文章目錄

• 前言
• 一、影像存儲方式
• • 1、DICOM 醫學數字成像和通信標準
  • 2、MHD/RAW
  • 3、NRRD
• 二、醫學影像任務
• 三、改進的 U-NET
• • 1、目標函數-Dice 系數
  • 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日計算機視覺理論學習筆記——醫療影像分割，分為六個章節：

• 影像存儲方式；
• 醫學影像任務；
• 改進的 U-NET；
• 3D U-NET；
• V-Net；
• FC-DensNet。

---

一、影像存儲方式

1、DICOM 醫學數字成像和通信標準

應用于：

• 放射醫療；
• 心血管成像；
• 放射診療診斷設備。

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

包含元數據和 RAW 信息，并進行了壓縮。

二、醫學影像任務

對 MRI 影像中的前列腺組織進行分割，即判斷出影像中的每一個像素點是否屬于前列腺組織。

三、改進的 U-NET

• 用于生物影響分割的深度學習模型；
• 全卷積神經網絡，輸入和輸出都是圖像，沒有全連接層。

1、目標函數-Dice 系數

Dice 距離用于度量兩個集合的相似性，可用于計算兩個字符串的相似度和圖形掩碼區域的差異，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別；

不同掃描影響之間有較大的外觀變異；

磁場不均勻引起的偽影和畸變。

四、3D U-NET

以 3D 數據作為輸入，并用相應的操作來處理數據，包括3D 卷積、3D 最大池和3D 向上卷積層。

• 假設：
  • 輸入數據的維度為：$[a1,a2,a3]$；
  • 通道數：$c$；
  • 過濾器大小：$f$；
  • 過濾器維度：$f\times f\times f\times c$；
  • 過濾器數量：$n$；
  • 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 3D 版本。

• 殘差學習機制：
• 把縮小端的底層特征送入放大端的相應位置幫助重建高質量圖像，并且加速模型收斂；
• 每一個 stage 中也使用了躍層連接。

六、FC-DensNet

• Dense block 結構：
  • 第一層輸入：$x_0$ 有 m個特征圖；
  • 第一層輸出：$x_1$ 有 k個特征圖；
  • k個特征圖與 m個特征圖串聯，作為第二層的輸入；
  • 重復 n次；
  • 第 n層的 layer 輸出后與前面的 layer 輸出合并，共有 n×k 個特征圖。

---

總結

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內容，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站內容還不錯，歡迎將生活随笔推薦給好友。