（脑肿瘤分割笔记：二十五）用于脑肿瘤分割的具有跨任务引导注意的单路径多任务网络

最新推荐文章于 2022-10-19 17:16:52 发布
最新推荐文章于 2022-10-19 17:16:52 发布
阅读量817 收藏 2
点赞数
分类专栏： 脑肿瘤分割论文笔记 文章标签： 深度学习 神经网络 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43921949/article/details/126558405
版权

Title：One-pass Multi-task Networks with Cross-task Guided Attention for Brain Tumor Segmentation

目录

Absract（摘要）

OM-Net方法概括

模型级联和OM-Net的区别

方法（Method）

A：基于模型级联的基本架构

B：单一路径多任务网络

C:跨任务引导注意模块（CGA）

CGA-Tumor

总结

Absract（摘要）

类不平衡问题是脑肿瘤分割问题中的主要挑战之一。模型级联是一种流行的解决这个问题的方案。模型级联通过运行一组深度模型进行从粗到细的分割。但是这种方法的一个缺点就是忽略了级联各个模型之间的相关性。本文提出的OM-Net网络针对此问题可以更好的解决类不平衡问题。

OM-Net方法概括

首先OM-Net将单独的分割任务集成到一个深度模型中，这个模型由用于学习联合特征的共享参数和用于学习判别特征的任务特定的参数组成，利用任务之间的相关性来设计在线训练数据传输策略及训练策略。此外提出了在任务之间共享预测结果，为此设计了跨任务引导注意模块（CGA）通过前一个任务提供的预测结果的指示，CGA模块可以基于特定类别的统计数据自适应的校准通道特征效应。

类不平衡问题就是健康组织和肿瘤组织之间以及肿瘤内类别之间通常会出现的严重的比例不平衡问题。

模型级联和OM-Net的区别

模型级联是为每个任务训练一个单独的网络，然后依次连接。两个网络的结果如下图

而本文提出的OM-Net是将三个任务合并一个模型当中。此外模型在训练过程中不是一直一起训练三个任务，而是逐步将任务按难度递增的顺序添加到OM-Net中，这有利于提高模型收敛的质量。

