Bedingte Zufallsfelder als rekurrente Neuronale Netze für die Segmentierung von 3D medizinischen Bildern

Das konditionale Zufallsfeld als Schicht eines rekurrenten neuronalen Netzes ist ein kürzlich vorgeschlagener Algorithmus, der über einem bestehenden vollkonvolutiven neuronalen Netzwerk platziert werden soll, um die Qualität der semantischen Segmentierung zu verbessern. In dieser Arbeit testen wir, ob dieser Algorithmus, der bereits gezeigt hat, dass er die semantische Segmentierung von 2D-RGB-Bildern verbessert, auch in der Lage ist, die Segmentierungsqualität von 3D-multimodalen medizinischen Bildern zu erhöhen. Wir haben eine Implementierung des Algorithmus entwickelt, die für jede Anzahl von räumlichen Dimensionen, Eingangs-/Ausgangsbildkanälen und Referenzbildkanälen funktioniert. Soweit wir wissen, handelt es sich dabei um die erste öffentlich verfügbare Implementierung dieser Art. Wir haben den Algorithmus mit zwei unterschiedlichen 3D-medizinischen Bilddatensätzen getestet und sind zu dem Schluss gekommen, dass die beobachteten Leistungsunterschiede nicht statistisch signifikant waren. Schließlich diskutieren wir im Diskussionsabschnitt des Papers die Gründe für das schlechte Übertragungsverhalten dieser Technik von natürlichen Bildern auf medizinische Bilder.