亚洲AV成人无码精品直播在线,无码子一区二区,麻豆视频在线看,国产精品18 高潮视频,美女无码做爱,日本黄色免费一级A片,免费观看日批视频,中文黄色三级片

來源：Deephub Imba
本文約1100字，建議閱讀6分鐘
本文提出了一種基于Deep U-Net的多任務學習框架，用于GE-MRI左心房分割，該框架同時執(zhí)行心房分割和消融前后分類。

醫(yī)學圖像分析，多任務學習，圖像分類，圖像分割，U-Net，后處理

該論文是18年發(fā)布的，提出了一種基于Deep U-Net的多任務學習框架，用于GE-MRI左心房分割，該框架同時執(zhí)行心房分割和消融前后分類。雖然論文已經(jīng)很老了，但是改論文提出的多任務和后處理方法到現(xiàn)在還是可以參考的。

多任務U-Net

圖像分割

多任務深度U-Net是在二維U-Net基礎上發(fā)展而來的。數(shù)據(jù)集的圖像在x-y平面上的最大尺寸為640 × 640，通過增加池化層來增加U-Net的接收域。它由5個下采樣塊和5個上采樣塊組成，使用BN和ReLU。通過聚合從下采樣路徑和上采樣路徑學到的不同尺度的粗和細特征，網(wǎng)絡應比沒有聚合操作的網(wǎng)絡獲得更好的分割性能。

分類

分類任務是利用從下采樣路徑學習到的圖像特征來執(zhí)行。通過提取第4個池化層之后的特征，從不同大小和尺度的輸入圖像中學習到固定長度的特征向量，應用了SPPNet中的空間金字塔技術，然后通過2個全連接的層處理向量，使用softmax計算每個圖像的類概率(消融前/消融后)。在FC層上使用0.5的Dropout。

損失函數(shù)

多任務網(wǎng)絡的損失函數(shù)L：

式中LS為分割損失，LC為分類損失，λ=1。對于分割部分，采用了像素級交叉熵損失。

分類部分采用sigmoid交叉熵。分類損失作為正則化的作用，使網(wǎng)絡能夠?qū)W習在兩個任務中都能很好概括的高級表示。

后處理

在推理過程中，將從三維圖像中提取的軸向切片逐片輸入網(wǎng)絡，通過逐片拼接這些分割結果，每個患者的粗略3D掩膜就產(chǎn)生了。為了細化這些掩模的邊界進行了三維形態(tài)擴張和侵蝕，每個體積保留了最大的連接分量。

數(shù)據(jù)

數(shù)據(jù)集

論文使用2018年心房分割挑戰(zhàn)數(shù)據(jù)集，包含100個3D的ge - mri圖像的訓練集，以及相應的LA手動分割掩膜和消融前/后標簽，用于訓練和驗證。還有另外一組54張沒有標簽的圖片供測試。對于模型訓練和評價，將80:20訓練集隨機分割。數(shù)據(jù)集中有兩種大小的圖像:576×576和640×640。如上圖所示，在圖像大小和圖像對比度上有很大的差異。

預處理和數(shù)據(jù)增廣

圖像的強度歸一化為零均值和單位方差。隨機水平/垂直翻轉(zhuǎn)，概率為 50%。范圍從 -10 到 +10 度進行隨機旋轉(zhuǎn)。在原始圖像大小的 10% 范圍內(nèi)沿 X 和 Y 軸隨機移動。縮放系數(shù)介于 0.7 和 1.3 之間。隨機伽馬校正作為對比度增強的一種方式：

其中F(x, y)是圖像中每個像素的原始值，G(x, y)是每個像素的變換值。對于每個圖像，γ從(0.8,2.0)的范圍內(nèi)隨機化。在對比度增強的情況下，該網(wǎng)絡不需要圖像對比度增強作為預處理。

與AGC和CLAHE等其他預處理圖像對比度增強相比，gamma增強代具有更高的Dice得分。

采用多尺度裁剪來增加數(shù)據(jù)的多樣性，使網(wǎng)絡能夠分析不同背景下的圖像。裁剪尺寸包括256×256, 384×384, 480×480, 512×512, 576×576, 640×640。首先用裁剪圖像訓練網(wǎng)絡，然后逐漸增加圖像的大小。網(wǎng)絡學會了從簡單的場景到困難的場景進行分割。

結果

定量結果

對于不同的網(wǎng)絡和方法，基于不同測量值的分割精度結果如下：

隨著網(wǎng)絡深度的增加，分割性能得到了顯著提高，尤其是在二尖瓣平面上。通過多任務Deep U-Net和進行后期處理，得到的Dice分數(shù)為0.901。

這個多任務U-Net算法比其他兩種算法具有更強的魯棒性，通過與分割和相關的消融前后分類共享特征，網(wǎng)絡被迫學習更好的表示，以獲得更好的分割結果。

這是驗證集中的三個樣本的三維可視化。藍色對象是真值，綠色對象是預測分割

該模型在不同主題的三維分割結果與真值之間具有較高的重疊率。然而，在肺靜脈周圍可以觀察到一種顯著的失效模式。一個可能的原因可能是肺靜脈的數(shù)量和長度因人而異，這使得網(wǎng)絡很難從有限的病例中學習。

訓練時間

在一臺Nvidia Titan Xp GPU上，總的處理過程平均大約需要10秒。

Atrial Segmentation Challenge 2018

論文作者使用了一種稱為Boostrap aggreging (Bagging)的集成方法。在同一模型訓練5次，每次隨機子集，然后平均類概率。在主辦方給出的54個測試用例中，DICE平均得分從0.9197提高到0.9206。

論文地址：

[2018 STACOM] [Multi-Task Deep U-Net] ：https://arxiv.org/abs/1810.13205

作者：Sik-Ho Tsang

編輯：黃繼彥

論文推薦：基于GE-MRI的多任務學習

多任務U-Net

數(shù)據(jù)

結果