本文介绍了医学图像分割的研究背景，包括医学图像的多样模态、噪声、像素值范围和部分容积效应等特征。讨论了数据来源和不足，如数据有限和标注困难，并提出了数据扩充和弱监督学习作为解决方案。文章探讨了常用的深度学习模型，如CNN、FCN和U-Net，以及评估指标，如Dice系数、敏感性和特异性。总结强调了理解图像特点、预处理和适配模型输入的重要性，并提出从数据入手的研究方向。
-
Time：2020/9/14
医学图像分割的初步理解
-
文献：
1、Medical Image Segmentation Based on Deep Learning: A Review
2、基于深度学习的医学图像分割方法_游齐靖
3、基于深度学习的医学图像分割研究进展_宫进昌
主题：Medical image segmentation; CNN ; FCN; U-Net; Deep Learning
研究背景
医学图像特征
1、医学图像的模态（格式）更加多样化，如CT、MRI以及超声
2、医学图像一般会含有很多噪声
3、医学图像的像素值范围与自然图像（0~255）有很大差别，如CT一般会上千
4、部分容积效应：不同组织器官边界部分灰度值非常接近
5、数据集有限，标注困难
分割目标
首先要明确分割要达到什么目的，是对病灶的提取还是器官的提取还是器官的分割
研究思路
数据来源
- Br
最低0.47元/天 解锁文章
8049
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
