一个网站多大空间,甘肃兰州建筑网,wordpress实现文章阅读次数,网站维护步骤摘要
这篇论文介绍了S2VNet#xff0c;这是一个用于医学图像分割的通用框架#xff0c;它通过切片到体积的传播#xff08;Slice-to-Volume propagation#xff09;来统一自动#xff08;AMIS#xff09;和交互式#xff08;IMIS#xff09;医学图像分割任务。S2VNet利…摘要
这篇论文介绍了S2VNet这是一个用于医学图像分割的通用框架它通过切片到体积的传播Slice-to-Volume propagation来统一自动AMIS和交互式IMIS医学图像分割任务。S2VNet利用基于聚类的方法通过将先前切片的聚类中心centroids作为后续切片的初始值使用2D网络实现知识在不同切片间的传递。此外S2VNet还能够处理多类交互并且通过一种循环中心点聚合策略来提高对异常值的鲁棒性并增强对先前切片线索的意识。
拟解决的问题
现有的医学图像分割解决方案通常针对自动或交互式设置这使得在一个任务中取得的进展难以转移到另一个任务。需要为每个任务训练单独的模型导致训练时间和参数的重复。3D网络在推理时速度慢且在医院设备上部署困难。现有交互式解决方案仅限于处理单一前景类别而自动方法在多类别分割方面发展迅速。
创新之处
统一框架S2VNet能够在单一模型和一个训练会话中处理AMIS和IMIS。切片到体积传播通过在切片间传播聚类中心实现了知识的有效传递。多类别交互能够同时接受多类别的用户输入每类输入初始化一个聚类中心。循环中心点聚合通过收集历史聚类中心并将其融合为单一向量提高了对异常值的鲁棒性。
方法
K-Means Cross-Attention使用可学习的嵌入作为查询通过交叉注意力机制收集与特定对象相关的像素特征。聚类传播驱动的通用分割框架通过将聚类中心的动态演化从图像级掩码解码过程扩展到体积级。交互式感知的聚类中心初始化使用用户输入初始化聚类中心实现用户引导的分割。自适应像素特征采样结合多轮用户输入通过加权和的方式更新聚类中心。循环中心点聚合通过自注意力机制和前馈网络将新聚类中心与历史聚类中心融合。 ClusteringK-Means Cross-Attention是S2VNet中的核心机制它使用K-Means的思想来更新聚类中心queries并聚合与特定对象相关的像素特征。
每个像素特征被分配给最近的聚类中心。这类似于K-Means聚类中的分配步骤其中每个数据点被分配给最近的中心。 在每个切片中更新的聚类中心被用作下一个切片的初始聚类中心这有助于在体积数据中保持一致的分割结果。 结论
S2VNet通过聚类方法和切片到体积的传播提供了一个灵活的体积图像分割解决方案具有显著的速度和最先进的准确性。它不仅在多类别分割中表现出色而且在自动和交互式设置中均实现了卓越的性能。论文还指出尽管S2VNet在自动分割中只处理预定义的类别未来工作将探索如何处理未定义的类别。S2VNet的快速和用户友好的特性不仅可以减轻专家的工作量还可能有助于缓解整个医疗系统的负担。
