Structure Boundary Preserving Segmentation for Medical Image with Ambiguous Boundary

最新推荐文章于 2025-11-26 18:36:58 发布

原创

最新推荐文章于 2025-11-26 18:36:58 发布 · 1.8k 阅读

11 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #机器学习

本文聚焦医疗影像处理中边界模糊问题，提出新框架。该框架提出边界关键点选择算法，通过BPB和BPMG编码关键点，以对抗方式训练SBE。实验表明，此框架可嵌入不同分割网络，在两个数据集上提升性能，改善边界分割精度。

具有模糊边界的医疗影像边界结构保护分割

论文标题

Structure Boundary Preserving Segmentation for Medical Image with Ambiguous Boundary

论文来源

[CVPR 2020] https://openaccess.thecvf.com/content_CVPR_2020/html/Lee_Structure_Boundary_Preserving_Segmentation_for_Medical_Image_With_Ambiguous_Boundary_CVPR_2020_paper.html

1 背景梳理

在医疗影像处理领域，想要获得准确的分割结果往往存在以下挑战：边界结构模糊、异质性纹理以及缺乏领域知识的分割区域不确定性，即使是专家也会由于经验技巧的差异从而给出不同的描述。随着深度学习的发展，越来越多的自动分割方法被提出，但是很少有方法将医疗影像的特点或难点比如边界结构模糊和异质性纹理显式地考虑进来。如下图所示，在面对边界模糊的医疗超声影像时，U-Net [1]并不能很好地实现边界细节的分割。因此本文着重从以下两个角度切入：

由于成像质量以及异质性纹理等因素，医疗图像往往边界结构模糊
在没有专家知识的情况很难自动预测出正确的目标区域

2 论文贡献

文章的方法设计上的贡献主要有：

提出了一种可用于拟合目标区域的边界关键点选择算法，随后通过 Boundary Preserving Block (BPB) 和 Boundary Point Map Generator (BPMG) 来编码选择好的关键点。
在不需要用户交互的情况下自动使用边界关键点信息。以对抗的方式使用 Shape Boundary-aware Evaluator (SBE) 训练网络，并将分割区域是否与关键点一致反馈给分割网络。
提出的方法可以泛化到不同的分割模型，并通过实验验证了有效性。