「Medical Image Analysis」Note on Fixed-Point Model(不动点模型)

本文介绍了如何利用不动点模型改进深度神经网络在小器官分割上的性能,特别是在腹部CT扫描的胰腺分割任务中。通过深度分割网络和不动点优化方法,实现了对小器官更精确的分割。实验在NIH胰腺分割数据集上进行,获得了较高的分割精度。
摘要由CSDN通过智能技术生成

QQ Group: 428014259
Tencent E-mail:403568338@qq.com
http://blog.csdn.net/dgyuanshaofeng/article/details/82917241

在小器官分割上,深度神经网络的表现是不令人满意的。文章首先利用一个网络对整个腹部CT扫描进行分割,获得mask;然后利用mask去定位需要进一步分割的区域,裁剪出由mask决定的区域,然后进行分割,获得最后的小器官mask。

0 摘要

1 介绍

2 方法

2.1 深度分割网络

第一,采样VNet[2]提出的DSC-loss层。
第二,分别使用冠状面、矢状面和横断面的2D图像,训练2D-FCN。在测试时,使用majority voting确定每一像素的标签(是前景or是背景)。

2.2 不动点优化(Fixed-Point)

整图分割和感兴趣区域分割的准确性差异如图1所示。显然,对于小物体/小器官分割和检测,背景容易bias深度分割网络。给定当前分割 Z ⋆ Z^{\star} Z,寻找变换函数 r ( X , Z ⋆ ) r(X,Z^{\star}) r(X,Z),即根据当前分割和输入图像,生成包含待分割小器官/小物体的感兴趣区域。对于这个感兴趣区域,使用神经网络 f ( x ; Θ ) f(x;\Theta) f(x;Θ)继续分

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值