![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
医学图像分割
文章平均质量分 87
JOJO-XU
这个作者很懒,什么都没留下…
展开
-
【论文阅读】医学图像分割
双分支残差网络(DB-ResNet),集成了两种新方案,以提高模型的泛化能力:1)提出的模型可以同时捕获CT图像中不同结节的多视图和多尺度特征;2)我们结合了强度和卷积神经网络(CNN)的特征。我们提出了一种池化方法,称为中央强度池层(CIP),提取块的中心体素的强度特征,然后使用CNN获得块的中心体素的卷积特征。另外,我们设计了基于结节边界的加权采样策略,以使用加权得分选择那些体素,以提高模型的准确性。所提出的方法已在包含986个结核的LIDC数据集上得到了广泛的评估。实验结果表明,DB-ResNet在数原创 2022-06-28 11:41:18 · 1602 阅读 · 1 评论 -
CE-Net: Context encoder network for 2D medical image segmentation论文阅读
医学图像分割是医学图像分析中的重要步骤。随着卷积神经网络在图像处理中的快速发展,深度学习已被用于医学图像分割,如视盘分割,血管检测,肺部分割,细胞分割等。以前,已经提出了基于U-net的方法。 。然而,连续的汇集和跨步卷积操作导致一些空间信息的丢失。在本文中,我们提出了一个上下文编码器网络(称为CE-Net)来捕获更多的高级信息并保留用于2D医学图像分割的空间信息。 CENet主要包含三个主要组件:特征编码器模块,上下文提取器和特征解码器模块。我们使用预训练的ResNet块作为固定特征提取器。上下文提取器模原创 2022-06-22 19:43:24 · 363 阅读 · 0 评论 -
V-Net: 医学图像分割
卷积网络在计算机视觉和医学图像分析领域有了很广泛的应用。尽管卷积神经网络非常受欢迎,但大多是都是用来处理2D图像,而医学图像却大多是3D的。U-Net是一个全卷积的体数据分割神经网络。它采用端到端的训练方式,包含一个新式的目标函数用于训练时进行优化使用。同时能很好的处理背景和非背景之间的强烈不平衡问题。为了解决数据量有限的问题,使用了非线性变换和直方图匹配的方式来进行数据增强。使用卷积操作来提取数据的特征,于此同时在每个“阶段”的末尾通过合适的步长来降低数据的分辨率。整个结构的左边是一个逐渐压缩的路径,而右原创 2022-06-22 19:39:31 · 508 阅读 · 0 评论