www.machinelearningmastery.ru

Машинное обучение, нейронные сети, искусственный интеллект
Header decor

Home

Обзор: V-Net - Объемная Свертка (Сегментация биомедицинских изображений)

Дата публикации Mar 16, 2019

Срезы из томатов МРТ с изображением простаты (набор данных PROMISE 2012)
Качественные результаты (набор данных PROMISE 2012)

В этой историиV-неттократко рассмотрен. Большинство медицинских данных, используемых в клинической практике, состоит из трехмерных томов, таких как тома МРТ, изображающие простату, в то время как большинство подходов способны обрабатывать только двумерные изображения. В данной работе предлагается сегментация трехмерных изображений на основе объемной, полностью сверточной нейронной сети.

Объемная сегментация МРТ предстательной железы является сложной задачей из-за широкого спектра внешнего вида, а также различных подходов сканирования. Деформации и вариации распределения интенсивности также произошли.

Аннотированные медицинские объемы не легки. Для аннотации требуются эксперты, что приводит к высокой стоимости. Автоматическая сегментация может помочь снизить стоимость.

Тем не менее, сегментация предстательной железы является важной задачей, имеющей клиническую значимость как во время диагностики, когда необходимо оценить объем предстательной железы, так и во время планирования лечения, где оценка анатомической границы должна быть точной. Это2016 3DVбумага с более чем600 цитат, (Сик-Хо Цанг@ Средний)


  1. Архитектура V-Net
  2. Потеря костей
  3. Полученные результаты

1. Архитектура V-Net

Архитектура V-Net
  • V-Net показан выше.левая частьсети состоит изпуть сжатия, в то времяправая часть распаковывает сигналпока его первоначальный размер не будет достигнут.
  • Как видите, это похоже наU-Net, но с некоторыми отличиями.

1.1. Слева

  • Левая сторона сети разделена на разные этапы, которые работают с разным разрешением. Каждый этап содержит от одного до трех сверточных слоев.
  • На каждом этапе изучается остаточная функция.Входные данные каждой ступени используются в сверточных слоях и обрабатываются с помощью нелинейностей и добавляются к выходным данным последнего сверточного слоя этой ступени, чтобы обеспечить возможность изучения остаточной функции. Эта архитектура обеспечивает конвергенцию по сравнению с неисчерпывающей обучающей сетью, такой какU-Net,
  • извилинывыполняется на каждом этапе использованияобъемные ядраимеющий размер5–5 - 5 вокселей, (Воксель представляет значение на регулярной сетке в трехмерном пространстве. Термин воксель обычно используется во многих трехмерных трехмерных пространствах так же, как вокселизация в облаке точек.)
  • Вдоль пути сжатия,разрешение уменьшается путем свертки с ядрами шириной 2-2-2 вокселя, нанесенными с шага 2, Таким образом, размер получающихся в результате карт объектов уменьшается вдвое, саналогичное назначение как слои объединения, А такжеколичество художественных каналов удваивается на каждом этапепути сжатия V-Net.
  • Замена операций пула на сверточные помогает уменьшить объем памяти во время обучения, поскольку для обратного распространения не требуются переключатели, отображающие выходные данные пулирующих слоев на их входы.
  • Понижение частоты помогает увеличить рецептивное поле.
  • PReLUиспользуется как функция активации нелинейности. (PRELU предлагается вPReLU-Net.)

1.2. Правильно

  • Сеть извлекает функции ирасширяет пространственную поддержку карт объектов с низким разрешениемчтобы собрать и собрать необходимую информацию для вывода двухканальной объемной сегментации.
Свертка для понижающей дискретизации (слева), Свертка для повышающей дискретизации (справа)
  • На каждом этапедеконволюцияоперация применяется в порядкеувеличить размер входов, за которыми следуют один-три сверточных слоя,с привлечениемполовина количества 5–5 – 5 ядериспользуется в предыдущем слое.
  • Остаточная функцияузнал, похоже на левую часть сети.
  • Две карты характеристик, рассчитанныесамый последний сверточный слойимея1– 1– 1 размер ядраи производствовыходы того же размера, что и входной объем.
  • Эти две карты выходных объектоввероятностные сегментации переднего и заднего фона с применением soft-max воксельно,

1.3. Горизонтальные соединения

  • Похожий наU-Net,информация о местоположении теряется в пути сжатия (слева).
  • Таким образом, признаки, извлеченные из ранних стадий левой части CNN, передаются в правую часть через горизонтальные связи.
  • Это может помочьпредоставить информацию о местоположении в нужной части и улучшить качество окончательного прогнозирования контура.
  • И эти связи улучшают время сходимости модели.

