3D U-Net：从稀疏注释中学习密集的体积分割

本文介绍了一种用于体积分割的网络，该网络可以从稀疏注释的体积图像中学习。我们概述了这种方法的两个有吸引力的应用场景：（1）在半自动设置中，用户对需要分割的体积中的某些切片进行注释。网络从这些稀疏注释中学习，并提供密集的3D分割结果。（2）在全自动设置中，假设存在一个具有代表性的、稀疏注释的训练集。通过在这个数据集上进行训练，网络可以对新的体积图像进行密集分割。所提出的网络扩展了Ronneberger等人先前提出的U-Net架构，将所有2D操作替换为其3D对应操作。实现过程中，在训练期间进行了实时弹性变形以高效地增强数据。该网络从零开始端到端训练，即不需要预训练的网络。我们在一个复杂且高度可变的3D结构——非洲爪蟾肾脏（Xenopus kidney）上测试了所提出方法的性能，并在这两种应用场景中均取得了良好的结果。