深度学习在医学影像上的应用（三）——分割

深度学习在医学影像上的应用（三）——分割

上一篇给大家介绍了深度学习在医学影像上关于图像重建及后处理，图像标注，图像配准，图像超分辨率和回归的应用，这一篇我将继续分享深度学习在分割上的应用。

（1）《U-net: Convolutional networks for biomedical image segmentation》-2015年

摘要：有这么一个普遍共识：成功训练深度网络需要成千上万标注训练样本。在本文中，我们提出了一种网络和训练策略，依赖使用数据增强可更有效地使用可用标注样本。该结构包含一收缩路径来提取特征和一个对称扩展路径来精确定位。我们表明，这样一个网络可在很少数的图像进行端对端地训练，并且在ISBI挑战中胜过当前的最佳方法（滑动窗口卷积网络），该挑战是在电子显微镜中对神经元结构的分割。使用透射光显微镜图像（相差和DIC）训练相同网络，我们已明显优势赢得了2015年的ISBI细胞追踪类别挑战赛。而且，网络速度很快。在最新GPU上，512x512图像的分割时间不到一秒。完整模型是基于Caffe实现的和训练好的网络模型可在multi-scale 3D CNN with fully connected CRF for accurate brain lesion segmentation》-2016年

摘要：我们提出了一个双通道11层深度三维卷积神经网络，用于脑病灶分割的挑战任务。设计的结构是根据目前类似应用网络的局限性来产生的结果。为了克服处理3D医学图像的计算负担，我们设计了一种高效且有效的密集训练方案，该方案将相邻图像块处理结合成一个来通过网络，同时自动适应调整数据中固有类别的不平衡。此外，我们分析了更深层次的，更有鉴别力的3D CNN的发展。为了结合本地和更大的上下文信息，我们采用双通道结构，可同时处理多个尺度输入图像。对于网络软分割的后处理，我们使用3D全连接条件随机场来有效去除假阳。在具有创伤性脑损伤，脑肿瘤和缺血性中风的多通道MRI患者数据上的三个病灶分割挑战任务中，我们对该方法进行了广泛的评估。我们胜过了所有三种应用中的最新技术水平，在公共基准BRATS 2015和ISLES 2015上，排名是最高的。我们的方法计算效率高，可用于各种研究和临床环境。我们的源代码已公开，地址是Liver and Lesion Segmentation in CT Using Cascaded Fully Convolutional Neural Networks and 3D Conditional Random Fields》-2016年

摘要：肝脏及其病变的自动分割是获得准确临床诊断和计算机辅助决策支持系统的定量生物标记物中重要一步。本文提出了一种利用级联全卷积神经网络（CFCNs）和密集3D条件随机场（CRFs）方法来自动分割CT腹部图像中的肝脏和病灶。我们训练和级联两个FCNs用于肝脏及其病变的组合分割。在第一步中，我们训练FCN来分割肝脏，并作为第二个FCN的ROI输入。第二个FCN仅从第一步预测肝脏ROI中分割出病灶。我们使用密集3D CRF来对CFCN分割进行了细化，同时考虑了空间相干性和表面特征。对包含15个肝肿瘤腹部CT数据集3DIRCAD进行CFCN模型的2倍交叉验证训练。我们的研究结果显示，基于CFCN的语义肝脏和病灶分割的肝脏骰子分数达到94％以上，计算时间低于每体积100s。我们通过实验证明了所提出的方法作为决策支持系统的鲁棒性，其在日常临床常规中具有高准确度和高速度特性。完整实现已经公开，具体的代码地址为：

​​Segmentation of Vertebral Bodies from MR Images with 3D CNNs》-2016年

摘要：我们提出了一种基于耦合变形卷积神经网络（CNN）模型的自动化方法，用于监督基于三维（3D）磁共振（MR）脊柱图像的椎体分割（VB）。我们设计了一个3D CNN结构，从VB的训练集中学习特征分布，以生成3D空间VB概率图，这些图将指导可变形模型朝向VB边界。所提出的方法用在对23名受试者的3D MR脊柱图像中分割了161个VB，并将结果与参考分割进行比较。通过计算总体Dice相似系数为93.4±1.7％，平均对称表面距离为0.54±0.14m和豪斯多夫距离为3.83±1.04mm，所提出方法被证明是优于到现有VB分割方法。

论文地址：Liver and Tumor Segmentation of CT and MRI Volumes using Cascaded Fully Convolutional Neural Networks》-2017年

摘要：肝脏和肝脏病变的自动分割是获取定量生物标记物用来精确临床诊断和计算机辅助决策支持系统中重要的步骤。本文介绍了一种使用级联全卷积神经网络（CFCN）方法来自动分割CT和MRI腹部图像中的肝脏和病灶，该方法可实现大规模医学试验或定量图像分析的分割。我们训练并级联两个FCNs，用于肝脏及其病变的组合分割。在第一步中，我们训练FCN分割肝脏，并作为第二个FCN的ROI输入。第二个FCN仅在步骤1预测肝的ROI内区分割病变。在包含100个肝肿瘤体积的腹部CT数据集上训练CFCN模型。进一步数据集验证表明，基于CFCN的语义肝脏和病灶分割的肝脏骰子分数达到94％以上，计算时间低于每体积100s。我们进一步证明了所提出的方法在38个MRI肝肿瘤体积和公共3DIRCAD数据集上的鲁棒性。完整实现已经公开，-为：​​Predicting patient survival from diffusion weighted magnetic resonance images using cascaded fully convolutional and 3D convolutional neural networks》-2017年

