在这项工作中,构建并比较了用于图像分割的四个流行的深度卷积神经网络(U-NET、DeepLab、FCN和SegNet)。这种比较揭示了实现有效分割和分割精度之间的权衡。使用深度学习,特别是卷积神经网络方法来构建和训练模型,可以从MRI图像中识别脑部病变。在模型能够识别脑损伤后,通过调整模型结构、实施数据增强和寻找最佳超参数来改进深度学习模型。我们还详细阐述了实施细节和评估标准,以在原有模型的基础上提高其分割基准和性能。具体代码可在以下网址中找到:https://github.com/673958639/Convolutional-Neural-Network-for-Brain-Lesion-Segmentation-in-MRI-Images
数据集
- 从TCIA脑部MRI分割数据集中选择数据,该数据集由癌症图像档案馆提供
- 110名患者的脑部MRI图像,共3929张图像
- 正确的标签
- 为了保护隐私,数据将不会被公布。可以从kaggle网站上获取数据集。
公式
像素精度
Pixel Acc \text { Pixel Acc } Pixel Acc = accurate pixel total pixel \frac{\text { accurate pixel }}{\text { total pixel }} total pixel accurate pixel
MIoU
M I o U MIoU MIoU= A ∩ B A ∪ B = T P F P + F N + T P \frac{A \cap B}{A \cup B}=\frac{T P}{F P+F N+T P} A∪BA∩B=FP+FN+TPTP
骰子系数
Dice \text { Dice } Dice = 2 × ∣ A ∩ B ∣ ∣ A ∣ + ∣ B ∣ \frac{2 \times|A \cap B|}{|A|+|B|} ∣A∣+∣B∣2×∣A∩B∣
算法架构
- Fully Convolutional Networks (FCN)
- U-Net
- SegNet
- Deeplab V3
优化
- Resnet Jump Link
- Transform Learning 迁移学习
- Dilated Convolution 空洞卷积
结果
优化前
优化后
可视化及迁移学习效率等具体信息可访问github链接进行共同学习探究。