每周一篇文献阅读—pape10 （前列腺B超图像的分割）

最新推荐文章于 2023-01-09 15:49:44 发布

XX|XX

最新推荐文章于 2023-01-09 15:49:44 发布

阅读量468

点赞数

分类专栏：文献阅读文章标签：神经网络深度学习

本文链接：https://blog.csdn.net/sinat_35779431/article/details/103530574

版权

文献阅读专栏收录该内容

13 篇文章 1 订阅

订阅专栏

Accurate and robust deep learning-based segmentation of the prostate clinical target volume in ultrasound images

主要贡献
主要方法

文章链接：

Accurate and robust deep learning-based segmentation of the prostate clinical target volume in ultrasound images，DOI: 10.1016/j.media.2019.07.005，可以去NCBI上面搜索，2019年miccai best paper。
Accurate and Robust Segmentation of the Clinical Target Volume for Prostate Brachytherapy，链接：https://link.springer.com/chapter/10.1007%2F978-3-030-00937-3_61（2018年的会议论文，两篇文章相差不大，2019年的做了一点小改进，然后介绍更全面一点）

主要贡献

通过预估分割的不确定性来识别测试集种的难识别图像，并用先验形状信息来改善不确定分割，主要贡献如下：

提出了一个新的CNN架构（改进了一下U-net），用于计算多尺度特征，然后用这些特征来预测CTV分割。与其他标准网络架构相比，该架构可以提高分割准确性。
自适应的从训练集中采样，以使训练的模型在difficult图像上获得更准确的分割。为此，首先利用CAE学习出的feature，来学习训练图像的相似性。然后，在CNN训练期间，优先采样哪些与验证集种的difficult图像更相似的图像作为训练图像。
估计segmentation prediction的不准确性，并使用CTV预期的形状先验知识来改善分割不确定性。为了预估分割的不确定性，训练了一系列的分割模型，并提出根据这些模型预测结果的不一致程度来估计分割的不确定性。

主要方法

Clustering of the training images

文章的目标是在difficult image上取得高的准确率，为此，需要在验证集中先识别出difficult image，然后基于每个图像对于提高这些difficult image的分割所作出的贡献来采样训练图像，也就是选与difficult image相似的图像来作为训练集。因此，文中提出了用稀疏子空间聚类+CAE的方法来度量图像的相似度。
在这里插入图片描述
CAE的架构如图所示，z_enc代表CAE的编码部分所提取的图像特征，Γ代表一个变换矩阵，而z_dec代表z_enc做了Γ变换后的特征矩阵，同时也是CAE解码部分的输入。

具体实现分为两个阶段：第一阶段，取Γ=I，先训练一个标准的CAE出来；第二阶段，引入Γ训练完整模型：
在这里插入图片描述
相似度矩阵：C = |Γ| + |Γ^T|

Proposed CNN architecture

在这里插入图片描述
与U-NET使用相同大小的滤波器不同，文中提出对输入图像应用不同大小的卷积滤波器（k∈{3，5，7，9，11}）和相应的步幅（s∈{1,2,3,4,5}），图上只画出了3层，实际应用是有5层的，包括c-9，c-11。

Training a CNN ensemble with adaptive sampling

训练5个CNN模型组成一系列CNN模型，对每个模型采取5-折交叉验证的方法进行训练。将训练集和验证集记为S_tr和S_vl，e_i为CNN在当前迭代后验证集第i个图像的误差。训练流程如下图所示：
在这里插入图片描述
对下一次迭代，根据图像与验证集中difficult image的相似度来选取训练样本。计算第j个训练图像的probability：

在最开始，初始化p为标准分布。选择霍夫距离来计算误差e。

Improving uncertain segmentations using an SSM

通过计算5个CNN模型（两两之间算DSC）的DSC平均值，如果算出来的均值高于0.95，就认为五个模型预测一致性较高，那么最后的分割结果就直接取5个CNN模型的probability map的平均值，然后取0.5为阈值，将其映射为二值分割图。如果低于0.95，就表示不一致程度较高，那么就要进行改善啦。
具体改善方法：
首先，利用75张MR图像的训练了一个SSM模型出来（具体咋训练的不知道），这个模型包含两个重要信息u和V，分别表示平均形状和以n个最重要的形状模式作为其列的矩阵。
然后，先用这5个模型求平均的方法来求出一个初始分割图S_init，平均probability map记为p¯，利用p¯计算分割不确定图uncertainty map：
在这里插入图片描述
然后利用上面的信息，计算改进后的分割S_impr：

具体的参数说明可以看原文。下图就是最终的实验结果啦。

(a)表示预测较为一致的情况，(b)就是取平均后的最终分割结果；©表示预测比较不一致的情况，(d)表示初始分割图S_init，(e)中蓝线表示改进后的分割S_impr，红线表示S_init，绿线表示

XX|XX

关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
每周一篇文献阅读—pape10 （前列腺B超图像的分割）

Accurate and robust deep learning-based segmentation of the prostate clinical target volume in ultrasound images主要贡献文章链接：Accurate and robust deep learning-based segmentation of the prostate clinica...
复制链接

扫一扫