摘要：自动无创评估肝细胞癌（HCC）恶性肿瘤有可能大大增强HCC患者肿瘤治疗策略。在这项工作中，我们提出了一个新的框架来自动表征DWI图像中HCC病变的恶性程度。我们分两步预测HCC恶性肿瘤：第一步，我们使用级联全卷积神经网络（CFCN）自动分割HCC肿瘤病灶。然后，3D神经网络（SurvivalNet）预测HCC肿瘤分割中HCC病变的恶性程度。我们将这个任务作为一个分类问题来制定，分类问题以“低风险”和“高风险”为表示先比中间生存时间而言存活时间长和短。在31例HCC患者DWI上，我们评估我们的方法。我们提出的框架实现了65％的端对端准确率，自动病灶分割的Dice评分为69％，基于专家标注的肿瘤恶性分类准确率为68％。我们将SurvivalNet与直方图和Haralick等经典手工特征进行了比较，并通过实验显示在HCC恶性分类中SurvivalNet优于的手工特征。基于我们提出的全自动框架的肿瘤恶性肿瘤端对端评估和基于专家标注的高评估评估（p> 0.95）可相媲美。

论文地址：​​Deep Learning: Twelve-Fold Shorter and Model-Free Diffusion MRI》-2016年

摘要：许多科学领域依赖于复杂但部分不理想的数据处理流水线。一个例子是扩散磁共振成像（扩散磁共振成像），这是一种在神经影像学领域具有突出应用的无创微观结构评估方法。先进的扩散模型提供准确的微观结构表示，至今还需要很长的采集时间，因此不适用于不合作，不舒服或不适的儿童和成人。我们表明，长的扫描时间需求主要是因为经典数据处理的缺点。我们展示了如何应用深度学习，即基于人工神经网络领域最新进展的一组算法，减少扩散MRI数据处理到单个优化步骤。这种修改允许从12倍缩短扫描时间高级模型中获得标量测量值，并在不使用扩散模型的情况下检测异常。我们仅从12个数据点估计扩散峰度度量和仅来自8个数据点的神经突方向弥散度和密度度量来设置新技术。这允许空前快速和强大的方案，来促进临床常规并说明如何通过深度学习来简化经典数据处理。

论文地址：​​Deep Structured Nets for Mass Segmentation from Mammograms》-2018年

摘要：大多数分割都提供有效的形态学特征，这对于大规模诊断是很重要的。 在本文中，我们提出了一种新颖针对乳腺质量分割的端到端网络，该网络采用全卷积网络（FCN）对潜在函数进行建模，然后使用CRF进行结构化学习。由于质量分布随像素位置变化很大，FCN与位置先验相结合。此外，我们采用对抗训练，以消除因有限的乳房X线影像数据集而造成过拟合问题。多尺度FCN用来改善分割性能。在两个公共数据集INbreast和DDSM-BCRP上的结果表明，我们的端到端网络比现有技术方法获得更好的性能。

论文地址：Deeply Supervised Network for Automatic Liver Segmentation from CT Volumes》-2017年

摘要：CT影像的自动肝脏分割是计算机辅助肝脏疾病诊断和治疗的关键步骤，是很有挑战性的任务。在本文中，我们提出了一种新颖的3D深度监督网（3D DSN）来解决这个挑战性的任务。所提出的3DDSN利用全卷积结构，其通过有效的端到端来学习和推断。更重要的是，我们在学习过程中引入了深度监督机制来应对潜在优化难题，从而使模型可以获得更快的收敛速度和更强大的判别能力。除了3DDSN生成的高质量分数图之外，还使用条件随机场模型来获得改进的分割结果。我们在公开MICCAI-SLiver07数据集上评估了我们的框架。大量的实验证明，我们的方法以更快的处理速度实现了和最先进方法一样的分割结果。

论文地址：domain adaptation in brain lesion segmentation with adversarial networks》-2017年

摘要：在生物医学场景下用机器学习来构建精确自动分割系统方面上已经取得了重大进展。由于成像方法的不同，这些系统应用于与训练数据不同的新数据时，性能通常会降低。为每个测试数据进行手动标注是不切实际方案。在这项工作中，我们使用对抗神经网络的无监督方法来训练分割方法，该方法对输入数据的差异具有不变性，并且不需要对测试数据进行任何标注。具体而言，我们通过对抗网络来学习不变性特征，该对抗网络通过观察分割网络的激活区域来分类输入数据。此外，我们提出了一个多连接鉴别器，用于改善对抗训练。我们的系统通过使用不同扫描仪和成像协议采集的两组脑损伤受试者MR数据库进行评估。使用我们的无监督方法，我们获得接近自适应监督的分割精度。

论文地址：Learning for Brain MRI Segmentation:State of Art and Future Directions》-2017年

摘要：脑部MRI的定量分析对于许多神经疾病和病症是常规的方案，依赖于感兴趣结构的准确分割。基于深度学习的脑部MRI分割方法由于其对大量数据的自学习和泛化能力而引起人们的兴趣。随着深度学习架构变得越来越成熟，它们逐渐超越以前最先进的经典机器学习算法。本综述旨在提供目前基于深度学习的脑MRI定量分割方法的概述。首先我们回顾一下当前用于分割脑部解剖结构和脑损伤的深度学习结构。接下来，总结和讨论深度学习方法的性能，速度和属性。最后，我们对当前状态进行评估，并确定未来的发展趋势。

论文地址：https://ncbi.nlm.nih.gov/pubmed/28577131

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。