![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文
无风而起
这个作者很懒,什么都没留下…
展开
-
论文阅读——U-Net论文总结与复现
论文【U-Net: Convolutional Networks for Biomedical Image Segmentation】2015 MICCAIUNet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原创 2020-11-15 19:33:07 · 2319 阅读 · 0 评论 -
论文阅读——Multiple Organ Localization in CT Image Using Triple-Branch Fully Convolutional Networks
论文【Multiple Organ Localization in CT Image Using Triple-Branch Fully Convolutional Networks】2019CT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原创 2020-10-29 09:27:57 · 581 阅读 · 3 评论 -
论文阅读——Effificient Multiple Organ Localization in CT Image Using 3D Region Proposal Network
论文【Effificient Multiple Organ Localization in CT Image Using 3D Region Proposal Network】前几年的CT图像器官检测中的深度学习方法常用2D slices,比如利用冠状面、矢状面、横断面的CT slices训练3个独立的2D网络,通过3个预测B-box确定器官的形心和范围等等一些2D方法。这些策略有两个局限性:第一,相邻层很相似,冗余大,一层一层预测时间消耗多。第二,不能充分利用CT图像的3D空间信息。因此作者尝试原创 2020-10-22 14:30:44 · 482 阅读 · 3 评论 -
论文阅读——YOLOv4: Optimal Speed and Accuracy of Object Detection
论文【YOLOv4: Optimal Speed and Accuracy of Object Detection】YOLOv4目标检测模型虽然没有特别的理论创新,但实验并应用了很多最新的CNN方面的方法和技巧,在公开数据集上的检测性能与速度都达到非常高的水平。使用了一些通用方法Weighted-Residual-Connections (WRC), Cross-Stage-Partial-connections (CSP), Cross mini-Batch Normalization (CmBN),原创 2020-10-19 09:20:05 · 186 阅读 · 0 评论 -
论文阅读——YOLOv3: An Incremental Improvement
论文【YOLOv3: An Incremental Improvement】YOLOv3于2018年推出,相较于YOLOv2最大的改进就是网络结构上采用了作者设计的基础框架Darknet-53,如下所示:网络摒弃了pooling,全部使用步长为2的卷积进行下采样。作者使用三个不同尺度的特征图(分别在8倍降采样、16倍降采样、32倍降采样处)进行目标检测。YOLOv3使用COCO数据集,有80类,YOLOv3中每个cell有3个box,每个box还有(x, y, w, h, confidence)5个原创 2020-10-15 08:57:01 · 257 阅读 · 0 评论 -
论文阅读——YOLO9000: Better, Faster, Stronger
论文【YOLO9000: Better, Faster, Stronger】YOLO9000是YOLO系列的第二代模型,它改进了YOLOv1的一些如定位错误高、召回率低等缺点,并将模型扩展到可以定位9000+物体上,并与此同时依然保持预测的高速度。新应用的几点方法:1、每个卷积层后增加BN层,提高2%左右的mAP,同时可以移除dropout层而没有过拟合。2、高分辨率的分类器。v1利用的预训练分类器输入224x224训练卷积网络,检测时用高分辨率448x448输入影响了检测性能。YOLO9000分原创 2020-10-11 20:53:41 · 304 阅读 · 1 评论 -
论文阅读——又看了两篇图像质量评价(IQA)的论文
【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,作者还采用了原创 2020-10-09 09:59:57 · 1927 阅读 · 4 评论 -
论文阅读——看了两篇医学图像质量评价(IQA)的论文
【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原创 2020-10-06 10:22:07 · 1775 阅读 · 0 评论 -
论文阅读——Densely Connected Convolutional Networks
论文【Densely Connected Convolutional Networks】DenseNet是在ResNet基础上的改良。在一个Dense Block中前层的特征图channel连接到每一个后层输出中,L层的Dense Block包括L(L+1)/2个直接连接。如下图所示:DenseNet有以下几个有点:缓和了梯度消失问题、加强了特征传播复用、减少了参数数量。其与ResNet主要区别就是DenseNet特征图复用性更强,Dense Block内每一层都将特征图直接传递到后面每一层进行复原创 2020-10-04 18:29:11 · 505 阅读 · 0 评论 -
论文阅读——ResNet,Deep Residual Learning for Image Recognition
论文【Deep Residual Learning for Image Recognition】神经网络模型的深度对其性能有很大影响,但越深的网络优化越困难,甚至出现层数增加而准确度反而降低的情况。本文提出一种deep residual learning framework来解决深度网络难以优化的问题。假设H(x)是我们所期望的输入到输出的映射,通过堆叠网络直接拟合H(x)很困难,本文考虑拟合F(x) := H(x) - x,F(x)称为残差映射(residual mapping),即让网络拟合H(x)原创 2020-10-02 08:54:17 · 187 阅读 · 0 评论 -
泛读了一些OAR相关论文2
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原创 2020-09-30 09:16:54 · 328 阅读 · 0 评论 -
泛读了一些OAR相关论文
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(映射函数原创 2020-09-29 12:47:29 · 539 阅读 · 0 评论 -
研究OAR分割的意义、应用及目前相关方法和评价指标
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原创 2020-09-25 08:41:27 · 4033 阅读 · 0 评论 -
论文阅读——AAR - RT – A system for auto-contouring organs at risk on CT images...
论文【AAR - RT – A system for auto-contouring organs at risk on CT images for radiation therapy planning: Principles, design, and large-scale evaluation on head-and-neck and thoracic cancer cases】主要方法:Automatic Anatomy Recognition - Radiation therapy(AAR - R原创 2020-09-27 18:43:51 · 171 阅读 · 0 评论 -
论文阅读——全卷积FCN,Fully Convolutional Networks for Semantic Segmentation
Fully Convolutional Networks for Semantic Segmentation这篇论文的主要内容是如何利用FCN网络进行语义分割。语义分割(Semantic Segmentation)是图像像素级的分类,即对图像中每一个像素点进行分类。FCN(Fully Convolutional Network)网络是作者定义的一种新颖的网络结构,它去除了全连接层,只留下卷积层。相较于全连接层固定的输入以及空间信息的丢失,卷积层能够接受任意尺寸图像的输入,保留空间信息,并且可以通过上采样原创 2020-09-23 08:51:55 · 228 阅读 · 0 评论 -
论文阅读——Efficient Multi-Scale 3D CNN with fully connected CRF for Accurate Brain Lesion Segmentation
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 CNN3D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,卷原创 2020-09-22 18:37:52 · 1178 阅读 · 0 评论