Deep Deconvolutional Neural Network for Target Segmentation of Nasopharyngeal Cancer in Planning CT

最新推荐文章于 2023-01-09 16:51:37 发布
最新推荐文章于 2023-01-09 16:51:37 发布
阅读量169 收藏
点赞数
分类专栏： 鼻咽癌 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/117534612
版权
这篇读书报告介绍了《Deep Deconvolutional Neural Network for Target Segmentation of Nasopharyngeal Cancer in Planning Computed Tomography Images》，该论文提出了一种改进的U-Net结构，用于在鼻咽癌放疗计划CT图像中进行精确的肿瘤和淋巴结分割。网络采用注意力模块来解决反卷积过程中的信息损失问题，并用Dice损失和Hausdorff距离作为损失函数。实验结果表明，该方法在184例患者数据集上优于其他网络，但在软组织对比度低和专家标注差异大的情况下，精度可能受到影响。
摘要由CSDN通过智能技术生成

《Deep Deconvolutional Neural Network for Target Segmentation of Nasopharyngeal Cancer in Planning Computed Tomography Images》

读书报告

wxy

 

论文基本信息：

Deep Deconvolutional Neural Network for Target Segmentation of Nasopharyngeal Cancer in Planning Computed Tomography ImagesConcept

基于Unet，包含了T分期信息。

  • TNM系统是应用最广泛的癌症分期系统。大多数医院和医疗中心都使用
最低0.47元/天 解锁文章
えい川
关注
专栏目录
[文献阅读]A deep neural network for unsupervised anomaly detection and diagnosis in MTSD
RegulusF的博客
03-01 4243
A Deep Neural Network for Unsupervised Anomaly Detection and Diagnosis in Multivariate Time Series Data 发表会议：2019 AAAI Movation: 1.多元时间序列异常检测和诊断是要在时间步长中识别异常状态并查明原因。作者要建立这样的一个系统。 2.系统需要捕获每个时间序列中的事件依赖性，同时对不同时间序列对之间的相互关系进行编码，并且需要抗噪声能力，还可以根据不同事件的严重性为操作员提供不同等级的
Deep Convolutional Neural Networks for Sentiment Analysis of Short Texts
qq_27009517的博客
08-09 2619
代码：https://github.com/asahi417/DocumentClassification https://github.com/asahi417/DocumentClassification/blob/master/sequence_modeling/model/cnn_char.py abstract 短文本的情感分析 挑战：有限的文本信息 本文提出DCNN（deep...
Adaptive Deconvolutional Networks for Mid and High Level Feature Learning
09-29
Adaptive Deconvolutional Networks for Mid and High Level Feature LearningAdaptive Deconvolutional Networks for Mid and High Level Feature LearningAdaptive Deconvolutional Networks for Mid and High Level Feature LearningAdaptive Deconvolutional Networks for Mid and High Level Feature LearningAdaptive Deconvolutional Networks for Mid and High Level Feature LearningAdaptive Deconvolutional Networks for Mid and High Level Feature Learning
靶区分割论文阅读：DDNN for Target segmentation
jlch5555的博客
06-05 648
靶区分割论文：Deep Deconvolutional neural network for Target segmentation of nasopharyngeal cancer in Planning computed Tomography images doi:10.3389/fonc.2017.00315 Author affiliation & publication year: National Cancer Center/Cancer Hospital, 2017 背景： 用于鼻咽癌
Segmentation of Organs at Risk in Nasopharyngeal Cancer for Radiotherapy Using A Nested U-Net
weixin_49824360的博客
06-03 211
Segmentationof Organs at Risk inNasopharyngealCancerfor Radiotherapy Using A Nested U-Net Architecture 引言介绍其他网络解决其他医学分割问题的情况，指出针对鼻咽癌没有普适方法。 方法： 数据集：采集（医院采集，医生手动分割） 分出测试集20组，else0.9训练集，0.1验证集（validation dataset）。10折交叉验证（10 folder cross validation，...
语义分割--Pixel Deconvolutional Networks
AI小作坊 的博客
05-31 2329
Pixel Deconvolutional Networkshttps://arxiv.org/abs/1705.06820本文首先指出在常规的 deconvolutional operation 会导致 所谓的 checkerboard 问题。这主要是因为 deconvolution operation 生成的特征图 相邻像素没有相关性导致的。为此我们提出了 pixel deconvoluti
CNN基础知识笔记
zxmyoung的博客
10-24 1万+
1. 卷积神经网络的概念 上世纪60年代，Hubel等人通过对猫视觉皮层细胞的研究，提出了感受野这个概念，到80年代，Fukushima在感受野概念的基础之上提出了神经认知机的概念，可以看作是卷积神经网络的第一个实现网络，神经认知机将一个视觉模式分解成许多子模式（特征），然后进入分层递阶式相连的特征平面进行处理，它试图将视觉系统模型化，使其能够在即使物体有位移或轻微变形的时候，也能完成识别。 卷积神经网络是多层感知机（MLP）的变种，由生物学家休博尔和维瑟尔在早期关于猫视觉皮层的研究发展而来，视觉皮层的
Deep Deconvolutional Neural Network for Target Segmentation of Nasopharyngeal Cancer in Planning Com
Acmer_future_victor的博客
10-16 490
