阅读论文计划 4/10000 脑出血分割

Siamese U-Net with Healthy Template for Accurate Segmentation of Intracranial Hemorrhage maccai2019

模型由两大部分组成：一个收缩部分（Contracting part）和一个扩张部分（Expansive part），与U-Net的典型结构一致。这个网络利用了权重共享（Weight sharing）机制来增强特征的提取能力，并且可能更好地处理医学图像中常见的差异和变化。

提出了一种新的卷积神经网络模型，名为Siamese U-Net，用于在非对比度CT图像中更准确地分割出脑出血区域。该模型引入了一种基于健康模板的距离度量，通过比较个体CT图像和健康模板的卷积特征，更稳健地检测出异常的出血区域。通过结合健康脑部的特征信息，Siamese U-Net能够降低虚阴性和虚阳性分割率，并更准确地估计出血量。

Siamese U-Net的工作流程包括以下步骤：

1. 输入图像对：Siamese U-Net接受成对的患者CT图像和健康模板作为输入。
2. 提取特征：通过共享权重的卷积核和最大池化，Siamese U-Net计算输入图像的高级特征。
   3. 计算相似度：利用L1距离、权重乘法和Sigmoid函数，计算输入图像的高级特征之间的相似度。
3. U-Net分割：Siamese U-Net使用U-Net结构进行分割，将收缩部分到扩张部分的长跳连接替换为Siam块，以在转移卷积特征的同时结合患者CT和健康模板的差异性。
4. 输出分割结果：Siamese U-Net输出更准确的分割结果，减少了虚阳性和虚阴性分割率，并更准确地估计出血量。

Siamese U-Net通过Siam块实现对异常区域的关注。具体来说，Siam块计算了两个输入图像的特征之间的差异，并根据这种差异性来加权特征传递。如果两个图像非常相似，Siam块将返回较低的差异值，从而减少对应特征的权重，使得这些相似的特征对最终的分割结果影响较小。相反，如果两个图像差异很大，Siam块将返回较高的差异值，从而增加对应特征的权重，使得这些不同的特征对最终的分割结果影响较大。

通过这种方式，Siamese U-Net能够更加关注异常区域，即那些在两个图像中差异较大的区域，从而提高了对异常区域的检测和分割的准确性。