图像分割
文章平均质量分 78
GodBlessss
这个作者很懒,什么都没留下…
展开
-
Deep Reinforcement Learning for Weakly-Supervised Lymph Node Segmentation in CT Images粗略谷歌翻译
摘要和介绍:准确和自动化的淋巴结分割对于定量评估疾病进展和潜在治疗方法至关重要。淋巴结形态的复杂变化和获取体素方面的手动注释的困难使得淋巴结分割成为一项具有挑战性的任务。由于实体瘤(RE-CIST)注释中的反应评估标准(指示淋巴结的位置、长度和宽度)在医院数据档案中普遍可用,因此我们提倡使用RECIST注释作为监督,从而将该分割任务表述为弱监督学习问题。本文提出了一种基于深度强化学习的淋巴结分割(DRL-LNS)模型。基于RECIST注释,我们以无监督的方式分割RECIST切片以产生伪地面真实,然后将其用原创 2021-08-25 18:57:26 · 729 阅读 · 0 评论 -
A Reinforcement Learning Framework for Medical Image Segmentation翻译
摘要本文介绍了一种使用强化学习方案进行医学图像分割的新方法。 我们使用这个新颖的想法作为一种有效的方法来最佳地找到合适的局部阈值和结构元素值,并在超声图像中分割前列腺。 强化学习代理使用超声图像及其手动分割版本,并采取一些行动(即不同的阈值和结构元素值)来改变环境(分割图像的质量)。 为代理提供客观确定的标量强化信号。 代理使用这些客观的奖励/惩罚来探索/利用解决方案空间。 使用这种方式获得的值可以用作填充 Q 矩阵的宝贵知识。 强化学习代理也可以将这些知识用于类似的超声图像。 结果证明了在医学图像分割.原创 2021-08-25 10:57:19 · 279 阅读 · 0 评论 -
论文笔记-U-Net: Convolutional Networks for Biomedical Image Segmentation
AbstractUnet是2015年的一篇工作了,在医疗图像分割中,能够在很少的训练集上实现比较好的分割效果。同时,设计的Encode-Decode结构(U形结构),在后来的很多方法中被借鉴使用现在回过来看UNet的工作,整体思路还是比较简单的,具体的细节,将按照如下的网络结构图进行展开阐述:Details每一层的尺寸训练样本的大小是512512,为了能够包含到图像边缘的像素点,将训练样本扩充为572572(图像边缘多30个像素,用图像内的像素对称填充),如下图至于为什么扩充30个像素,个人原创 2021-08-25 10:38:55 · 184 阅读 · 0 评论