CVPR 2017精彩论文解读：综合使用多形态核磁共振数据的3D生物医学图像分割方法

本文作者：杨晓凡

2017-08-02 18:13

专题：CVPR 2017

导语：CVPR 2017有那么多有价值的研究成果，我们也会邀请懂行的人继续为大家进行解读

雷锋网 AI 科技评论按：计算机视觉盛会 CVPR 2017已经结束了，雷锋网 AI 科技评论带来的多篇大会现场演讲及收录论文的报道相信也让读者们对今年的 CVPR 有了一些直观的感受。

论文的故事还在继续

相对于 CVPR 2017收录的共783篇论文，即便雷锋网 AI 科技评论近期挑选报道的获奖论文、业界大公司论文等等是具有一定特色和代表性的，也仍然只是沧海一粟，其余的收录论文中仍有很大的价值等待我们去挖掘，生物医学图像、3D视觉、运动追踪、场景理解、视频分析等方面都有许多新颖的研究成果。

所以我们继续邀请了宜远智能的刘凯博士对生物医学图像方面的多篇论文进行解读，延续之前最佳论文直播讲解活动，从8月1日起陆续解读4篇不同的论文。此次是4篇中的第2篇。

刘凯博士是宜远智能的总裁兼联合创始人，有着香港浸会大学的博士学位，曾任联想（香港）主管研究员、腾讯高级工程师。半个月前宜远智能的团队刚刚在阿里举办的天池 AI 医疗大赛上从全球2887支参赛队伍中脱颖而出取得了第二名的优异成绩。

最佳论文直播讲解＃04

分享论文：「Joint Sequence Learning and Cross-Modality Convolution for 3D Biomedical Segmentation」

时间：8 月 4 日（周五） 20：00

地点： AI 研习社微信群

论文简介

刘凯博士要为我们解读的生物医学图像论文中的第二篇是「Joint Sequence Learning and Cross-Modality Convolution for 3D Biomedical Segmentation」（用于三维生物医学分割的合并序列学习和多形态卷积）。它主要解决了一个三维生物医学图像分割中重要问题：如何综合使用多种形态的 MRI 数据进行区域分割。

论文简介：深度卷积神经网络这样的深度学习模型已经在三维生物医学分割任务中得到广泛应用，并取得了顶尖的表现。现在大多数的3D医学图像分割方法都只用了一个形态或把多个形态堆起来变成不同的通道。为了更好地平衡多形态的应用需求，论文中提出了一个包含交叉形态卷积层（cross-modality convolution layer）的深度编码-解码的网络结构（deep encoder-decoder structure)来合并核磁共振的不同形态，还利用卷积LSTM来对2D切片序列建模，并且把多形态卷积和LSTM网络结合在一起，做到端到端的学习。为了防止收敛到某一特定的类，论文中使用了权重策略和两个阶段的训练来处理类不均匀的情况。基于BRATS-2015数据集的实验结果显示论文中所提的方法比目前顶尖的生物医学分割方法表现更好。