【论文笔记】气道树分割:A 3D UNet-Graph Neural Network for Airway Segmentation
文章目录
- 1 综述
- 1.1 训练数据
- 1.2 网络结构
- 1.3 预测精度
- 2 结论
1 综述
基于肺部CT影像的气道树的分割通常难度较大,易出现支气管末端难分割、泄漏等问题,常用的传统图像方法有区域增长、各种改进型区域增长、各种改进型水平集和基于肺部血管走向的区域增长等,论文《Extraction of Airways from CT (EXACT’09)》中总结了15种基于传统图像算法的气道树提取算法并对其进行了定量评价。
随着神经网络的发展,出现了基于卷积神经网络来进行气道树分割的方法,目前大部分是基于分割网络来实现气道树的提取,以及在后处理中来解决泄漏问题。
今天分享一篇2019年的论文《A joint 3D UNet-Graph Neural Network-based method for Airway Segmentation from chest CTs》, 该论文提出 3D U-Net 结合 Graph Neural Network(GNN)模块来实现 end-to-end 肺部气道树分割,该方法相比单一3D U-Net,对气道树中心线的假阴性有一定小改善,虽然精度没有跨越性的提升,但对于分割出更完整的肺气道树,提供了一个尝试性的方向。
传统肺气道树分割方法:
Extraction of Airways from CT (EXACT’09)
论文对应的肺部CT数据集:
肺部CT数据集
本篇论文连接:
A joint 3D UNet-Graph Neural Network-based method for Airway Segmentation from chest CTs
1.1 训练数据
论文使用的数据是在吸气状态下,32个肺部CT数据(作者未公开),数据 spacing=[0.78, 0.78, 1];其中16例用于训练,4例用于验证和调参,12例用于测试。设备为NVIDIA GeForce GTX 1080 Ti with 11 GB;
自己训练时,可使用EXACT’09提供的数据集进行训练。
1.2 网络结构
获取肺部CT影像中肺实质外接矩形区域,裁剪patch,通过左右上下翻转、0-10度旋转、弹性形变等进行数据增广,输入size 176 * 352 * 240;
将3D U-Net 和 GNN 模块进行结合,将3D U-Net 网络最下面两层换成GNN网络模块,是一种 end-to-end 模型,可以学习图像局部特征和基于图连接的全局信息。
在搭建模型时,基于在不同下采样分辨率层添加 GNN 模块分为 UNetLev3 和 UNetLev5;对于 GNN 模块中计算邻接矩阵的方式不同,分为有规则连接 UGnnReg 和动态连接 UGnnDyn,两两组合可形成 4 种模型。
关于 GNN 模块,其中每一层计算公式如下:H 是节点特征矩阵,A 是邻接矩阵,D 是 A 的对角化矩阵,W 是待训练权重;共有4层;
其中初始节点特征矩阵 H 获取如下所示:
loss函数为Dice,公式如下:
1.3 预测精度
不同阈值下的ROC曲线,右图中的圆点是阈值为0.5时的精度;
不同模型在测试集上的性能,Dice系数能到0.88左右,完整性约75%,泄露率约14%;
2 结论
论文提出了一种在 3D U-Net 网络底层引入图网络 GNN 模块的方法,来进行肺部CT影像气道树的分割,能够对一个更大图像区域的特征进行学习和组合。该方法相比于单一的3D U-Net网络,对于气道树中心线的假阴性具有小而显著的改善。虽然精度没有显著提升,但对于分割出更完整的肺气道树,提供了一个尝试性的方向。
【论文笔记】气道树分割:A 3D UNet-Graph Neural Network for Airway Segmentation相关推荐
- 论文笔记:Person Re-identification with Deep Similarity-Guided Graph Neural Network
Person Re-identification with Deep Similarity-Guided Graph Neural Network 2018-07-27 17:41:45 Paper: ...
