^{<sub id="jgr5k"></sub>}

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

本文作者：楊曉凡

2017-08-02 18:13

專題：CVPR 2017

導語：CVPR 2017有那么多有價值的研究成果，我們也會邀請懂行的人繼續為大家進行解讀

雷鋒網 AI 科技評論按：計算機視覺盛會 CVPR 2017已經結束了，雷鋒網 AI 科技評論帶來的多篇大會現場演講及收錄論文的報道相信也讓讀者們對今年的 CVPR 有了一些直觀的感受。

論文的故事還在繼續

相對于 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，其余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」（用于三維生物醫學分割的合并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：深度卷積神經網絡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，并取得了頂尖的表現。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-解碼的網絡結構（deep encoder-decoder structure)來合并核磁共振的不同形態，還利用卷積LSTM來對2D切片序列建模，并且把多形態卷積和LSTM網絡結合在一起，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。基于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。