A deep learning approach to segmentation of nasopharyngeal carcinoma using computed tomography

最新推荐文章于 2024-10-09 22:58:09 发布
最新推荐文章于 2024-10-09 22:58:09 发布
阅读量91 收藏
点赞数
文章标签： 神经网络 机器学习 深度学习
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_49824360/article/details/117534368
版权
这篇读书报告探讨了一种利用深度学习解决CT图像中鼻咽癌（NPC）分割的挑战。由于CT图像的软组织对比度低，分割更具难度。论文提出了一种结合预处理和定位召回损失函数的U-Net类似结构，用于粗略和精细分割，有效处理小样本问题。通过与其他模型比较，证明了所提方法在DSC和95HD指标上的优越性。
摘要由CSDN通过智能技术生成

读书报告

book report

wxy

 

论文基本信息：

A deep learning approach to segmentation of nasopharyngeal carcinoma using computed tomography

 

Concept

 

Problem/challenge/background

  1. 与MRI相比，CT在低成本和广泛可用性方面具有明显的优势。 但是，CT图像的软组织对比度比MRI图像低得多，这给使用CT进行NPC分割带来了更大的挑战。
  2. 数据集小（采集并人工标注）
  3. 很难只从肿瘤相关区域提取特征并区分不相关区域。

 