- 论文笔记(三):PoseCNN: A Convolutional Neural Network for 6D Object Pose Estimation in Cluttered Scenes
PoseCNN: A Convolutional Neural Network for 6D Object Pose Estimation in Cluttered Scenes 文章概括 摘要 1. ...
- 【论文阅读】MAGNN: Metapath Aggregated Graph Neural Network for Heterogeneous Graph Embedding
用于异质图嵌入的元路径聚合图神经网络 摘要 1 引言 2 准备工作 3 相关工作 3.1 GNN 3.2 异质图嵌入 4 方法 4.1 节点内容转换 4.2 元路径内部聚合 4.3 元路径间的聚合 4 ...
- enet分割_[论文笔记] 图像语义分割——ENet(ICLR 2017)
[论文笔记] 图像语义分割--ENet(ICLR 2017) bluestyle • 2019 年 05 月 03 日 介绍 Motivation: 移动应用上的实时像素级语义分割是一个重要的问题,然 ...
- 【论文笔记】Encoding cloth manipulations using a graph of states and transitions
[论文笔记]Encoding cloth manipulations using a graph of states and transitions Abstract 问题: Cloth manipu ...
- 【论文阅读】Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud
最近在看3d目标检测的文章,感觉看完东西还是要记一下自己的想法,尤其是有思考的文章. 论文题目:Point-GNN: Graph Neural Network for 3D Object Detect ...
- 论文阅读 - Social Bot-Aware Graph Neural Network for Early Rumor Detection - CCF B
目录 摘要: 1 绪论 2 问题定义 3 SBAG模型 3.1社交机器人检测 3.2 机器人感知图神经网络 3.2.1基于GCN的用户发布 3.2.2 基于GAT的用户交互 3.2.3文本编码器 3. ...
- Reinforcement Learning Enhanced Heterogeneous Graph Neural Network阅读笔记
强化学习增强异质图神经网络 代码源:https://github.com/zhiqiangzhongddu/RL-HGNN 摘要 异构信息网络(HINs)涉及多种节点类型和关系类型,在许多实际应用中非 ...
- 【李宏毅机器学习笔记】 23、循环神经网络(Recurrent Neural Network,RNN)
[李宏毅机器学习笔记]1.回归问题(Regression) [李宏毅机器学习笔记]2.error产生自哪里? [李宏毅机器学习笔记]3.gradient descent [李宏毅机器学习笔记]4.Cl ...
- GNN金融应用之Classifying and Understanding Financial Data Using Graph Neural Network学习笔记
Classifying and Understanding Financial Data Using Graph Neural Network 摘要 1. 概述 2. 数据表示-加权图 3. GNN利 ...
最新文章
- Boruvka求最小生成树
- Apache CarbonData 2.0 开发实用系列之一:与Spark SQL集成使用
- java 获取手机系统_Android系统信息获取
- asp.net控件开发技巧(2)关闭基类不必要的功能
- 值类型和引用类型的区别?
- 单片机 MSP430 G2553 F5529 蜂鸣器 音乐 音乐播放器
- ug设计绘图使用技巧,UG设计入门基…
- 计算机维修与数据恢复论文,备份恢复论文,关于计算机数据备份数据恢复技术相关参考文献资料-免费论文范文...
- js日期加横杆_JS 替换日期的横杠为斜杠
- VSCode绿豆沙主题,爱护你的眼睛,丢掉深色背景
- 用SDK包开发K66FX18学习笔记(4)
- 温暖的奢侈,当手机遇到机器人
- Android工程师进阶第一课 夯实Java基础 JVM内存模型和GC回收机制
- 处理IRP的几种方式
- QLabel的四种显示方式
- 毫米波电路的PCB设计和加工(第一部分)
- 大物下学期期末复习笔记
- Djang+layui+ajax 提交表单实例
- 十一小长假来临,智能安防监控如何成为民众安全的“守护者”?
- 李永乐复习全书高等数学 第四章 向量代数与空间解析几何