A Voxel-Based Fully Convolution Network and Continuous Max-Flow for Carotid Vessel-Wall-Volume Segmentation From 3D Ultrasound Images--基于体素的全卷积网络和连续最大流用于三维超声图像的颈动脉血管壁体积分割
这里有一个最小割和最大流问题,需要了解的可以看这个解释
https://zhuanlan.zhihu.com/p/65793018
摘要
血管壁体积(VWV)是一项重要的三维超声(3DUS)指标,用于评估颈动脉斑块负荷和监测治疗后颈动脉粥样硬化的变化。
用基于体素的全卷积网络(Voxel-FCN)和连续最大流模块的方法,从三维超声图像中自动分割颈动脉中膜-外膜(MAB)和管腔-内膜边界(LIB)。采用连续最大流算法改进Voxel-FCN提供的粗分割。(用最大流方法可改进粗分割)
1 INTRODUCTION
本文是针对于三维超声颈动脉图像来做的实验
2D图像具有局限性。
(1)IMT在疾病的早期阶段是有用的,但它不能真实地代表动脉粥样硬化‘;2)不能用于评价颈动脉斑块的形态和回声变化;(3)它具有高度的用户依赖性,导致对颈动脉斑块等三维(3D)结构的量化存在变异性。
CONTRIBUTION:
- 提出了一种新的基于体素的自动全卷积网络(Voxel-FCN),
- 我们将通用的CNN和金字塔合并模块(PPM)扩展到3D,以在编码器中提取空间和上下文图像信息。
- 在解码器中设计了注意力机制,以自动加权和融合编码器在不同级别提取的特征。
- 使用多类连续最大流算法对初始的VOxel-FCN分割结果进行后处理和细化,该算法明确地加强了分割的平滑性和标记的一致性。