.png){kind=icon}
.png){kind=icon}
返回
Skelite: Compact Neural Networks for Efficient Iterative Skeletonization
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-031-96628-6_24.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
骨架化从图像中提取薄表示，这些表示紧凑地编码其几何和拓扑信息。这些表示已成为保持曲线结构连通性的重要拓扑先验，有助于血管分割等医学任务。现有的兼容骨架化算法面临重大权衡：基于形态的方法计算效率高，但容易断裂，而拓扑保持方法需要大量计算资源。我们提出了一种新颖的框架，用于训练具有可学习组件的迭代骨架化算法。该框架利用合成数据、任务特定增强和模型蒸馏策略，学习产生薄且连通骨架的紧凑神经网络，其通过完全可微的迭代算法实现。我们的方法在保持高精度的同时，比拓扑约束算法快100倍，并且能够有效泛化到新领域而无须微调。2D和3D任务的基准测试和下游验证展示了其计算效率和实际应用性。代码和数据可在以下位置获取：https://github.com/luisdavid64/Skelite.
Keyword:
Skeletonization
Neural Networks
Iterative Algorithms
Medical Imaging
Topology Preservation