MMWHS-文献阅读(图像分割)
一、 https://github.com/xy0806/miccai17-mmwhs-hybrid
Paper: Hybrid Loss Guided Convolutional Networks for Whole Heart Parsing (MICCAI 2017)
1、迁移学习
使用C3D模型中参数
2、分层深层监督
增加几个分层的侧面路径,从而缩短梯度流的反向传播路径,并将浅层暴露给更直接的监督。
3、损失函数
Hybrid Loss :
二、Bayesian VoxDRN: A Probabilistic Deep Voxelwise Dilated Residual Network for Whole Heart Segmentation from 3D MR Images(miccal 2018)
1、我们将[12]的扩张残差网络(dilated residual network)(DRN )(CVPR 2017 )(以前仅限于2D图像分割)扩展到3D体积分割;
2、我们引入了包含多个丢失层的新型架构来估计模型的不确定性,其中单元在训练期间随机失活以避免过度拟合。 在测试中,体素标签的后验分布通过具有辍学的多个预测的蒙特卡罗采样来近似
3、 combine focal loss with Dice loss, 解决不平衡问题
4、我们引入迭代切换训练策略来交替地优化二进制分割任务和多类分割任务以进一步提高准确度
三、
Multi-Label Whole Heart Segmentation Using CNNs and Anatomical Label Configurations Heart Parsing
(lMICCAI MM-WHS Challenge Best Paper Award)
在这项工作中,提出了一个深度学习框架,用于体积图像的全自动多标记分割。 第一个卷积神经网络(CNN)围绕所有心脏子结构定位边界框的中心。 基于该边界框,第二CNN预测标签位置,即每个标签在体积中占据的空间区域。(先定位再分割)
1、Localization CNN
我们使用热图回归使用类似U-Net的完全卷积CNN [8,5]执行地标定位 [10,7,6],训练以回归所有心脏子结构分割周围的边界框的中心。
2、Segmentation CNN:
使用了最初为地标定位提出的完全卷积端到端训练的SpatialConfiguration-Net(空间布局网络)的改编[6]
四、空间布局网络
Regressing Heatmaps for Multiple Landmark Localization Using CNNs(MICCIA 2016)
三步:
1、三层卷积,生成和ladmarks相同数量的通道数目
2、预测Hi,通过其他的landmarks与K卷积
3、再相乘
介绍完空间布局网络,再看Segmentation CNN
1、类似U-Net的架构[8]具有与标签一样多的输出,生成中间标签预测。对于每个输出体素,使用S形激活函数来限制0和1之间的值,即一个体素可能预测的所有标签的概率。
2、在第二阶段,网络将这些概率转换为其他标签的位置,从而允许网络通过抑制不可行的中间预测来学习可行的解剖标签配置。由于其他标签的估计位置不准确,在此阶段我们可以对U-Net的输出进行下采样,以减少内存消耗和计算时间,而不会失去预测性能。连续卷积层将这些下采样标签预测转换为其他标签的估计位置。对输入分辨率进行上采样会导致变换后的标签预测,这完全基于其他标签的中间标签概率。
3、在最后阶段,将来自U-Net的中间预测与变换后的预测相乘得到组合标签预测。
在没有任何进一步后处理的情况下,选择每个体素的标签预测中的最大值是最终的多标签分割
五、论文 A Probabilistic U-Net for Segmentation of Ambiguous Images 阅读
MMWHS-文献阅读(图像分割)相关推荐
- 论文阅读—图像分割方法综述(三)(arXiv:[cs:cv]20200410)
前面介绍了分割领域常用网络架构及其相应的分割模型,本节主要介绍一些最受欢迎的图像分割数据集及其特征.此外还有评估基于深度学习的分割模型的常用指标.并报告了这些模型的定量结果和实验性能. 系列回顾 论文 ...
- 文献阅读系列-2|TBC-Net: A real-time detector for infrared small
TBC-Net: A real-time detector for infrared small TBC-Net:一种使用语义约束实时检测红外小目标的检测器 论文撰写文献阅读 提示:写完文章后,目录可 ...