方法（Method）

A：基于模型级联的基本架构

脑肿瘤分割分解为三个独立但相互关联的任务：

任务1：完整肿瘤结构的分割

任务2：完整肿瘤以及肿瘤内类别的精细分割

最低0.47元/天 解锁文章
（脑肿瘤分割笔记：四十三）用于脑胶质瘤分割的上下文感知网络
weixin_43921949的博客
09-21 894
上下文感知网络用于处理边界模糊问题
（脑肿瘤分割笔记：四十四）基于深度学习的脑肿瘤分割的综述
weixin_43921949的博客
08-27 3766
脑肿瘤分割综述笔记！！！！
One-Pass Multi-task Convolutional Neural Networks for Efficient Brain Tumor Segmentation
zxyhhjs2017的博客
02-27 814
method: 首先：用三个网络来训练，分别针对comlete区域，core区域，和enhancing区域（使用网络OM-net） 1.使用随机采样从MRI大脑图像中采块，训练，分类器分为5类，最后测试的时候直接测出complete区域，得到粗分割，并且使用腐蚀的方法，平滑complete，消除一些假阴性 2.训练样本是从complete中提取，训练，分类，我的理解应该是分为core里面的3...
【脑肿瘤分割】Deep learning based brain tumor segmentation: a survey
可乐大牛的博客
10-16 1561
这是一篇22年的脑肿瘤分割的综述，作者在文中简单阐述了基于深度学习方法的发展过程，并把当前的方法大致分为三类，分别是具有有效架构的方法、处理不平衡状态的方法和利用多模态信息的方法。
脑肿瘤分割学习（4）：Multi-step Cascaded Networks for Brain Tumor Segmentation
qq_38296005的博客
04-15 2285
Multi-step Cascaded Networks for Brain Tumor Segmentation[多步级联的脑肿瘤分割网络]Abstract1 Introduction2. Methodology2.1 Multi-step Cascaded Network2.2 3D U-Net Architecture with Deep Supervisions3. Experiments3.1 Preprocessing3.2 Implementation Details3.3 Segmentat
-：基于深度学习的肿瘤分割系统的设计与实现
02-16
-：基于深度学习的肿瘤分割系统的设计与实现
(脑肿瘤分割笔记：六十二)缺失模态下的对抗性联合训练脑肿瘤分割网络
weixin_43921949的博客
10-19 1484
解决缺失模态下的脑肿瘤分割问题。
论文阅读笔记--医学图像分割[上下文编码网络]--CE-Net
weixin_41541662的博客
06-17 2107
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 CE-Net: Context Encoder Network for 2D Medical Image Segmentation--CE-Net:用于二维医学图像分割的上下文编码网络前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结 Medical Image Segmentation–CE-Net:用于二维医学图像分割的上下文编码网络) 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器
（脑肿瘤分割笔记：十七）基于分级Dice Loss的精细全卷积神经网络的脑肿瘤分割
weixin_43921949的博客
08-31 771
基于分级DiceLoss的精细全卷积神经网络脑肿瘤分割论文笔记
[MICCAI2019]Unified Attentional Generative Adversarial Network for Brain Tumor Segmentation From
catfishH的博客
01-09 371
MICCAI2019 多模分割相关论文笔记 Unified Attentional Generative Adversarial Network for Brain Tumor Segmentation From Multimodal Unpaired Images 在许多情况下很难获得多模式配对的配准图像。因此，开发一种可以用不成对的图像将不同形态的目标对象进行分割的模型对于许多临床应用而言意义重...
改进的连续型最大流算法脑肿瘤磁核共振成像三维分割
02-12
针对脑肿瘤磁核共振成像(MRI)中噪声、低对比度、脑肿瘤边界模糊等原因造成脑肿瘤分割不足的问题，提出一种改进的连续型最大流算法脑肿瘤MRI三维分割方法。针对Flair、T1C和T2三种模态MRI图像使用中值滤波和快速模糊C均值聚类进行预处理得到预处理图像；按照大量实验统计确定的融合比例5∶1∶4(Flair、T1C和T2三种模态)，对各预处理图像进行线性融合得到三维融合图像；采用快速模糊C均值算法对三维融合图像进行聚类得到三维欠分割图像；使用本文提出的算法对三维欠分割图像进行精准分割，即通过分析三维欠分割图像的结构特征和统计特征，提取参数实现改进的连续型最大流算法，去除散点后得到最终分割结果。实验表明，相对金标准的相似系数为0.90，正确率为0.94，召回率为0.86。使用本文提出算法进行脑肿瘤MRI三维分割能够自动、准确地分割出三维脑肿瘤区域，可以满足医学临床需要。
【MICCAI2018论文翻译】从结构磁共振图像中分割脑肿瘤和提取纤维束追踪特征预测总存活率
weixin_42338058的博客
03-14 2716
原文移步：Brain Tumor Segmentation and Tractographic Feature Extraction from Structural MR Images for Overall Survival Prediction 摘要：本文提出了一种新的方法，该方法结合了人脑连接组学和分割标签用于脑肿瘤分割和生存预测。对于分割，我们采用MNI152 1mm空间中已经存在的脑分...
（脑瘤分割阅读笔记：二）Automatic Brain Tumor Segmentation usingCascaded Anisotropic Convolutional NeuralNetwork
weixin_43921949的博客
08-22 1043
级联各向异性卷积神经网络的脑肿瘤自动分割论文阅读笔记！！！
[深度学习论文笔记]Brain tumour segmentation using a triplanar ensemble of U-Nets 基于Unet三平面集成的脑肿瘤分割
Slientsake的博客
06-14 1681
Brain tumour segmentation using a triplanar ensemble of U-Nets 基于U网络三平面集成的脑肿瘤分割 Published: May 2021 论文：https://arxiv.org/abs/2105.09511 代码：https://github.com/askerlee/segtran 摘要        脑胶质瘤在其外观和脑MR图像上的位置上都有很大的差异，这使得健壮的肿瘤分割非常具有
（脑肿瘤分割阅读笔记：一）Brain Tumor Segmentation with Deep Neural Networks
weixin_43921949的博客
08-21 918
基于深度神经的脑肿瘤分割论文阅读笔记
Automatic Brain Tumor Segmentation using Cascaded Anisotropic Convolutional Neural Networks
zxyhhjs2017的博客
03-21 1074
摘要: 问题： 用于脑肿瘤分割 方法： 1.提出一个级联架构去分割整个肿瘤，核心肿瘤，和增强肿瘤，将多类分割分解为3个2类分割问题.即先分割整个肿瘤，再从整个肿瘤中分割，核心肿瘤，再从核心肿瘤中分割增强肿瘤. 2.使用了各向异性卷积和孔洞卷积，结合多视角融合来减少假阳性. 3.还使用了残差块和多尺度预测 结果:在Brats2017上取得了.Experiments with BraTS...
脑肿瘤分割论文打卡2：E1D3 U-Net for Brain Tumor Segmentation
qq_38296005的博客
10-21 4239
E1D3 U-Net for Brain Tumor Segmentation: Submission to the RSNA-ASNR-MICCAI BraTS 2021 challenge 【E1D3 U-Net 用于脑肿瘤分割】Abstract1 Introduction2 Realted Works3 Methodology3.1 E1D3 U-Net :One Encoder, Three Decoders3.2 Training3.3 Testing4Experiments4.1 System
基于高斯混合模型（GMM）脑部肿瘤分割算法
m_buddy的博客
05-31 3631
1. 前言 说到图像分割，首先想到的便是诸如OTSU算法、区域自动生长之类的传统算法。虽然，这些算法的实现原理各不相同，但是有以下的缺点 1. 分割算法没有很好的自动化能力，比如区域生长算法 2. 分割的结果并不是最适宜的区域，比如OTSU 针对这样的问题，这里给出一种基于统计分析模型的自动化肿瘤分割方法。思路见下面的叙述。 2. 算法思路 首先分析拿到一张肿瘤图像进行分析 ...
unet脑肿瘤分割_3D脑肿瘤分割的Dice损失函数的优化
weixin_31541755的博客
12-24 1245
3D脑肿瘤分割的Dice损失函数的优化刘昊，王冠华，章强，李雨泽，陈慧军【摘要】[摘要]脑肿瘤的精确诊断对于提高病人的生存率，提供积极有效的治疗方案有着重要的意义。磁共振(MR)影像检查可提供脑肿瘤诊断结果并增加脑肿瘤诊断率，而精确分割三维脑肿瘤MR图像对于脑肿瘤的诊断，治疗以及术后追踪都有着非常重要的意义。本文针对在三维MR图像上的脑肿瘤分割问题，提出了直接优化评价指标的新损失函数的深度神经网络...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值