文章目錄

• 前言
• 一、影像存儲(chǔ)方式
• • 1、DICOM 醫(yī)學(xué)數(shù)字成像和通信標(biāo)準(zhǔn)
  • 2、MHD/RAW
  • 3、NRRD
• 二、醫(yī)學(xué)影像任務(wù)
• 三、改進(jìn)的 U-NET
• • 1、目標(biāo)函數(shù)-Dice 系數(shù)
  • 2、U-NET 未能解決的一些問題
• 四、3D U-NET
• 五、V-Net
• 六、FC-DensNet

---

前言

本文為8月26日計(jì)算機(jī)視覺理論學(xué)習(xí)筆記——醫(yī)療影像分割，分為六個(gè)章節(jié)：

• 影像存儲(chǔ)方式；
• 醫(yī)學(xué)影像任務(wù)；
• 改進(jìn)的 U-NET；
• 3D U-NET；
• V-Net；
• FC-DensNet。

---

一、影像存儲(chǔ)方式

1、DICOM 醫(yī)學(xué)數(shù)字成像和通信標(biāo)準(zhǔn)

應(yīng)用于：

• 放射醫(yī)療；
• 心血管成像；
• 放射診療診斷設(shè)備。

2、MHD/RAW

MND 文件里包含：

• RAW 文件——原始影像信息的頭信息，比如：圖片大小、拍攝日常；

3、NRRD

包含元數(shù)據(jù)和 RAW 信息，并進(jìn)行了壓縮。

二、醫(yī)學(xué)影像任務(wù)

對(duì) MRI 影像中的前列腺組織進(jìn)行分割，即判斷出影像中的每一個(gè)像素點(diǎn)是否屬于前列腺組織。

三、改進(jìn)的 U-NET

• 用于生物影響分割的深度學(xué)習(xí)模型；
• 全卷積神經(jīng)網(wǎng)絡(luò)，輸入和輸出都是圖像，沒有全連接層。

1、目標(biāo)函數(shù)-Dice 系數(shù)

Dice 距離用于度量?jī)蓚€(gè)集合的相似性，可用于計(jì)算兩個(gè)字符串的相似度和圖形掩碼區(qū)域的差異，取值范圍為 0 到 1：
$$s=\frac{2|X\cap Y|}{|X|+|Y|}$$

2、U-NET 未能解決的一些問題

組織器官的頂層截面和底層截面與中部截面差異過大而不易識(shí)別；

不同掃描影響之間有較大的外觀變異；

磁場(chǎng)不均勻引起的偽影和畸變。

四、3D U-NET

以 3D 數(shù)據(jù)作為輸入，并用相應(yīng)的操作來處理數(shù)據(jù)，包括3D 卷積、3D 最大池和3D 向上卷積層。

• 假設(shè)：
  • 輸入數(shù)據(jù)的維度為：$[a1,a2,a3]$；
  • 通道數(shù)：$c$；
  • 過濾器大小：$f$；
  • 過濾器維度：$f\times f\times f\times c$；
  • 過濾器數(shù)量：$n$；
  • 三位卷積的最終輸出為：$[a1?f+1,a2?f+1,a2?f+1,a3?f+1,n]$。

五、V-Net

U-NET 的另一個(gè) 3D 版本。

• 殘差學(xué)習(xí)機(jī)制：
• 把縮小端的底層特征送入放大端的相應(yīng)位置幫助重建高質(zhì)量圖像，并且加速模型收斂；
• 每一個(gè) stage 中也使用了躍層連接。

六、FC-DensNet

• Dense block 結(jié)構(gòu)：
  • 第一層輸入：$x_0$ 有 m個(gè)特征圖；
  • 第一層輸出：$x_1$ 有 k個(gè)特征圖；
  • k個(gè)特征圖與 m個(gè)特征圖串聯(lián)，作為第二層的輸入；
  • 重復(fù) n次；
  • 第 n層的 layer 輸出后與前面的 layer 輸出合并，共有 n×k 個(gè)特征圖。

---

總結(jié)

以上是生活随笔為你收集整理的8月26日计算机视觉理论学习笔记——医疗影像分割的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。