医学高光谱图像分割的因子空间与光谱策略
1 引言
医学高光谱成像(MHSI)是一种新兴的成像方式,它能在广泛的电磁光谱范围内获取二维医学图像,为疾病诊断和计算病理学带来了新机遇。通常,MHSI呈现为一个超立方体,在光谱维度上有数百个狭窄且连续的光谱带,在空间维度上有数以千计的像素。
目前,对MHSI进行分类或分割主要有以下几种方法:
- 2D网络方法 :将MHSI的两个空间维度作为输入空间维度,光谱维度作为输入通道维度。不过,这种方法在处理高空间分辨率MHSI时不太适用,且在降低光谱维度时可能会给空间特征带来噪声。虽然2D网络计算效率高,通常比3D网络快得多,但它在第一个卷积层之后就混合了光谱信息,导致MHSI的波段间相关性未得到充分利用。
- 3D网络方法 :这是学习MHSI像素间和波段间相关性最直接的方法,但它通常面临高计算复杂度的问题。
- 双流策略方法 :一些HSI分类骨干网络尝试设计双流架构,分别处理空间结构和光谱强度。然而,这些方法只是简单地采用卷积或MLP层来提取光谱特征,忽略了光谱域中的低秩性。
由于MHSI的高空间光谱维度,对其进行全面分析较为困难。在MHSI中存在两种相关性:
- 光谱相关性 :相邻像素之间存在光谱相关性,例如局部阳性(癌症)区域和阴性(正常)区域的强度值与光谱带高度相关。
- 空间相关性 :相邻波段之间存在空间相关性,附近波段的余弦相似度得分较高,而远距离波段之间的得分较低。
基于这些相