BEFD：基于边界增强和特征去噪的血管分割
点击上方“深度学习爱好者”，选择加"星标"或“置顶”
重磅干货，第一时间送达
小黑导读
论文是学术研究的精华和未来发展的明灯。小黑决心每天为大家带来经典或者最新论文的解读和分享，旨在帮助各位读者快速了解论文内容。个人能力有限，理解难免出现偏差，建议对文章内容感兴趣的读者，一定要下载原文，了解具体内容。
摘要
近年来，基于cnn的模型在分割任务上取得了突破，但这些方法往往丢失了对血管分割至关重要的物体边界、细微结构等高频信息。为了解决这一问题，作者提出了边界增强和特征去噪(BEFD)模块，以促进网络在语义分割中提取边界信息的能力，该模块可以端到端集成到任意编解码器体系结构中。通过引入Sobel边缘检测器，该网络能够获得额外的边缘先验，从而以无监督的方式增强边界，用于医学图像分割。此外，作者还利用一个去噪块来降低隐藏在低阶特征中的噪声。对视网膜血管数据集和血管核数据集的实验结果表明，该模块具有良好的性能。
这项工作的贡献总结如下：
1)作者提出了一个创新模块(BEFD)来提高语义分割中的边界特征提取，该模块可以很容易地端到端整合到任何编码器-解码器框架中。此外，所提出的befd模块应用无监督边缘检测器为医学图像分割中的神经网络提供边缘先验知识。
2)作者使用去噪块去噪，以消除存在于低阶特征映射，保留确实需要的空间信息分割。
3)作者的方法在血管分割方面取得了显著的效果，实际上也可以推广到其他的分割任务中。
框架结构
它由三个部分组成:1)基本的UNet;2)灰三角中的边界增强部分，该部分采用边缘检测器对UNet编码路径进行边界定位;3)特征去噪(FD)部分，在跳跃连接阶段由三个去噪块组成。
特征去噪块的结构
实验结果
最上面的两行:DRIVE数据集上的预测映射;底部一行:HEART数据集上的预测映射。
边界像素(大部分为白色)比背景像素(蓝色)有更高的值，而噪声(红色点)在地图上分布广泛，需要特征去噪来抑制它。
结论
集成BEFD-UNet优于基线UNet和大多数最先进的方法，这是由于其强大的能力来检测极其微小的血管。更广泛地说，BEFD模块为利用传统图像处理算法的优势提供了一种新颖的解决方案，可以以无监督的方式弥补cnn的缺陷。这一机制值得在今后的工作中进一步研究。
论文链接：https://arxiv.org/pdf/2104.03768.pdf
每日坚持论文分享不易，如果喜欢我们的内容，希望可以推荐或者转发给周围的同学。