8月26日计算机视觉理论学习笔记——医疗影像分割

Good

---

前言

本文为8月26日计算机视觉理论学习笔记——医疗影像分割，分为六个章节：

• 影像存储方式；
  
• 医学影像任务；
  
• 改进的 U-NET；
  
• 3D U-NET；
  
• V-Net；
  
• FC-DensNet。
  

---

一、影像存储方式

1、DICOM 医学数字成像和通信标准

应用于：

• 放射医疗；
  
• 心血管成像；
  
• 放射诊疗诊断设备。
  

2、MHD/RAW

MND 文件里包含：

• RAW 文件——原始影像信息的头信息，比如：图片大小、拍摄日常；
  

3、NRRD

包含元数据和 RAW 信息，并进行了压缩。
二、医学影像任务

对 MRI 影像中的前列腺组织进行分割，即判断出影像中的每一个像素点是否属于前列腺组织。

三、改进的 U-NET

• 用于生物影响分割的深度学习模型；
  
• 全卷积神经网络，输入和输出都是图像，没有全连接层。
  

1、目标函数-Dice 系数

Dice 距离用于度量两个集合的相似性，可用于计算两个字符串的相似度和图形掩码区域的差异，取值范围为 0 到 1：
                                    s                         =                                              2                               ∣                               X                               ∩                               Y                               ∣                                                 ∣                               X                               ∣                               +                               ∣                               Y                               ∣                                                  s = \frac{2|X \cap Y|}{|X| + |Y|}                   s=∣X∣+∣Y∣2∣X∩Y∣​
2、U-NET 未能解决的一些问题

• 组织器官的顶层截面和底层截面与中部截面差异过大而不易识别；
  
• 不同扫描影响之间有较大的外观变异；
  
• 磁场不均匀引起的伪影和畸变。
  

四、3D U-NET

以 3D 数据作为输入，并用相应的操作来处理数据，包括3D 卷积、3D 最大池和3D 向上卷积层。

• 假设：
  
  
  
  • 输入数据的维度为：                                             [                               a                               1                               ,                               a                               2                               ,                               a                               3                               ]                                      [a1, a2, a3]                        [a1,a2,a3]；
    
  • 通道数：                                             c                                      c                        c；
    
  • 过滤器大小：                                             f                                      f                        f；
    
  • 过滤器维度：                                             f                               ×                               f                               ×                               f                               ×                               c                                      f\times f\times f\times c                        f×f×f×c；
    
  • 过滤器数量：                                             n                                      n                        n；
    
  • 三位卷积的最终输出为：                                             [                               a                               1                               −                               f                               +                               1                               ,                               a                               2                               −                               f                               +                               1                               ,                               a                               2                               −                               f                               +                               1                               ,                               a                               3                               −                               f                               +                               1                               ,                               n                               ]                                      [a1 - f + 1, a2 - f + 1, a2 - f + 1, a3 - f + 1, n]                        [a1−f+1,a2−f+1,a2−f+1,a3−f+1,n]。
    
  
  

五、V-Net

U-NET 的另一个 3D 版本。

• 残差学习机制：
  
  
  • 把缩小端的底层特征送入放大端的相应位置帮助重建高质量图像，并且加速模型收敛；
    
  • 每一个 stage 中也使用了跃层连接。
    
  
  

六、FC-DensNet

• Dense block 结构：
  
  
  
  • 第一层输入：                                                         x                                  0                                                 x_0                        x0​ 有 m个特征图；
    
  • 第一层输出：                                                         x                                  1                                                 x_1                        x1​ 有 k个特征图；
    
  • k个特征图与 m个特征图串联，作为第二层的输入；
    
  • 重复 n次；
    
  • 第 n层的 layer 输出后与前面的 layer 输出合并，共有 n×k 个特征图。
    
  
  

---

来源：https://blog.csdn.net/Ashen_0nee/article/details/126542895
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！