最低0.47元/天 解锁文章
えい川
关注
肝脏分割 Detection-aided liver lesion segmentation using deep learning
heavenpeien的博客
05-29 4250
A fully automatic technique for segmenting the liver and localizing its unhealthytissues is a convenient tool in order to diagnose hepatic diseases and assess theresponse to the according treatments. ...
Coarse-To-Fine Segmentation of Organs at Risk in Nasopharyngeal Carcinoma Radiotherapy
qq_41502889的博客
08-03 656
Coarse-To-Fine Segmentation of Organs at Risk in Nasopharyngeal Carcinoma Radiotherapy论文解读
[图像分割综述] Image Segmentation Using Deep Learning: A Survey
不忘初心~
07-04 1万+
作者调研了100多种基于深度学习模型的最新图像分割算法，分为十类，例如：CNN和FCN，RNN，R-CNN，扩张型CNN，基于注意力 模型，生成模型和对抗模型等。 总结了这些模型的定量性能分析，例如PASCAL VOC，MS COCO，Cityscapes和ADE20k数据集。 最后，讨论了未来几年图像分割所面临的一些开放挑战和潜在研究方向。
【图像分割综述】Image Segmentation Using Deep Learning: A Survey
扬帆·启航
03-09 7043
涵盖了图像分割方面的最新文献，并讨论了直到2019年提出的一百多种基于深度学习的分割方法，训练方法及其主要贡献。 提供了综述方法的性能的比较摘要，并讨论了基于深度学习的图像分割模型的一些挑战和潜在的未来方向。
Image Segmentation Using Deep Learning: A Survery
Fantastic
09-23 3785
图像分割综述–论文翻译 论文地址：https://arxiv.org/pdf/2001.05566.pdf 摘要 图像分割是图像处理以及计算机视频的关键内容，其应用场景非常广泛，如场景理解、医学图像分析、机器人感知、视频监控、增强显示和图像压缩等。目前关于图像分割的算法论文数量非常多。最近，由于深度学习模型在计算机视频任务中的出色表现，大量的图像分割研究工作都在开发深度学习模型在图像分割中的应用。在本次调查综述中，我们提供全面的图像分割的文献综述，涵盖了语义分割和实例分割的广泛开创性工作，其中包括全卷机像素
【Review】A Review on Deep Learning Techniques Applied to Semantic Segmentation
Jinming Su
05-02 3822
基本情况 2017年4月份的文章.深度学习技术在语义分割中的应用综述，能写综述性质文章的都是大神，并且本文可以说是深度学习进行语义分割的第一本综述.本文正文有20页，参考文献有114篇，含28个数据集和27种方法. Abstract 综述性质的文章，本文首先描述了这个领域的一些专业术语和基本概念；接下来，介绍了主要的数据集和竞赛；然后回顾了存在的方法，强调了这些方法的主要贡献；最后，...
A 2017 Guide to Semantic Segmentation with Deep Learning
aitazhixin的专栏
11-16 1902
图像语义分割的深度学习算法发展
[医学图像分割综述] Medical Image Segmentation Using Deep Learning: A Survey
热门推荐
qq_38932073的博客
04-02 3万+
本综述有两个独创之处，首先，与传统的调查方法直接将医学图像分割的文献划分为多个组，并对每个组详细介绍文献的方法相比，我们将目前流行的文献按照从粗到细的多层次结构进行分类。其次，本文重点研究了监督学习和弱监督学习方法，但未包括无监督方法，这种方法目前在医学图像领域并不流行。对于监督学习方法，我们从骨干网络的选择、网络块的设计和损失函数的改进三个方面对文献进行了分析。对于弱监督学习方法，我们分别根据数据增强，迁移学习和交互式分割研究文献。与已有的调查相比，本次调查的文献分类与以往有很大的不同，更便于读者了解相关
Deep Deconvolutional Neural Network for Target Segmentation of Nasopharyngeal Cancer in Planning Com
Acmer_future_victor的博客
10-16 473
Deep Deconvolutional Neural Network for Target Segmentation of Nasopharyngeal Cancer in Planning Computed Tomography Images 深度反卷积神经网络在规划CT图像中的鼻咽癌目标分割 发表期刊：frontiers in Oncology 发表日期： 2017年 中科院SCI期刊分区：3区 大类学科：医学 小类学科：肿瘤学 Background
Semantic Segmentation of Point Clouds using Deep Learning
04-26
使用Katz投影将点云投影到2D虚拟图像中。然后我们使用预先训练的卷积神经网络对图像进行语义分割。为了获得语义分割的点云，我们将分数从分段投影回点云。我们的方法是在semantic3D数据集上进行评估的。...
A Review on Deep Learning Techniques Applied to Semantic Segmentation
05-09
基于深度学习的语义分割方法综述，总结的比较全面，值得一读
清华大模型公开课第二季 ｜ Lecture 2 神经网络与大模型基础 Part 1
ys707663989的博客
10-09 597
本文深入探讨了神经网络和大型语言模型的基础知识，包括神经网络的结构、激活函数的选择、以及RNN、CNN和Transformer在语言模型中的应用。
突触可塑性与STDP：神经网络中的自我调整机制
qq_22841387的博客
10-06 1138
当一个神经元（前脉冲神经元）先发出脉冲，而另一个神经元（后脉冲神经元）随后发出脉冲时，前脉冲神经元的信息对后脉冲神经元产生了积极的影响。相反地，如果后脉冲神经元先发出脉冲，而前脉冲神经元较晚发射，那么前脉冲神经元的信息对于后脉冲神经元的作用较小，连接会被削弱（即突触权重减少）。在神经网络的学习过程中，突触可塑性（Synaptic Plasticity）是指神经元之间的连接强度（突触权重）随着时间的推移而动态变化的能力。尖峰神经网络模仿了生物神经元的脉冲发射机制，通过脉冲的时间序列编码信息。
关于学习神经网络的一些感悟
m0_63511417的博客
10-09 960
介绍了学习神经网络时候的一些感悟。
机器学习笔记（五）--神经网络
weixin_43899239的博客
10-08 695
神经元接收来自其他n个神经元传递过来的信号，这些信号通过有权重的连接进行传递，神经元接收到的总输入值将与神经元的阈值进行对比，通过激活函数的处理产生神经元的输出。
神经网络激活函数汇总
u013172930的博客
10-09 996
Sigmoid 和 Tanh：适合浅层网络，但容易出现梯度消失问题。ReLU 和其变种（Leaky ReLU, ELU）：适合深度神经网络，避免了梯度消失问题。Softmax：用于多分类问题的输出层。Swish：新型激活函数，在某些任务中效果优于传统激活函数。
《神经网络》—— 长短期记忆网络（Long Short-Term Memory，LSTM）
最新发布
weixin_73504499的博客
10-09 1168
长短期记忆网络（Long Short-Term Memory，LSTM）是一种特殊的循环神经网络（Recurrent Neural Network, RNN），主要设计用来解决传统RNN在处理长序列数据时存在的梯度消失或梯度爆炸问题。LSTM通过引入门（Gate）机制，使得网络能够记住长期依赖的信息，同时忽略不重要的信息。
【机器学习】深度学习、强化学习和深度强化学习？
weixin_62403234的博客
10-06 1230
深度学习、强化学习和深度强化学习是机器学习的三个重要子领域。它们有着各自独特的应用场景和研究目标，虽然都属于机器学习的范畴，但各自的实现方式和侧重点有所不同。
medical image segmentation using deep learning: a survey
04-11
Q: "医学图像分割使用深度学习：一项调查"。 A: 这是一篇介绍如何使用深度学习进行医学图像分割的调查文章。它讨论了医学图像分割的挑战和深度学习的优点，同时回顾了最近使用深度学习进行医学图像分割的研究成果。
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