基于深度学习的肿瘤图像分割研究取得进展

2017 年 9 月 17 日 中科院之声
基于深度学习的肿瘤图像分割研究取得进展

骨肉瘤是一种危害性极大的恶性骨肿瘤,骨肉瘤的主要治疗方案是新辅助放化疗以及手术切除肿瘤。精确地从骨肉瘤 CT 图形中分割出肿瘤病灶区域,对术前新辅助放化疗的计划制定,以及术后放化疗疗效果评估意义重大。然而,人工勾画肿瘤区域是一项耗时长,工作量极大的工作。此外,不同的放射科医生对肿瘤区域的勾画结果受其主观经验,环境等诸多因素的影响,其勾画结果是不可重复的。因此,临床上急需实现肿瘤区域的自动分割。


中国科学院苏州生物医学工程技术研究所医学影像室高欣、黄林、夏威等提出了一种基于多监督全卷积神经网络的骨肉瘤图像分割方法 (Multiple Supervised Fully Convolutional Networks, MSFCN)。该方法基于全卷积神经网络(Fully Convolutional Networks, FCN)的框架,在三个中间网络层添加了有监督的边输出层来指导网络学习多尺度特征,让网络同时获得图像的局部特征和全局特征。同时,在网络的上采样部分,采用了多个特征通道进行上采样,更多地保留图像中的上下文信息。最后,用一个带有权重的融合层将多个边输出层的分类结果融合,得到最终的肿瘤分割结果,并分别采用 Dice 相似性系数 (Dice Similarity Coefficient, DSC),敏感度系数(Sensitivity), Hammoude 距离 (Hammoude Measure, HM)以及 F1 值 ( F1-measure)对分割结果进行评价。


实验结果表明,与 FCN , U-Net 及 Holistically-nested Edge Detection (HED)等先进算法的最佳分割结果相比,该研究提出的 MSFCN 在 DSC 系数、敏感度系数、 HM 值、 F1 系数上分别提升了6.36%,5.08%,8.68%以及4.18%。相关研究结果发表在 Computer Methods and Programs in Biomedicine 上。


图1 病灶位于骨上的骨肉瘤 CT 图像分割结果。1~4行为4个不同的样本。(a)金标准;(b)~(e)分别是 FCN,U-Net,HED,MSFCN 的分割结果。


图2 病灶位于软组织和骨上的混合型骨肉瘤 CT 图像分割结果。1~4行为4个不同的样本。(a)金标准;(b)~(e)分别是 FCN,U-Net,HED,MSFCN 的分割结果。


来源:中国科学院苏州生物医学工程技术研究所


登录查看更多
13

相关内容

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。 所谓图像分割指的是根据灰度、颜色、纹理和形状等特征把图像划分成若干互不交迭的区域,并使这些特征在同一区域内呈现出相似性,而在不同区域间呈现出明显的差异性。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

摘要: 大数据时代,数据呈现维度高、数据量大和增长快等特点。如何有效利用其中蕴含的有价值信息,以实现数据的智能化处理,已成为当前理论和应用的研究热点。针对现实普遍存在的多义性对象,数据多标签被提出并被广泛应用于数据智能化组织。近年来,深度学习在数据特征提取方面呈现出高速、高精度等优异性,使基于深度学习的多标签生成得到广泛关注。文中分五大类别总结了最新研究成果,并进一步从数据、关系类型、应用场景、适应性及实验性能方面对其进行对比和分析,最后探讨了多标签生成面临的挑战和未来的研究方向。

成为VIP会员查看完整内容
0
69

题目: 基于深度学习的行人重识别研究进展

摘要:

行人重识别是计算机视觉领域近年来非常热的一个研究课题, 可以被视为图像检索的一个子问题, 其目标是给定一个监控行人图像检索跨设备下的该行人图像. 传统的方法依赖手工特征, 不能适应数据量很大的复杂环境。近年来随着深度学习的发展, 大量基于深度学习的行人重识别方法被提出。本文先简单介绍了该问题的定义及传统方法的局限, 并列举了一些适用于深度学习方法的行人重识别数据集。 此外我们详细地总结了一些比较典型的基于深度学习的行人重识别方法, 并比较了部分算法在 Market1501 数据集上的性能表现。最后我们对该问题未来的研究方向做了一个展望。

