靶区分割论文阅读:DDNN for Target segmentation

靶区分割论文:Deep Deconvolutional neural network for Target segmentation of nasopharyngeal cancer in Planning computed Tomography images

doi:10.3389/fonc.2017.00315
Author affiliation & publication year: National Cancer Center/Cancer Hospital, 2017

背景:

用于鼻咽癌靶区勾画,提出了端到端的深度反卷积神经网络用于靶区自动分割

方法:

Deep Deconvolutional neural network(DDNN), 包含一个encoder网络和一个decoder网络。encoder用于提取图像数据特征,decoder使用反卷积来恢复原始分辨率。使用dice系数作为评价指标对GTVnx,GTCnd和CTV勾画结果进行评价,并于VGG-16结果进行对比

结论:

  • DDNN对GTVnx和CTV的分割结果较为准确,但GTVnd的分割结果较差
  • 训练数据需要耗费大量人力进行审查和数据清洗

文章要点总结

网络结构:

input(417 * 417) -> encoder(53 * 53 * 512) -> decoder (53 * 53 * 512) -> output(417 * 417)
在这里插入图片描述

评价指标
  • Dice系数:
    DSC(A,B) = 2|A∩B|/(|A|+|B|)
  • Hausforff距离:
    H(A,B) = max(h(A,B),h(B,A)), where h(A,B) = max(min||a-b||), a∈A,b∈B
实验结果

在这里插入图片描述
不同靶区的dice系数及Hauforff距离对比
在这里插入图片描述
靶区勾画结果对比

个人理解

本篇文章比较老,发表于2017年,使用的仍然是比较原始的encoder-decoder结构,且仍然为二维网络结构。值得借鉴的是对靶区处理结果的评价标准,数据审查与筛选的重要性

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 3
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
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