摘要:医学影像分割是计算机视觉在医学影像处理中的一个重要应用领域,其目标是从医学影像中分割出目标区域,为后续的疾病诊断和治疗提供有效的帮助。近年来深度学习技术在图像处理方面取得了巨大进展,基于深度学习的医学影像分割算法逐渐成为该领域研究的重点和热点。首先叙述了计算机视觉下的医学影像分割任务及其难点,然后重点综述了基于深度学习的医学影像分割算法,对当前具有代表性的相关方法进行了分类和总结,进而介绍了医学影像分割算法常用的评价指标和数据集。最后,对该技术的发展进行了总结和展望。

成为VIP会员查看完整内容
0
25

相关内容

机器学习的一个分支,它基于试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法。

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

深度学习能自动从大样本数据中学习获得优良的特征表达,有效提升各种机器学习任务的性能,已广泛应用于信号处理、计算机视觉和自然语言处理等诸多领域。基于深度学习的医学影像智能计算是目前智慧医疗领域的研究热点,其中深度学习方法已经应用于医学影像处理、分析的全流程。由于医学影像内在的特殊性、复杂性,特别是考虑到医学影像领域普遍存在的小样本问题,相关学习任务和应用场景对深度学习方法提出了新要求。本文以临床常用的X射线、超声、计算机断层扫描和磁共振等4种影像为例,对深度学习在医学影像中的应用现状进行综述, 特别面向图像重建、病灶检测、图像分割、图像配准和计算机辅助诊断这5大任务的主要深度学习方法的进展进行介绍,并对发展趋势进行展望。

http://www.cjig.cn/jig/ch/reader/view_abstract.aspx?edit_id=20200923131243001&flag=2&file_no=202006020000002&journal_id=jig

成为VIP会员查看完整内容
0
39

目标检测的任务是从图像中精确且高效地识别、定位出大量预定义类别的物体实例。随着深度学习的广泛应用,目标检测的精确度和效率都得到了较大提升,但基于深度学习的目标检测仍面临改进与优化主流目标检测算法的性能、提高小目标物体检测精度、实现多类别物体检测、轻量化检测模型等关键技术的挑战。针对上述挑战,本文在广泛文献调研的基础上,从双阶段、单阶段目标检测算法的改进与结合的角度分析了改进与优化主流目标检测算法的方法,从骨干网络、增加视觉感受野、特征融合、级联卷积神经网络和模型的训练方式的角度分析了提升小目标检测精度的方法,从训练方式和网络结构的角度分析了用于多类别物体检测的方法,从网络结构的角度分析了用于轻量化检测模型的方法。此外,对目标检测的通用数据集进行了详细介绍,从4个方面对该领域代表性算法的性能表现进行了对比分析,对目标检测中待解决的问题与未来研究方向做出预测和展望。目标检测研究是计算机视觉和模式识别中备受青睐的热点,仍然有更多高精度和高效的算法相继提出,未来将朝着更多的研究方向发展。

成为VIP会员查看完整内容
0
71

如今,深度学习已被广泛应用于图像分类和图像识别的问题中,取得了令人满意的实际效果,成为许多人工智能应用的关键所在.在对于模型准确率的不断探究中,研究人员在近期提出了“对抗样本”这一概念.通过在原有样本中添加微小扰动的方法,成功地大幅度降低原有分类深度模型的准确率,实现了对于深度学习的对抗目的,同时也给深度学习的攻方提供了新的思路,对如何开展防御提出了新的要求.在介绍对抗样本生成技术的起源和原理的基础上,对近年来有关对抗样本的研究和文献进行了总结,按照各自的算法原理将经典的生成算法分成两大类——全像素添加扰动和部分像素添加扰动.之后,以目标定向和目标非定向、黑盒测试和白盒测试、肉眼可见和肉眼不可见的二级分类标准进行二次分类.同时,使用MNIST数据集对各类代表性的方法进行了实验验证,以探究各种方法的优缺点.最后总结了生成对抗样本所面临的挑战及其可以发展的方向,并就该技术的发展前景进行了探讨.

成为VIP会员查看完整内容
0
32

摘要:近年来,基于深度学习的表面缺陷检测技术广泛应用在各种工业场景中.本文对近年来基于深度学习的表面缺陷检测方法进行了梳理,根据数据标签的不同将其分为全监督学习模型方法、无监督学习模型方法和其他方法三大类,并对各种典型方法进一步细分归类和对比分析,总结了每种方法的优缺点和应用场景.本文探讨了表面缺陷检测中三个关键问题,介绍了工业表面缺陷常用数据集.最后,对表面缺陷检测的未来发展趋势进行了展望.