- 【裂缝检测】文献阅读笔记
本笔记仅供个人回顾使用,未经允许禁止转发 文献相关网站: 中国知网 iData 爱学术[中文文献友好] 一搜即达[科研通聚合搜索] SCI-Hub论文下载可用网址 谷歌学术『Google』镜像 谷歌学 ...
- 【语义分割文献阅读】Segmentation from Natural Language Expressions
[语义分割文献阅读]Segmentation from Natural Language Expressions 文章目录 [语义分割文献阅读]Segmentation from Natural La ...
- 四位科研牛人介绍的文献阅读经验
每天保持读至少2-3 篇的文献的习惯.读文献有不同的读法,但最重要的自己总结概括这篇文献到底说了什么,否则就是白读,读的时候好像什么都明白,一合上就什么都不知道,这是读文献的大忌,既浪费时间,最 ...
- 最大熵模型(Maximum Entropy Model)文献阅读指南
最大熵模型(Maximum Entropy Model)是一种机器学习方法,在自然语言处理的许多领域(如词性标注.中文分词.句子边界识别.浅层句法分析及文本分类等)都有比较好的应用效果.张乐博士的最大 ...
- 条件随机场(Conditional random fields,CRFs)文献阅读指南
与最大熵模型相似,条件随机场(Conditional random fields,CRFs)是一种机器学习模型,在自然语言处理的许多领域(如词性标注.中文分词.命名实体识别等)都有比较好的应用效果.条 ...
- 文献阅读疑问(202010)
学习笔记,仅供参考 文章目录 文献阅读疑问 Unsupervised Deep Embedding for Clustering Analysis 文献阅读疑问 Unsupervised Deep E ...
- 那些文献阅读能力爆表的科研学子,都在偷偷做这件事……
对于广大科研学子来说,阅读文献这件事可谓是贯穿整个学术生涯,因为文献是了解现在所学专业的领域切入点,且做科研遇到难题时还可以在文献中寻找答案. 以及科研实验完毕后,若是准备发表论文,那么还得再看看文献 ...
- 知云文献翻译_工具推荐 | 知云学术翻译,让外文文献阅读不再难
点击上方蓝字"Edtshare"一起玩耍 想必大家都经历过阅读外文文献的痛苦吧:专有名词不会.嵌套从句不懂.好不容易单词和句子都看懂了,连起来在说啥又一头雾水.笔者曾经深受其苦,所 ...
最新文章
- 2019机器学习比赛_2019顶尖的机器学习课程
- TIDB,面向未来的数据库到底是什么?
- 用区块链变革教育行业?全球首个教育+旅行+区块链平台——Ambertime:让每个人都能够将时间凝结成自己专属的“琥珀”...
- 快速撑握C#知识点之变量,类型及类型转换
- oracle isextis,OGG-01052 No recovery is required for target file /ogg/tail_ext/et000000, at...
- soapui返回值类型都有哪些_法兰的类型都有哪些以及法兰的设计
- vector 简单使用
- REHL 5.4 下编译安装LNMP(上)
- 关于vmplayer 和vmrun 同时使用说明文档
- 详解java静态数组
- 根据题3.9图的公差要求填写题3.9表,并绘出动态公差带图【(σ゚∀゚)σ..:*☆哎哟不错哦】
- office2019 图目录_赶快收藏!这款强大的PPT通路图插件ScienceSlides 2016来了!
- Frenet坐标系及其与笛卡尔坐标的转换(2)——原理
- npm 安装node后,node-v和npm -v提示不是内部或外部命令,也不是可运行的程序 或批处理文件
- 硬件趣学python_硬的解释|硬的意思|汉典“硬”字的基本解释
- java socket send_Socket send函数和recv函数详解
- matlab在读取或者导入excel时,服务器出现意外情况
- Linux C多人网络聊天室
- 搭建国产化麒麟kylinos操作系统虚拟机
- SQL Server 2016详细安装步骤,后附链接