泛读了一些OAR相关论文

最新推荐文章于 2022-09-11 21:37:50 发布
最新推荐文章于 2022-09-11 21:37:50 发布
阅读量601 收藏 2
点赞数
分类专栏： 论文
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ewfwewef/article/details/108734547
版权

最近泛读了一些OAR分割以及医学图像分割的论文，通过这些论文了解了一些当前分割领域使用的方法。

1、多图谱
寻找论文时发现近年来有许多使用多图谱算法做医学图像分割的论文，很多其他方法的论文在介绍相关工作的时候也提到多图谱是近年来非常热门的一种图像分割算法。

方法主要是：为每个器官准备一个专家标注过的图谱集，将待分割图像与图谱集中每个图谱进行一一配准，最后将结果通过投票等方式融合。总结起来分为四步：图谱构建、配准、标签传播、标签融合。

配准就是将图谱图像形变，使其尽可能相似于待分割图像，并把形变信息(映射函数或形变矩阵)保存下来。

2、水平集
形变模型中最重要的一类是主动轮廓模型(Active Contour Model)，它可以分为参数主动轮廓模型和几何主动轮廓模型，而后者也被称为水平集模型。

形变模型的基本原理是给定在初始的曲线或曲面，然后使其在内力和外力的作用下演化，从而收敛于感兴趣目标的边缘。其中驱动模型运动的外力主要来自于待分割图像中的特征信息，而内力则用来使曲线或曲面在演化过程中尽量保持光滑。

3、**主动形状模型(ASM)、统计形状模型(SSM)**等结合先验信息的算法以及一系列基于模糊模型的算法。

4、深度学习
从slice-by-slice进行3D图像分割的2D CNN到直接使用3D卷积核的3D U-Net和V-Net，深度学习在图像分割中一直是效果最好的，近年来各种深度学习相关的论文也是层出不穷。

从使用的方法来看，近年深度学习进行图像分割的文章很多都是深度学习+的模式，比如在论文中看到的网络+CRF、网络+Markov 、网络+先验信息等形式，所以由此考虑是否采用这种网络+传统方法的形式解决课题中OAR分割的问题。

最近泛读的一些论文如下：
【1】 2014 方法：一种基于特征点(landmark-based)的目标物体形状表示方法。 应用实验：CT图像的腰椎和股骨头分割，Dice coeffificient分别达到0.936和0.962。

【2】 2014 方法：一种基于图谱的分割方法，结合了统计外观模型(statistical appearance models， SAM)和测地线动态轮廓(geodesic active contours，GAC)。 应用实验：在左腮腺、右腮腺、脑干的分割中，DC 分别达到了0.81、0.84、0.86。

【3】 2014 方法：基于模糊模型的分割方法AAR，主要分建模、定位、勾画三个部分。在分割中应用了一个迭代相对模糊连通性Iterative Relative Fuzzy Connectedness（IRFC）算法。 应用实验：在胸部、腹部、颈部的OARs的CT/MRI图像中获得较好的结果。

【4】 2013 方法：一种基于图谱的分割方法，需要专家对分割结果进行手动修正，主要优点是比纯手工节约了大概40%的时间。

[【5】 2017 方法：基于3D神经网络的算法，3D 深度监督网络(DSN)，用CRF做后处理。 应用：3D CT图像的肝脏分割以及3D MR图像的心脏与大血管分割。效果上比一般的3D CNN + CRF收敛更快。

【6】2019 方法：结合了水平集和多图谱的医学图像分割算法，稍有改进。主要看了多图谱算法部分的基本原理。

【7】2019 内容：本文是深度学习在医学图像分割领域的综述，介绍了各种医学图像分割中神经网络算法的基本原理、对比、应用、问题、解决方案。

【8】2017 方法：主要利用CNN + Markov random fields进行OAR分割。 应用：在50张CT图像上对脊髓等九个头颈部OAR分割，效果好的DC达到0.9，差的仅有0.37。

【9】2018 方法：称为Anatomically constrained neural networks(ACNN)，结合了global shape/label信息到NN中，主要结合了PCA和Active Shape model这些早期的工作，让神经网络能够更多的利用一些先验知识。

