2 、基于三维深度监控网络的CT肝脏自动分割
从CT图像中自动分割肝脏是计算机辅助肝脏疾病诊断和治疗的重要前提,也是一项具有挑战性的任务。本文提出了一种新的三维深度监督网络(3D-DSN)来解决这一难题。所提出的3D-DSN利用了一种完全卷积的结构,该结构执行有效的端到端学习和推理。更重要的是,我们在学习过程中引入了深度监督机制,以克服潜在的优化困难,从而使模型具有更快的收敛速度和更强的识别能力。在3D-DSN生成的高质量分数图的基础上,进一步利用条件随机场模型得到精确的分割结果。我们在公共MICCAI-SLiver07数据集上评估了我们的框架。大量的实验表明,我们的方法以更快的处理速度实现了与最新方法竞争的分割结果。
提出了一种有效的基于三维CNN的异常CT肝脏自动分割框架。提出了一种新的三维深度监督网络(3D-DSN)来生成高质量的分数图,并利用条件随机场模型进一步细化轮廓。在SLiver07数据集上以更快的处理速度取得了令人满意的结果。我们的基于深度学习的方法是通用的,并且可以很容易地扩展到其他医学体分割应用中,而且训练数据有限。
3D deeply supervised network for automatic liver segmentation from CT volumes