CE-Net: Kontextencoder-Netzwerk für die Segmentierung von 2D-medizinischen Bildern

Die Segmentierung medizinischer Bilder ist ein wichtiger Schritt in der Analyse von medizinischen Bildern. Mit der raschen Entwicklung von Faltungsneuronalen Netzen (Convolutional Neural Networks, CNNs) im Bereich der Bildverarbeitung wird tiefes Lernen zunehmend für die Segmentierung medizinischer Bilder eingesetzt, wie beispielsweise die Segmentierung des Sehnervenkopfes, die Detektion von Blutgefäßen, die Segmentierung von Lungen und Zellen usw. Bisher wurden Ansätze auf Basis des U-Net vorgeschlagen. Allerdings führen die aufeinanderfolgenden Pooling- und striding-Faltungsvorgänge zu einem Verlust einiger räumlicher Informationen. In dieser Arbeit schlagen wir ein Kontextencoder-Netzwerk vor (als CE-Net bezeichnet), das mehr hochrangige Informationen erfassen und räumliche Informationen für die 2D-Segmentierung medizinischer Bilder bewahren soll. Das CE-Net besteht hauptsächlich aus drei Hauptkomponenten: einem Feature-Encoder-Modul, einem Kontextextraktor und einem Feature-Decoder-Modul. Als festen Feature-Extraktor verwenden wir einen vortrainierten ResNet-Baustein. Das Kontextextraktor-Modul setzt sich aus einem neu entwickelten dichten atrous-Faltungsbaukasten (Dense Atrous Convolution, DAC) und einem residualen Multi-Kernel-Pooling-Baukasten (Residual Multi-Kernel Pooling, RMP) zusammen. Wir haben das vorgeschlagene CE-Net auf verschiedene Aufgaben der 2D-Segmentierung medizinischer Bilder angewendet. Umfassende Ergebnisse zeigen, dass die vorgeschlagene Methode den ursprünglichen U-Net-Ansatz以及其他最先进的方法在视盘分割、血管检测、肺部分割、细胞轮廓分割和视网膜光学相干断层扫描层分割方面优于其他方法。(Note: The last part of the sentence was mistakenly written in Chinese. Here is the corrected German translation.)Umfassende Ergebnisse zeigen, dass die vorgeschlagene Methode den ursprünglichen U-Net-Ansatz sowie andere state-of-the-art Methoden bei der Segmentierung des Sehnervenkopfes, der Detektion von Blutgefäßen, der Segmentierung von Lungen, dem Segmentation von Zellkonturen und der Segmentierung von Schichten in retinaler optischer Kohärenztomographie übertrifft.