成为VIP会员查看完整内容
基于深度学习的表面缺陷检测方法综述_陶显.pdf
0
41

虽然像CNNs这样的深度学习模型在医学图像分析方面取得了很大的成功,但是小型的医学数据集仍然是这一领域的主要瓶颈。为了解决这个问题,研究人员开始寻找现有医疗数据集之外的外部信息。传统的方法通常利用来自自然图像的信息。最近的研究利用了来自医生的领域知识,通过让网络模仿他们如何被训练,模仿他们的诊断模式,或者专注于他们特别关注的特征或领域。本文综述了将医学领域知识引入疾病诊断、病变、器官及异常检测、病变及器官分割等深度学习模型的研究进展。针对不同类型的任务,我们系统地对所使用的不同类型的医学领域知识进行了分类,并给出了相应的整合方法。最后,我们总结了挑战、未解决的问题和未来研究的方向。

成为VIP会员查看完整内容
0
56

摘要: 目标检测算法应用广泛,一直是计算机视觉领域备受关注的研究热点。近年来,随着深度学习的发展,3D图像的目标检测研究取得了巨大的突破。与2D目标检测相比,3D目标检测结合了深度信息,能够提供目标的位置、方向和大小等空间场景信息,在自动驾驶和机器人领域发展迅速。文中首先对基于深度学习的2D目标检测算法进行概述;其次根据图像、激光雷达、多传感器等不同数据采集方式,分析目前具有代表性和开创性的3D目标检测算法;结合自动驾驶的应用场景,对比分析不同 3D 目标检测算法的性能、优势和局限性;最后总结了3D目标检测的应用意义以及待解决的问题,并对 3D 目标检测的发展方向和新的挑战进行了讨论和展望。

成为VIP会员查看完整内容
0
56
小贴士
相关VIP内容
专知会员服务
18+阅读 · 1月19日
专知会员服务
39+阅读 · 2020年11月15日
专知会员服务
71+阅读 · 2020年8月1日
专知会员服务
32+阅读 · 2020年7月21日
基于深度学习的表面缺陷检测方法综述
专知会员服务
41+阅读 · 2020年5月31日
专知会员服务
56+阅读 · 2020年4月24日
深度学习视频中多目标跟踪:论文综述
专知会员服务
49+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
63+阅读 · 2019年6月16日
相关资讯
「中文文献」目标跟踪算法综述
专知
3+阅读 · 2019年7月25日
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
AI综述专栏 | 基于深度学习的目标检测算法综述
人工智能前沿讲习班
11+阅读 · 2018年12月7日
计算机视觉方向简介 | 目标检测最新进展总结与展望
计算机视觉life
4+阅读 · 2018年10月28日
基于深度学习的目标检测算法综述
AI研习社
13+阅读 · 2018年4月25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
深度学习时代的目标检测算法综述
AI前线
6+阅读 · 2017年9月22日
基于深度学习的肿瘤图像分割研究取得进展
中科院之声
13+阅读 · 2017年9月17日
相关论文
Ravi Raj,Varad Bhatnagar,Aman Kumar Singh,Sneha Mane,Nilima Walde
0+阅读 · 1月21日
Quantum Computing: Lecture Notes
Ronald de Wolf
0+阅读 · 1月20日
Weihan Zhang,Bryan Pogorelsky,Mark Lovelandy,Trevor Wolf
0+阅读 · 1月19日
Abhishek Shivdeo,Rohit Lokwani,Viraj Kulkarni,Amit Kharat,Aniruddha Pant
0+阅读 · 1月19日
Wolfgang Fuhl,Yao Rong,Thomas Motz,Michael Scheidt,Andreas Hartel,Andreas Koch,Enkelejda Kasneci
0+阅读 · 1月17日
Kamran Kowsari,Kiana Jafari Meimandi,Mojtaba Heidarysafa,Sanjana Mendu,Laura E. Barnes,Donald E. Brown
6+阅读 · 2020年5月20日
Xiaowei Hu,Xuemiao Xu,Yongjie Xiao,Hao Chen,Shengfeng He,Jing Qin,Pheng-Ann Heng
9+阅读 · 2018年5月16日
Minghui Liao,Zhen Zhu,Baoguang Shi,Gui-song Xia,Xiang Bai
12+阅读 · 2018年3月14日
Ksenia Konyushkova,Raphael Sznitman,Pascal Fua
9+阅读 · 2018年1月16日
Ke Zhang,Liru Guo,Ce Gao,Zhenbing Zhao
3+阅读 · 2017年10月1日
Top