Scale-aware Super-resolution Network with Dual Affinity Learning for Lesion Segmentation from Medical Images

要約

畳み込みニューラル ネットワーク (CNN) は、医療画像のセグメンテーションにおいて目覚ましい進歩を示しています。
ただし、スケールや形状が異なるため、病変のセグメンテーションは最先端の CNN ベースのアルゴリズムにとって依然として課題です。
一方で、解像度が低いことが多い医療画像から小さな病変を正確に描写することは困難です。
一方、大きなサイズの病変を分割するには大きな受容野が必要となり、最初の課題がさらに悪化します。
この論文では、低解像度の医療画像からさまざまなサイズの病変を適応的にセグメント化するためのスケールアウェアな超解像度ネットワークを紹介します。
私たちが提案するネットワークには、病変マスク超解像と病変画像超解像を同時に実行するための二重分岐が含まれています。
画像超解像度ブランチは、細分化されたセグメンテーションのために、セグメンテーション ブランチ、つまりマスク超解像度ブランチにさらに詳細な機能を提供します。
一方、スケールアウェアな拡張畳み込みブロックをマルチタスク デコーダに導入し、病変サイズに応じて畳み込みカーネルの受容野を適応的に調整します。
セグメンテーション ブランチがより豊富な高解像度の特徴から学習するように導くために、デュアル ブランチのマルチタスク学習を強化する特徴アフィニティ モジュールとスケール アフィニティ モジュールを提案します。
複数の困難な病変セグメンテーション データセットにおいて、私たちが提案したネットワークは、他の最先端の方法と比較して一貫した改善を達成しました。

要約(オリジナル)

Convolutional Neural Networks (CNNs) have shown remarkable progress in medical image segmentation. However, lesion segmentation remains a challenge to state-of-the-art CNN-based algorithms due to the variance in scales and shapes. On the one hand, tiny lesions are hard to be delineated precisely from the medical images which are often of low resolutions. On the other hand, segmenting large-size lesions requires large receptive fields, which exacerbates the first challenge. In this paper, we present a scale-aware super-resolution network to adaptively segment lesions of various sizes from the low-resolution medical images. Our proposed network contains dual branches to simultaneously conduct lesion mask super-resolution and lesion image super-resolution. The image super-resolution branch will provide more detailed features for the segmentation branch, i.e., the mask super-resolution branch, for fine-grained segmentation. Meanwhile, we introduce scale-aware dilated convolution blocks into the multi-task decoders to adaptively adjust the receptive fields of the convolutional kernels according to the lesion sizes. To guide the segmentation branch to learn from richer high-resolution features, we propose a feature affinity module and a scale affinity module to enhance the multi-task learning of the dual branches. On multiple challenging lesion segmentation datasets, our proposed network achieved consistent improvements compared to other state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google