【10】2013 方法：多分类随机回归森林(multi-class random regression forests)。主要用于CT图像中器官的检测和定位任务，文中称效果比多图谱好，可以作为分割的前置任务。

【11】2016 高引用 方法：3D U-Net，一种3D的神经网络结构，适合于3D生物医学图像的分割，仅需要少量训练集就可以获得良好的效果。

【12】2016 高引用 方法：3D V-Net, 同3D U-Net适合于3D医学图像的分割。本文应用：MRI图像的单一器官。

【13】2015 方法：提出一种新的标签融合方法，基于生成概率方法，属于多图谱方法中一个步骤的改进。

【14】2018 方法：对AAR(Automatic Anatomy Recognition)框架的进一步改进，包括寻找错误识别驱动的优化OAR层次结构算法等，是2019AAR-RT框架的前篇。
———————————————————————————————————————
【1】 Shape Representation for Efficient Landmark-Based Segmentation in 3-D
作者：Bulat Ibragimov*, B L, F P, T V

【2】 Automatic segmentation of head and neck CT images for radiotherapy treatment planning using multiple atlases, statistical appearance models, and geodesic active contours
作者：Karl D.Fritscher, Marta Peroni …

【3】Body-wide hierarchical fuzzy modeling, recognition, and delineation of anatomy in medical images
作者：Jayaram K. Udupa, Dewey Odhner …

【4】Atlas-based automatic segmentation of head and neck organs at risk and nodal target volumes: a clinical validation
作者：Jean-Francois Daisne and Andreas Blumhofer

【5】3D deeply supervised network for automated segmentation of volumetric medical images
作者：Qi Dou, Lequan Yu …

【6】基于水平集与多图谱的医学图像分割算法研究——博士论文
作者：刘庆一

【7】Deep Learning Techniques for Medical Image Segmentation: Achievements and Challenges
作者：Mohammad Hesam Hesamian, Wenjing Jia …

【8】Segmentation of organs-at-risks in head and neck CT images using convolutional neural networks
作者：Bulat Ibragimov and Lei Xing

【9】Anatomically Constrained Neural Networks (ACNNs): Application to Cardiac Image Enhancement and Segmentation
作者：Ozan Oktay , Enzo Ferrante …

【10】Regression Forests for Effiffifficient Anatomy Detection and Localization in Computed Tomography Scans
作者：A.Criminisi, D.Robertson …

【11】3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation
作者：Ozgun Cicek, Ahmed Abdulkadir …

【12】V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation
作者：Fausto Milletari、Nassir Navab、Seyed-Ahmad Ahmadi

【13】Head and Neck Auto Segmentation Challenge based on Non-Local Generative Models
作者：M.Orbes-Arteaga, D. …

【14】Auto-contouring via Automatic Anatomy Recognition of Organs at Risk in Head and Neck Cancer on CT images
作者：Xingyu Wu, Jayaram K.Udupa …

