循环显著性变换网络：融合多阶段视觉线索用于小器官分割

我们的目标是从腹部CT扫描中分割出小器官（例如胰腺）。由于目标区域在输入图像中通常占据相对较小的部分，深度神经网络很容易被复杂多变的背景所干扰。为了解决这一问题，研究人员提出了一种从粗到精的方法，该方法利用第一阶段（粗略阶段）的预测结果来指示第二阶段（精细阶段）的较小输入区域。尽管这种方法有效，但它分别处理两个阶段，缺乏对全局能量函数的优化，并且限制了其整合多阶段视觉线索的能力。缺少上下文信息导致迭代过程中收敛效果不佳，有时精细阶段的分割精度甚至低于粗略阶段。本文介绍了一种递归显著性变换网络（Recurrent Saliency Transformation Network）。其关键创新在于显著性变换模块，该模块反复将前一次迭代中的分割概率图转换为空间权重，并将这些权重应用于当前迭代。这带来了两方面的优势。在训练过程中，它允许对处理不同输入尺度的深度网络进行联合优化。在测试过程中，它通过迭代传播多阶段视觉信息来提高分割精度。在NIH胰腺分割数据集上的实验表明，该方法达到了最先进的精度水平，平均比之前最佳方法高出超过2%。此外，在我们收集的一个更大数据集中，对于几种小器官也报告了更高的准确性。另外，我们的方法具有更好的收敛特性，使其在实际应用中更加高效和可靠。