CVPR 2017 精彩論文解讀：綜合使用多形態核磁共振數據的 3D 生物醫學圖像分割方法

計算機視覺盛會 CVPR 2017 已經結束了，但是

論文的故事還在繼續

相對於 CVPR 2017 收錄的共 783 篇論文，即便雷鋒網 AI 科技評論近期挑選報道的獲獎論文、業界大公司論文等等是具有一定特色和代表性的，也仍然只是滄海一粟，其餘的收錄論文中仍有很大的價值等待我們去挖掘，生物醫學圖像、3D 視覺、運動追蹤、場景理解、視頻分析等方面都有許多新穎的研究成果。

所以我們繼續邀請了宜遠智能的劉凱博士對生物醫學圖像方面的多篇論文進行解讀，延續之前最佳論文直播講解活動，從 8 月 1 日起陸續解讀 4 篇不同的論文。此次是 4 篇中的第 2 篇。

劉凱博士是宜遠智能的總裁兼聯合創始人，有著香港浸會大學的博士學位，曾任聯想（香港）主管研究員、騰訊高級工程師。半個月前宜遠智能的團隊剛剛在阿里舉辦的天池 AI 醫療大賽上從全球 2887 支參賽隊伍中脫穎而出取得了第二名的優異成績。

最佳論文直播講解 ＃04

分享論文：「Joint Sequence Learning and Cross-Modality Convolution for 3D Biomedical Segmentation??」

時間：8 月 4 日 （周五） 20：00

地點：AI 研習社微信群

論文簡介

劉凱博士要為我們解讀的生物醫學圖像論文中的第二篇是「Joint Sequence Learning and Cross-Modality Convolution for 3D Biomedical Segmentation」（用於三維生物醫學分割的合併序列學習和多形態卷積）。它主要解決了一個三維生物醫學圖像分割中重要問題：如何綜合使用多種形態的 MRI 數據進行區域分割。

論文簡介：深度卷積神經網路這樣的深度學習模型已經在三維生物醫學分割任務中得到廣泛應用，並取得了頂尖的表現。現在大多數的 3D 醫學圖像分割方法都只用了一個形態或把多個形態堆起來變成不同的通道。為了更好地平衡多形態的應用需求，論文中提出了一個包含交叉形態卷積層（cross-modality convolution layer）的深度編碼 - 解碼的網路結構（deep encoder-decoder structure) 來合併核磁共振的不同形態，還利用卷積 LSTM 來對 2D 切片序列建模，並且把多形態卷積和 LSTM 網路結合在一起，做到端到端的學習。為了防止收斂到某一特定的類，論文中使用了權重策略和兩個階段的訓練來處理類不均勻的情況。基於 BRATS-2015 數據集的實驗結果顯示論文中所提的方法比目前頂尖的生物醫學分割方法表現更好。

觀看直播或加群

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！