无风而起
关注
专栏目录
图像处理系列（1）：测地线动态轮廓（geodesic active contour）
hanzihan123的专栏
08-08 8610
动态轮廓是图像分割的一个热点，从早期的snake，就有很多的优化版，测地线动态轮廓（GAC）就是其中之一。总体来说，其摒弃了snake对参数的依赖，并加入了水平集，使得轮廓曲线更贴近目标物的拓扑结构。 经典的动态轮廓模型（activecontour model）的能量公式为：   （1） 其中，α，β，λ为正值常量。其中前两项控制曲线的平滑度，第三项吸引曲线向物体边界靠近。极小化该
活动轮廓matlab,活动轮廓模型的分类
weixin_35253082的博客
03-17 1257
活动轮廓模型[1](Active Contour Model)其最初是由变形模型(Deformable Model)演化而来的。而“变形模型”的概念则出现的更早。Demetri Terzopoulos在其文献[2,3]中阐述了该模型，实际上他也是经典的活动轮廓模型【1】的提出者之一。在google学术中搜索关键词“deformable models”时，会显示很多这位学者的关于变形模型的论文，这里...
研究OAR分割的意义、应用及目前相关方法和评价指标
无风而起的博客
09-25 4298
一、危及器官OAR 危及器官(organ at risk，OAR)指在放射治疗(radiation therapy,RT)中可能卷入射野内的健康组织或器官。它们的放射敏感性（耐受剂量）将显著著地影响治疗方案的设计或靶区处方剂量的大小，在确定计划靶区时要考虑这些器官的存在。 在放射治疗中，不同肿瘤涉及的危及器官也不尽相同，常见的危及器官如下： 1)、头颈部肿瘤OARs：颞叶 temporal lobe、视神经 optical nerve、晶体 len、脑干 brain stem、垂体 pituitary gl
Organ at Risk Segmentation for Head and Neck Cancer using Stratified Learning and Neural Architecture
Acmer_future_victor的博客
04-09 4622
Organ at Risk Segmentation for Head and Neck Cancer using Stratified Learning and Neural Architecture Search 使用分层学习和神经架构搜索对头颈部癌症进行风险器官分割 来源：CVPR 时间：2020年
Head and neck multi-organ segmentation on dual-energy CT using dual pyramid convolutional neural net
Acmer_future_victor的博客
09-11 839
提出了一个mask scoring regional convolutional neural network (R-CNN), 其中首先从两个独立的金字塔网络中学习综合特征，并且是然后通过深度注意力策略结合起来，突出从低能量和高能量CT两个通道中提取的信息。为了执行多器官分割并避免错误分类，将掩码评分子网络集成到 MaskR-CNN 框架中，以建立潜在检测器官的感兴趣区域 (ROI) 类别与该器官在该 ROI 内的分割形状之间的相关性
泛读了一些OAR相关论文2
无风而起的博客
09-30 380
近几年关于OAR分割的方法主要分两类：深度学习、其他方法。其中深度学习的方法使用最多，占比约60%，并且有越来越高的趋势。多图谱相关论文也比较多，占剩余的一半，其他各种机器学习以及传统算法数量较少。 深度学习：基于2D、2.5D、3D卷积核的各种CNN。出名的有U-Net、3D U-Net、V-Net等。 2D 卷积通常使用的是slice by slice的方式训练，忽略了每层之间的空间联系，特别对于一些模糊的物体很不利。2.5D 卷积依然采用的是2D卷积核，但多了几个正交的卷积视图。这两种卷积方法现在使用
云计算中微服务相关论文泛读
Ever_glow的博客
07-22 1042
以下是最近对于云计算中微服务系统调度论文的泛读，欢迎一起探讨问题，如需要论文请私聊。 Amoeba: QoS-Awareness and Reduced Resource Usage of Microservices with Serverless Computing 问题：微服务在IaaS模式部署与无服务器模式部署的切换问题 目标：最大限度的减少资源使用，同时保持微服务的服务质量 构成：混合执行引擎+多资源竞争监视器+竞争感知部署器 原理：争用监视器定期检查共享资源的状态，部署控制器通过性能
论文PPT指南：从泛读到精通，技术写作策略提炼
在选题初期，通过广泛的阅读（泛读）获取研究背景和相关文献，然后深入理解并筛选关键信息（精读），形成自己的研究观点。这样，当论文写作时，才能有深厚的基础和独特的见解。 最后，记得定期与导师或同行讨论，...
Hyperspectral Unmixing论文泛读（二）
陌若安生的博客
01-27 6091
文章目录WU-NET: A WEAKLY-SUPERVISED UNMIXING NETWORK FOR REMOTELY SENSED HYPERSPECTRAL IMAGERYHyperspectral Unmixing Using a Neural Network AutoencoderSpectral-Spatial Hyperspectral Unmixing Using Multitask LearningNEURAL NETWORK HYPERSPECTRAL UNMIXING WITH SP
泛读教程第四册答案.pdf
10-23
泛读教程第四册答案.pdf
【论文泛读122】使用方向相关词自动构建金融领域上下文感知情感词典
scu-liu的博客
06-11 392
