HyperAIHyperAI
vor 2 Monaten

Einschrittige Multitask-Netzwerke mit cross-task-gesteuerter Aufmerksamkeit für die Segmentierung von Hirntumoren

Chenhong Zhou; Changxing Ding; Xinchao Wang; Zhentai Lu; Dacheng Tao
Einschrittige Multitask-Netzwerke mit cross-task-gesteuerter Aufmerksamkeit für die Segmentierung von Hirntumoren
Abstract

Die Klasse-Unausgewogenheit ist zu einem der größten Herausforderungen bei der Segmentierung medizinischer Bilder geworden. Die Modell-Kaskade-Strategie (MC) mildert dieses Problem erheblich, indem sie eine Reihe einzelner tiefer Modelle für die Segmentierung von grob zu fein ausführt. Trotz ihrer herausragenden Leistung führt diese Methode jedoch zu unerwünschter Systemkomplexität und ignoriert auch die Korrelation zwischen den Modellen. Um diese Nachteile zu bewältigen, schlagen wir ein leichtgewichtiges tiefes Modell vor, nämlich das One-Pass Multi-Task Netzwerk (OM-Net), das die Klasse-Unausgewogenheit besser als MC löst und dabei nur eine Durchgangsberechnung erfordert. Erstens integriert OM-Net die getrennten Segmentierungsaufgaben in ein tiefes Modell, das sowohl gemeinsame Parameter zur Lernung von gemeinsamen Merkmalen als auch aufgabenspezifische Parameter zur Lernung diskriminativer Merkmale umfasst. Zweitens nutzen wir die Korrelation zwischen den Aufgaben, um sowohl eine Online-Datenübertragungsstrategie als auch eine curriculum-basierte Trainingsstrategie zu entwickeln, um OM-Net effektiver zu optimieren. Drittens schlagen wir vor, Vorhersageergebnisse zwischen den Aufgaben zu teilen und entwerfen ein cross-task guided attention (CGA)-Modul, das sich anhand kategorie-spezifischer Statistiken anpassend die kanalweise Merkmalsantworten neu kalibriert. Schließlich wird eine einfache aber effektive Postverarbeitungsmethode eingeführt, um die Segmentierungsergebnisse zu verfeinern. Ausführliche Experimente wurden durchgeführt, um die Effektivität der vorgeschlagenen Techniken zu demonstrieren. Beeindruckenderweise erreichen wir den Stand der Technik auf dem Testdatensatz von BraTS 2015 und dem Online-Validierungsdatensatz von BraTS 2017. Mit diesen vorgeschlagenen Ansätzen belegten wir zudem Rang drei im BraTS 2018 Challenge unter 64 teilnehmenden Teams. Der Code ist öffentlich verfügbar unter https://github.com/chenhong-zhou/OM-Net.

Einschrittige Multitask-Netzwerke mit cross-task-gesteuerter Aufmerksamkeit für die Segmentierung von Hirntumoren | Neueste Forschungsarbeiten | HyperAI