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
论文笔记（三）Deep Convolutional Neural Networks for breast cancer screen
weixin_42402739的博客
09-11 532
论文地址：Deep Convolutional Neural Networks for breast cancer screen 摘要 作者探讨了转移学习的重要性，并通过实验确定了在培训CNN模型时采用的最佳微调策略。在对完整的乳房X线照片中的所有提取的感兴趣区域（ROI）进行预处理和归一化之后，作者合并了所有数据集以构建一大组图像并用它来微调CNN。 利用最近提出的三个最令人印象深刻的CNN模型...
Weakly- and Semi-Supervised Learning of a Deep Convolutional Network for Semantic Image Segmentation
dzm123lalala的博客
05-09 1946
abstract Deep convolutional neural networks (DCNNs) trained on a large number of images with strong pixel-level annotations have recently significantly pushed the state-of-art in semantic image segme...
人工神经网络及相关概念
duzm200542901104的专栏
11-01 787
人工神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connection Model），它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。与人的神经元之间进行神经冲动的传播形式类似，神经网络也是一个处理单元连接另外一个处理单元，每一个处理单元称为一个。大量节点按照不同的层次排布，形成多层的结构连接起来，即称为神经网络。，通过不同种类的层之间相互堆叠，形成了一个完整的、能够实现一定功能的复杂网络。
卷积神经网络超详细介绍
南木的博客
03-15 3054
文章目录 1、卷积神经网络的概念2、 发展过程3、如何利用CNN实现图像识别的任务4、CNN的特征5、CNN的求解6、卷积神经网络注意事项7、CNN发展综合介绍8、LeNet-5结构分析9、AlexNet10、ZFNet10.1 意义10.2 实现方法10.3 训练细节10.4 卷积网络可视化10.6 总结 11、VGGNet11.1 结构11.2 网络特点：11.3 分类框架： 12、GoogLeNet12.1 GoogLeNet Inception V1——22层12.2 GoogLeN
卷积神经网络发展简述 | 课程作业-蒋誉
最新发布
TSINGHUAJOKING
01-09 1213
深度学习作为近年来快速发展的一个领域，而卷积神经网络是其包含的深度神经网络中的一种经典的结构，一直被相当多的研究者所研究，尤其是随着数据集的扩充和GPU性能的大幅提升，卷积神经网络由此得到了更多的关注。在同一个输入的特征面和同一个输出的特征面中的权值是共享的，如图2所示，权值共享发生在同一颜色中，不同颜色的权值不共享，通过权值共享可以减小模型的复杂度，方便训练[6]。卷积层的作用是，通过卷积核和前层进行卷积，从而提取输入中不同的特征，卷积层的层数越高，它提取的特征越高级越抽象，
GAN·生成对抗网络——札记1
Fuguir™的博客
09-04 271
生成对抗网络（GAN） Generative Adversarial Network为了无监督学习提出的 伊恩·古德费洛等人于2014年提出 概念 是非监督式学习的一种方法，通过让两个神经网络相互博弈的方式进行学习。 组成 生成网络 Generator deconvolutionalneural network 生成网络从潜在空间（latent space）中随机取样作为输入，其输出结果需要尽量模仿训练集中的真实样本。 功能：产生模拟输出 目的：则要尽可能地欺骗判别网络...
Deconvolutional Network [deconv] 研究
FR的专栏
03-24 1975
前言 deconv的用处还挺广的，涉及到 - visualization - pixel-wiseprediction - unsupervised learning 都会用到deconv的结构。比如Deconvolutional Network做图片的unsupervised feature learning，ZF-Net论文中的卷积网络可视化，FCN网络中的upsamplin...
翻译： Deep Convolutional Neural Networks for Breast Cancer Histology Image Analysis
尼小屯的博客
06-27 1121
翻译： Deep Convolutional Neural Networks for Breast Cancer Histology Image Analysis(深度卷积神经网络在乳腺癌组织学图像分析中的应用) 乳腺癌是全球癌症死亡的主要原因之一。早期诊断显着增加了正确治疗和生存的机会，但这个过程很繁琐，并且常常导致病理学家之间的分歧。计算机辅助诊断系统显示出提高诊断准确性的潜力。在这项工作中，...
[深度学习] 图像反卷积的深度积神经网络 Deep Convolutional Neural Network for Image Deconvolution
小黑_BUPT的博客
12-03 4931
《图像反卷积的深度积神经网络》 《Deep Convolutional Neural Network for Image Deconvolution》 Li Xu, Jimmy SJ. Ren, Ce Liu, Jiaya Jia NIPS 2014 pdf 摘要 许多基本的图像处理问题涉及反卷积计算。由于相机噪声，饱和度，图像压缩等原因，实际模糊降级很少符合理想的线性卷积模型。 不同于传统的...
回顾一些重要的CNN改进模型（你真的了解 Convolutional Neural Networks 么）
Leo的博客
01-12 9580
转载自： 干货 | 你真的了解 Convolutional Neural Networks 么 https://mp.weixin.qq.com/s?__biz=MzAwMjM3MTc5OA==&mid=403231780&idx=1&sn=4d6b282e45a016df274b72f08ddf8492&scene=1&srcid=0111p2ycZ4HF6hZ8N9eohts2&ascen
基于深度学习的图像分割总结
热门推荐
qq_20110551的博客
11-09 2万+
一、图像分割类别 随着深度学习的发展，在分割任务中出现了许多优秀的网络。根据实际分割应用任务的不同，可以大致将分割分为三个研究方向：语义分割、实例分割、全景分割。这三种分割在某种意义上是具有一定的联系的。 语义分割： 像素级别的语义分割，对图像中的每个像素都划分出对应的类别，即实现像素级别的分类； 实例分割： 类的具体对象，即为实例，那么实例分割不但要进行像素级别的分类，还需在具体的类别...
Deep learning：五十(Deconvolution Network简单理解)
weixin_34343689的博客
11-26 438
  　　深度网络结构是由多个单层网络叠加而成的，而常见的单层网络按照编码解码情况可以分为下面3类： 既有encoder部分也有decoder部分：比如常见的RBM系列（由RBM可构成的DBM, DBN等），autoencoder系列(以及由其扩展的sparse autoencoder, denoise autoencoder, contractive autoencoder, satu...
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