性:第一阶段分割成为性能瓶颈;由于缺乏整体可微性，使得两个阶段的训练过程不同步、不一致。本文提出了一种可微的两阶段网络结构来解决这些问题。在第一阶段，定位网络(L-Net)以检测的方式定位感兴趣区域(roi);第二阶段，用分割网络(S-Net)对重新校准的roi进行精细分割;L-Net和S-Net之间的RoI重新校准模块，消除不一致性。在公共数据集上的实验结果表明，作者的方法优于最先进的粗到细模型，且计算开销可以忽略不计。

论文创新点

本文提出了一种创新的两阶段网络结构——L-SNet，它利用L-Net解决第一个定位问题，利用S-Net进行精细分割。第一阶段L-Net预测并定位所有roi;在第二阶段，S-Net进行更精细的分割;RoI再校准模块重新校准RoI，连接两个阶段，使L-SNet完全可微。作者的主要工作可以总结为:

• 作者提出了一种创新的两阶段网络结构来解决大规模变化，其中第一阶段进行有效的RoI检测，而不是广泛采用的粗分割。

• 作者设计了一个可解释的RoI重校准模块来连接L-Net和S-Net之间的梯度传播，使L-SNet完全可微。

• 作者提出的L-SNet以较少的计算开销持续提高了从粗到细模型在胰腺- ct数据集上的性能。

框架结构

概述作者提出的L-SNet。给定一个CT图像切片，L-Net对RoI进行定位，RoI再校准模块RR将定位的RoI重新校准到一个固定的尺度，用S-Net进行更精细的分割。后期处理是将精细分割的掩模恢复到其在输入图像上的原始形状和位置。作者灵活的架构对L-Net和S-Net的形式几乎没有限制，因为它们可以是任何CNN。

L-Net管道。特征映射F’通过编码器-解码器结构提取。两个分支分别对F’进行关键点预测和边界框回归。

实验结果

广泛使用的粗细化方法与作者的L-SNet的主要区别是，在将roi发送到第二阶段进行精细分割之前。

结论

本文在分析了以往医学图像分割研究成果的基础上，提出了一种新的医学图像分割结构——L-SNet。在L-SNet中，L-Net和SNet共同承担分割任务:L-Net为本地化而设计，S-Net为分割而设计。RR模块连接L-Net和S-Net，建立整体的可微性。实验表明，L-SNet中的每一个模块，包括L-Net、S-Net和RR模块，都提高了最终的DSC。最后，使用L-SNet中的所有模块，作者的性能始终优于从粗到细的方法。

论文链接：https://arxiv.org/pdf/2102.05971.pdf

每日坚持论文分享不易，如果喜欢我们的内容，希望可以推荐或者转发给周围的同学。

- END -

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~