作者简介:

罗浩,浙江大学控制科学与工程学院智能系统与控制研究所博士研究生。2015年获得浙江大学控制科学与工程学士学位,主要研究方向为行人重识别, 多目标跟踪, 深度学习, 计算机视觉方向。

姜伟,浙江大学控制科学与工程学院智能系统与控制研究所副教授。2005年获得日本东京工业大学博士学位,主要研究方向为机器视觉, 计算机图形学, 机器学习。

范星,浙江大学控制科学与工程学院博士研究生。2015年获得浙江大学控制科学与工程学士学位,主要研究方向为行人重识别。

张思朋,2016年获得浙江大学控制科学与工程硕士学位,主要研究方向为计算机视觉, 行人重识别。

成为VIP会员查看完整内容
0
26
小贴士
相关资讯
最全综述 | 图像分割算法
极市平台
14+阅读 · 2019年6月23日
深度学习与医学图像分析
人工智能前沿讲习班
18+阅读 · 2019年6月8日
病理图像的全景分割
人工智能前沿讲习班
11+阅读 · 2019年6月1日
基于显著性的图像分割
AI研习社
4+阅读 · 2019年4月21日
基于深度学习的图像超分辨率最新进展与趋势【附PDF】
人工智能前沿讲习班
10+阅读 · 2019年2月27日
Nature论文解读 | 基于深度学习和心脏影像预测生存概率
GAN生成式对抗网络
4+阅读 · 2019年2月26日
神经网络可解释性最新进展
专知
10+阅读 · 2018年3月10日
独家 | 基于深度学习的行人重识别研究综述
AI科技评论
9+阅读 · 2017年12月20日
中科院赵地:深度学习在 4 大超声影像中的应用
AI掘金志
3+阅读 · 2017年12月17日
相关VIP内容
专知会员服务
24+阅读 · 2020年5月18日
专知会员服务
69+阅读 · 2020年4月25日
医学图像分割的深度学习解决方案综述
专知会员服务
49+阅读 · 2020年2月14日
基于深度学习的行人重识别研究进展,自动化学报
专知会员服务
26+阅读 · 2019年12月5日
零样本图像分类综述 : 十年进展
专知会员服务
64+阅读 · 2019年11月16日
深度学习视频中多目标跟踪:论文综述
专知会员服务
53+阅读 · 2019年10月13日
【文献综述】图像分割综述,224篇参考文献,附58页PDF
专知会员服务
64+阅读 · 2019年6月16日
相关论文
Ya Wang,Dongliang He,Fu Li,Xiang Long,Zhichao Zhou,Jinwen Ma,Shilei Wen
8+阅读 · 2019年11月21日
Liang Sun,Bing Li,Chunfeng Yuan,Zhengjun Zha,Weiming Hu
4+阅读 · 2019年5月8日
Few-shot Adaptive Faster R-CNN
Tao Wang,Xiaopeng Zhang,Li Yuan,Jiashi Feng
3+阅读 · 2019年3月22日
FocusNet: An attention-based Fully Convolutional Network for Medical Image Segmentation
Chaitanya Kaul,Suresh Manandhar,Nick Pears
4+阅读 · 2019年2月8日
UPSNet: A Unified Panoptic Segmentation Network
Yuwen Xiong,Renjie Liao,Hengshuang Zhao,Rui Hu,Min Bai,Ersin Yumer,Raquel Urtasun
3+阅读 · 2019年1月12日
ML-Net: multi-label classification of biomedical texts with deep neural networks
Jingcheng Du,Qingyu Chen,Yifan Peng,Yang Xiang,Cui Tao,Zhiyong Lu
6+阅读 · 2018年11月15日
Md Zahangir Alom,Mahmudul Hasan,Chris Yakopcic,Tarek M. Taha,Vijayan K. Asari
11+阅读 · 2018年2月20日
Huazhu Fu,Jun Cheng,Yanwu Xu,Damon Wing Kee Wong,Jiang Liu,Xiaochun Cao
6+阅读 · 2018年1月11日
Jose Dolz,Christian Desrosiers,Li Wang,Jing Yuan,Dinggang Shen,Ismail Ben Ayed
4+阅读 · 2017年12月19日
Bernardino Romera-Paredes,Philip H. S. Torr
5+阅读 · 2016年10月24日
Top