%0 Journal Article
%T 轮廓指导的层级混合多任务全卷积网络
%A 何克磊
%A 史颖欢
%A 高阳
%J -
%D 2020
%R 10.13328/j.cnki.jos.005991
%X 传统的深度多任务网络通常在不同任务之间共享网络的大部分层（即特征表示层）.由于这样做会忽视不同任务各自的特殊性，所以往往会制约其适应数据的能力.提出了一种层级混合的多任务全卷积网络HFFCN，以解决CT图像中的前列腺分割问题.特别地，使用一个多任务框架来解决这个问题.这个框架包括一个分割前列腺的主任务和一个回归前列腺边界的辅助任务.这里，第2个任务主要是用来精确地描述在CT图像中模糊的前列腺边界.因此，HFFCN架构是一个双分支的结构，包含一个编码主干和两个解码分支.不同于传统的多任务网络，提出了一个信息共享模块，用以在两个解码分支之间共享信息.这使得HFFCN可以学习任务的通用层级信息，同时保留一些不同任务各自的特征表示.在一个包含有313个病人的313张计划阶段图片的CT图像数据集上做了详细的实验.实验结果证明了HFFCN网络可以超越现有其他先进的分割方法或者传统的多任务学习模型
%K 全卷积网络 深度学习 多任务学习 前列腺分割
%U http://www.jos.org.cn/jos/ch/reader/view_abstract.aspx?file_no=5991&flag=1