2. Потеря костей

  • Вышекоэффициент костиDмежду двумя двоичными томами, (в диапазоне от 0 до 1)
  • СNвоксели,число Пи: предсказанные воксели,солдат: земля-правда вокселей
  • Как уже упоминалось, в конце сети после softmax мы получили выходные данные, которые представляют собой вероятность того, что каждый воксел будет принадлежать переднему плану и фону.
  • И кости можно дифференцировать, получая градиент:
  • Используя потерю костей, веса для выборок разных классов для установления правильного баланса между передним и задним вокселями не нужны.

3. Результаты

3.1. Подготовка

  • Все тома, обрабатываемые сетью, имеютфиксированный размер 128 × 128 × 64 вокселейи пространственное разрешение 1×1×1,5 миллиметра.
  • Набор данных невелик, поскольку один или несколько экспертов обязаны вручную отслеживать надежную наземную аннотацию истинности и что с их приобретением связаны определенные расходы.
  • Только 50 томов МРТ используются для обучения, с относительной ручной наземной аннотацией истинности, получены изНабор данных PROMISE 2012,
  • Этот набор данных содержит медицинские данные, полученные вразные больницы, с помощьюразное оборудованиеа такжеразные протоколы сбора, чтобы представить клиническую вариабельность.
  • Таким образом, увеличение данных необходимо. Для каждой итерации случайно искаженные версии тренировочных образов с использованиемплотное поле деформацииполучено через сетку контрольных точек 2 × 2 × 2 и B-сплайн-интерполяцию.
  • Также,распределение интенсивности данных варьируетсяпутем адаптации, используя сопоставление гистограммы, распределения интенсивности тренировочных объемов, использованных в каждой итерации, к другим случайно выбранным сканированиям, принадлежащим к набору данных.
  • Мини-пакет, всего 2 тома, из-за высоких требований к памяти.

3.2. тестирование

  • Невидимые 30 томов МРТ обрабатываются.
  • Вокселы после softmax, имеющие более высокую вероятность (> 0,5) принадлежать к переднему плану, чем к фону, считаются частью анатомии.
  • Коэффициент кости и расстояние Хаусдорфа измеряются.
  • Расстояние Хаусдорфа является мерой сходства формы. Расстояние Хаусдорфа - получить максимальное расстояние между двумя фигурами. (Если интересно, очень краткое введение расстояния Хаусдорфа вCUMedVision2 / DCAN.)
Количественное сравнение набора данных PROMISE 2012 Challenge
Dice Loss (зеленый) Logistic Loss (желтый)
  • Как показано выше, V-Net с потерей кубиков превосходит V-Net с логистическими потерями.
  • И V-Net превосходит большинство известных разработок, но не только Imorphics
  • Авторы, упомянутые в будущей работе, будут стремиться сегментировать тома, содержащие несколько областей, в других модальностях, таких как ультразвук и с более высоким разрешением, путем разделения сети на несколько графических процессоров.

Ссылка

[2016 3DV] [V-Net]
V-Net: полностью сверточные нейронные сети для объемной медицинской сегментации изображения

Мои предыдущие отзывы

Классификация изображений
[LeNet] [AlexNet] [ZFNet] [VGGNet] [Шоссе] [SPPNet] [PReLU-Net] [STN] [DeepImage] [GoogLeNet / Inception-v1] [BN-Inception / Inception-v2] [Вводный-v3] [Вводный-v4] [Xception] [MobileNetV1] [RESNET] [Предварительная активация ResNet] [RiR] [RoR] [Стохастическая глубина] [ПРПЖД] [FractalNet] [Trimps-Soushen] [PolyNet] [ResNeXt] [DenseNet] [PyramidNet] [DRN] [MSDNet]

Обнаружение объекта
[OverFeat] [Р-CNN] [Fast R-CNN] [Быстрее R-CNN] [DeepID-Net] [CRAFT] [Р-СКЛС] [ION] [MultiPathNet] [NoC] [G-RMI] [TDM] [SSD] [БДСС] [YOLOv1] [YOLOv2 / YOLO9000] [YOLOv3] [ФПН] [RetinaNet] [DCN]

Семантическая сегментация
[СКЛС] [DeconvNet] [DeepLabv1 и DeepLabv2] [CRF-РНН] [SegNet] [ParseNet] [DilatedNet] [PSPNet] [DeepLabv3] [DRN]

Биомедицинская Сегментация Изображения
[CUMedVision1] [CUMedVision2 / DCAN] [U-Net] [CFS-СКЛС] [U-Net + RESNET] [Многоканальный]

Сегментация экземпляра
[SDS] [DeepMask] [SharpMask] [MultiPathNet] [MNC] [InstanceFCN] [FCIS]

Супер разрешение
[SRCNN] [FSRCNN] [VDSR] [ESPCN] [RED-Net] [DRCN] [DRRN] [LapSRN & MS-LapSRN] [SRDenseNet]

Оценка позы человека
[Tompson NIPS’14]

Оригинальная статья

Footer decor

© www.machinelearningmastery.ru | Ссылки на оригиналы и авторов сохранены. | map