贴一下汇总贴：论文阅读记录 论文链接：《Automatic Construction of Context-Aware Sentiment Lexicon in the Financial Domain Using Direction-Dependent Words》 一、摘要 对财务文件的情感分析越来越受到关注。此类文件最受欢迎的例子包括分析师报告和经济新闻，其分析经常用于捕捉市场情绪的趋势。另一方面，情感分析在金融领域所起的重要作用促使人们努力构建金融领域特定的情感词典。情感词典有助于解决各种文本挖掘任
基于硬区域加权损失的可分卷积神经网络的头颈CT高危器官自动分割
Stack_Alan的博客
02-22 548
基于硬区域加权损失的可分卷积神经网络的头颈CT高危器官自动分割 Automatic Segmentation of Organs-at-Risk from Head-and-Neck CT using Separable Convolutional Neural Network with Hard-Region-Weighted Loss 摘要 目的：从不确定的头颈部HAN CT图像中准确地分割危险器官(OAR) 难点：CT中软组织对比度低，OAR尺寸高度不平衡，较大的切片间距。大型和小型OAR的尺寸严重
「Medical Image Analysis」Note on 3D U-Net
小锋子Shawn
11-09 414
QQ Group: 428014259 Sina Weibo：小锋子Shawn Tencent E-mail：403568338@qq.com http://blog.csdn.net/dgyuanshaofeng/article/details/83904176 [1] 3D U-Net Learning Dense Volumetric Segmentation from Sparse Ann...
论文阅读——U-Net论文总结与复现
无风而起的博客
11-15 2553
论文【U-Net: Convolutional Networks for Biomedical Image Segmentation】2015 MICCAI UNet是为了解决医学图像分割问题而提出的CNN模型，谷歌学术目前引用已经达到20000左右，是非常有影响力的工作。 UNet沿袭了FCN中的编码器-解码器结构，并将浅层与深层信息的融合做的更加彻底。论文中网络结构图如下： 上图的左边就是编码器部分，这里通过不断进行卷积和池化的操作将输入图像的特征图尺寸不断变小，将特征图通道数不断增加。可以看到UNe
论文阅读——又看了两篇图像质量评价（IQA）的论文
无风而起的博客
10-09 2012
【Blind CT image quality assessment via deep learning strategy: Initial Study】2018 本文主要讲了一种基于AlexNet的2D CT图像无参考质量评估(NR-IQA)方法。其框架图如下： 使用了300张优质CT图像+1200张添加噪声图像合计1500张作为数据集，其中1350张作为训练集，150张作为测试集。作者将图像质量从劣到优分为5个等级，图像整体输入，AlexNet只修改输入图像大小和输出部分。除了分类准确率，作者还采用了
论文阅读——看了两篇医学图像质量评价（IQA）的论文
无风而起的博客
10-06 1903
【A CNN BASED NEUROBIOLOGY INSPIRED APPROACH FOR RETINAL IMAGE QUALITY ASSESSMENT】 IBM Research - Australia 2016 论文主要用CNN进行视网膜图像质量评估。网络结构图如下： 数据集是20471760的101张视网膜PNG彩色图像，作者将其切割为30000个150150的patch，来自同一张图像patch标签相同， 进行图像质量二分类。由于数据集没有反例，作者通过施加高斯白噪声、椒盐噪声和散斑噪声
论文阅读——Efficient Multi-Scale 3D CNN with fully connected CRF for Accurate Brain Lesion Segmentation
无风而起的博客
09-22 1227
Efficient Multi-Scale 3D CNN with fully connected CRF for Accurate Brain Lesion Segmentation这篇论文主要内容就是作者运用3D CNN以及全连接CRF算法做3D脑部图像损伤区域分割。 3D CNN 3D卷积与2D 多通道图像卷积不同之处在于filter要进行三个维度的滑动操作。单通道3D卷积与2D卷积类似，filter和图像也是对应相乘求和。 Figure1 多通道3D与多通道2D类似，通道间filter权重独立，卷
论文阅读——Multiple Organ Localization in CT Image Using Triple-Branch Fully Convolutional Networks
无风而起的博客
10-29 619
论文【Multiple Organ Localization in CT Image Using Triple-Branch Fully Convolutional Networks】2019 CT器官定位是器官分割、损伤检测、图像配准等许多CT图像分析任务的预处理步骤，但也是一项有挑战性的工作。 本文作者提出了一种新颖的3D CNN模型CT图像器官定位方法，其流程主要分为三部分： 对原始CT图像进行增强，将原图、梯度图、器官强化图联成三通道图像作为网络输入。 用一种新颖的三分支网络分别预测器官在三个方向
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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