通过自顶向下细化和亚像素上采样进行器官边界检测.pdfVIP

通过自顶向下细化和亚像素上采样进行器官边

界检测

1,21,21,2

AaravMehta,PriyaDeshmukh,VikramSingh,

1,21,21,2

SiddharthMalhotra,KrishnanMenonIyer,TanviIyer

1SNAITResearch.

2SuryaNetAITechnologies(SNAIT).

本摘要

译器官边界精确定位在医学成像中的分割、配准、手术规划和放射治疗中至关重要。

中尽管深度卷积网络（ConvNets）已将通用边缘检测推进到接近人类性能的自然图像

上，但其输出往往缺乏精确定位，这一限制在需要毫米级精度的医疗应用中尤其有

1害。基于对ConvNet边缘输出的系统分析，我们提出了一种专注于医学领域的锐

v利边缘检测器，该检测器采用一种新的自顶向下后向细化架构应用于医学图像（2D

5和体积）。我们的方法通过后向细化路径逐步上采样并融合高层语义特征与精细低

0层线索，生成高分辨率且定位良好的器官边界。我们进一步扩展设计以处理各向异

8性体积，结合了2D切片级细化和轻量级3D上下文聚合来保持计算效率。在多个

6CT和MRI器官数据集上的评估表明，在严格的准则（边缘F-measure，Hausdorff

0

.距离）下与基准ConvNet检测器及当代医疗边缘/轮廓方法相比，边界定位有显著

8改善。重要的是，将我们的锐利边缘图集成到下游管道中带来了器官分割的一致性

0增益（更高的Dice分数，更低的边界错误）、更准确的图像配准以及在靠近器官界

5面处病灶勾画的改进。所提出的方法产生临床上有价值的、锐利的器官边缘，显著

2增强了常见的医学成像任务。

:

v

i

x

r

a

1介绍

精确的器官边缘勾画是许多医学成像工作流程的基本要求。高质量、毫米级

精度的边界图支撑着图像分割、多模式配准、手术规划、放射治疗靶区定义以及

依赖于空间精准解剖结构的任何下游分析。传统的低层次边缘检测器和早期基于

学习的方法难以提供这些应用所需的空间保真度：响应往往是厚实的、空间不精

1

确的，或者对成像伪影敏感。即使是对自然图像基准达到接近人类性能的状态-of-

the-艺术卷积网络，在应用于医学图像时也倾向于产生模糊、粗略定位的边缘，因

为标准编码器-解码器设计会逐步丢失然后粗略恢复空间细节。

我们识别出造成这种定位差距的两个主要架构原因。首先，深度编码器中的

重复池化和大步幅卷积会压缩空间分辨率：尽管后期层捕获了能够识别器官边界

的强烈语义线索，但特征图尺寸减小使得在上采样过程中难以恢复精细的定位。

其次，许多全卷积融合策略会在相邻像素之间产生高度相关的响应，这对于平滑

区域分类是一个理想属性，但在目标是生成细薄、单像素宽边界时则有害。结果

是边缘图从语义上看是正确的，但缺乏毫米级医学任务所需的锐度，这会负面影

响下游模块如光流估计器、基于轮廓的配准算法和分割细化方法。

为了解