本文记录了博主阅读肿瘤分割相关论文的笔记。更新于2019.07.01。
文章目录
《Cost-Effective Active Learning for Melanoma Segmentation》
本文提出了用于在有限训练数据下实现医学图像的语义分割算法。论文,代码。
Motivation
在医学诊断中,专家的决定是重要因素之一。医学诊断有时是非常耗时且无趣的,这种情况会导致部分诊断的错误。尽管深度学习在诊断上产生了不错的效果,但是其依赖大量的数据库,这对于医学领域而言是一个非常严重的障碍,因为在本领域下,专业、高精度的标注代价是非常高昂的。
主动学习(active learning,AL)能够减少选择的工作量(从大量未标注图片中选择一个能够提供信息的子集),所选择的候选被标注后会顺序送入训练集。
主要贡献;
- 用CNN和Cost-Effective Active Learning method构建并训练了一个用于医学图像语义分割的模型;
- 基于网络固有分布的蒙特卡洛dropout(Monte Carlo Dropout)实现医学图像信息推理。
Related work
Cost-Effective Active Learning (CEAL) algorithm
传统Active Learning方法只关注信息最多和最有描述性的样本,而Cost-Effective方法则能够自动选取和伪标注未标注的样本。
CNN’s for Image Segmentation: U-Net architecture
《Melanoma: A Review On Various Segmentation Techniques》
Abstract
本文介绍了多种自动肿瘤检测的算法。医学图像处理用于医学诊断是一种无创技术。为了在早期检查皮肤癌从而避免不必要的活体检查(穿刺),皮肤肿瘤的数字图像检测技术应运而生。本文介绍了不同的恶性肿瘤(malignant melanoma)分割方法。在算法应用中,小波网络(wavelet network)对于皮肤癌图片的检测效果更好。
Introduction
Segmentation
Thresholding based Segmentation
基于阈值的分割是最简单的,将灰度图像转换成二值图像。然而,这种方法对于皮肤镜图像生成的结果不连续,其主要原因是对比度低、病变与皮肤之间变化平滑。
Region-Based Segmentation
这种方法里,图像被基于图像中的共同性质区分或聚类成小区域。总体而言,由于皮肤病变颜色和纹理的多样性,实施起来很困难。
Edge Based Segmentation
这种技术判断一个像素是否属于边缘。这种方法尽管简单,但是从病变区域到正常皮肤之间的表面是平滑的,从而导致应用困难。此外,这种方法容易受到噪声的影响(比如毛发、皮肤纹理、气泡等),从而导致收敛在噪声点周围而产生错误的分割结果。
Clustering based Segmentation
这种方法对灰度图像或将其扩展至高维应用聚类,通常利用了特征空间的同类特征划分。
Existing Algorithms
Thresholding Algorithm
H Gangster在这篇文章中提出了基于阈值的肿瘤识别分割技术。阈值分割可以细分为全局阈值分割和适应(局部)阈值分割。全局阈值对整幅图像应用一个阈值。这是一个迭代过程,将所有像素的均值作为阈值得到区域划分,再对新划分出来的区域计算均值并应用该均值作为新的阈值。迭代过程持续到对于每个子区域,新的阈值与旧阈值相比差距很小。局部阈值则对每个子区域应用不同的阈值。阈值分割的输出是一个二值图像。
这种方法对于前背景对比度大且没有尖峰的图像效果不错,且不需要图像的任何先验知识。然而,对于图片中的重叠区域则表现不好。
K Means Clustering
MacQueen等人提出的K均值方法通过某种距离度量将像素点进行聚类,其目的是最小化质心与像素点之间的距离。聚类的个数由图像的先验知识决定。最开始,所有像素点距离所有质心的距离都被计算。计算距离后,像素会被分配给距其最近的质心,从而获得新的质心。这个过程不断迭代,知道所有的点都被分配给了距离其最近的质心且质心的值不再改变。K means方法容易编程且计算容易,但是对于初始化的聚类选择敏感。
Fuzzy C Means clustering
Statistical Region Merging
Active Contour Models
Fuzzy-Based Split and Merge Algorithm (FBSM)
Iterative Thresholding
Ostu’s Algorithm
Wavelet Network Method
更多内容,欢迎加入分割星球进一步讨论。