×
Oliver J.D.Barrowclough。;乔治·蒙廷;瓦拉塔拉詹·奈纳马莱;伊瓦尔·斯坦格比

使用隐式样条表示和深度学习对医学图像进行二值分割。 （英语） Zbl 1512.92039号

计算。辅助Geom。设计。 85，文章ID 101972，15 p.（2021）.
摘要：我们提出了一种基于隐式样条表示与深度卷积神经网络相结合的图像分割新方法。这是通过预测二元样条函数的控制点来实现的，该函数的零点表示分割边界。我们调整了几种现有的神经网络结构，并设计了新的损失函数，以提供隐式样条曲线近似。该方法在先天性心脏病CT医学成像数据集上进行了评估。实验是通过测量不同网络和损失函数的各种标准度量的性能来进行的。我们确定，对于分辨率为512乘512的CT图像，具有（128乘128）系数分辨率的二阶样条曲线表现最佳。对于我们最好的网络，我们实现了接近92%的平均体积测试Dice分数，这达到了该先天性心脏病数据集的最先进水平。

引用于1文件

MSC公司：

92 C55 生物医学成像和信号处理
65D07年 使用样条曲线进行数值计算
68T07型 人工神经网络与深度学习

关键词：

隐式样条曲线表示;形状建模;深度学习;医学成像;图像分割

软件：

DISN公司;城市风光;PyG公司;掌中宽带
PDF格式BibTeX公司 XML格式引用
\textit{O.J.D.Barrowclough}等人，计算。辅助Geom。设计。85，文章ID 101972，15 p.（2021；Zbl 1512.92039）
全文： 内政部 arXiv公司

参考文献：

[1] 阿库纳，D。；Ling，H。；卡尔·A。；Fidler，S.，用多边形RNN++对分割数据集进行高效交互式注释，（IEEE计算机视觉和模式识别会议论文集（2018）），859-868
[2] 奥伯特，G。；巴劳德，M。；福格拉斯，O。；Jehan-Besson，S.，《使用活动轮廓进行图像分割：变化或形状梯度计算？》？，SIAM J.应用。数学。，63, 2128-2154 (2003) ·Zbl 1053.94003号
[3] Barrowclough，O.J.D。；蒙廷，G。；斯坦格比，I.，《隐性重建》（2020年）
[4] 卡斯特雷洪，L。；Kundu，K。；Urtasun，R。；Fidler，S.，用多边形RNN注释对象实例，（CVPR（2017））
[5] 科茨，M。；奥姆兰，M。；拉莫斯，S。；Rehfeld，T。；恩兹韦勒，M。；Benenson，R。；Franke，美国。；罗斯，S。；Schiele，B.，语义城市场景理解的城市景观数据集，（IEEE计算机视觉和模式识别会议论文集（2016）），3213-3223
[6] 费伊，M。；埃里克·伦森，J。；Weichert，F。；Müller，H.，SplineCNN:使用连续B样条核进行快速几何深度学习，（IEEE计算机视觉和模式识别会议论文集（2018）），869-877
[7] 吉布森，E。；吉安蒂，F。；胡，Y。；Bonmati，E。；Bandula，S。；古鲁萨米，K。；戴维森，B。；佩雷拉，S.P。；克拉克森，M.J。；Barratt，D.C.，《腹部CT上使用密集V网络的多器官自动分割》，IEEE Trans。医学成像，371822-1834（2018）
[8] Habijan，M。；Leventić，H。；加利奇，I。；Babin，D.，使用3D U-net架构从CT图像中分割整个心脏，（2019年国际系统、信号和图像处理会议（IWSSIP）（2019）），121-126
[9] 艾森·恩，A。；迪雷科·卢，C。；Šah，M.，《利用深度学习方法对基于MRI的脑肿瘤图像分割的回顾》，（第十二届模糊系统和软计算应用国际会议。第十二届国际模糊系统和软件计算应用会议，2016年8月29日至30日，奥地利维也纳，ICAFS 2016。第十二届模糊系统和软计算应用国际会议。第十二届模糊系统和软计算应用国际会议，2016年ICAFS，2016年8月29日至30日，奥地利维也纳，Procedia Computer Science，第102卷（2016）），317-324
[10] 卡里米，D。；Salcudean，S.E.，《使用卷积神经网络减少医学图像分割中的Hausdorff距离》，IEEE Trans。医学成像，39，499-513（2020）
[11] Keskin，C。；Izadi，S.，《样条网：连续神经决策图》（2018），ArXiv预印本
[12] 劳贝，P。；M.O.Franz。；Umlauf，G.，B样条曲线逼近的深度学习参数化，（2018年国际3D视觉会议（3DV）（2018），IEEE），691-699
[13] Ling，H。；高杰。；卡尔·A。；Chen，W。；Fidler，S.，用曲线-GCN快速交互式对象注释，（IEEE计算机视觉和模式识别会议论文集（2019）），5257-5266
[14] Michalkiewicz，M。；Pontes，J.K。；杰克，D。；Baktashmotlah，M。；Eriksson，A.，神经网络中作为层的隐式表面表示，（2019 IEEE/CVF国际计算机视觉会议（ICCV）（2019）），4742-4751
[15] 米奈，S。；博伊科夫，Y。；Porikli，F。；A广场。；Kehtarnavaz，N。；Terzopoulos，D.，《使用深度学习进行图像分割：一项调查》（2020年），CoRR abs/2001.05566
[16] Payer，C。；什特恩，D。；比肖夫，H。；Urschler，M.，《使用CNN和解剖标记配置的多标签全心脏分割》，（Pop，M.；Sermesant，M.、Jodoin，P.M.；Lalande，A.；Zhuang，X.；Yang，G.；Young，A.；Bernard，O.，《心脏的统计图谱和计算模型》，ACDC和MMWHS挑战（2018），斯普林格国际出版公司：斯普林格国际出版（Cham），190-198年
[17] Pham，D.L。；徐，C。；Prince，J.L.，医学图像分割的当前方法，年。生物识别版本。工程，2315-337（2000）
[18] O.Ronneberger。；菲舍尔，P。；Brox，T.，U-net：用于生物医学图像分割的卷积网络，（国际医学图像计算和计算机辅助干预会议（2015），施普林格），234-241
[19] 夏尔马，N。；Aggarwal，L.，自动医学图像分割技术，医学物理杂志。，35, 3-14 (2010)
[20] Simonyan，K。；Zisserman，A.，《用于大规模图像识别的深度卷积网络》（2014），ArXiv预印本
[21] Sitzmann，V。；马特尔，J.N。；伯格曼，A.W。；Lindell，D.B。；Wetzstein，G.，周期激活函数的隐式神经表征（2020），ArXiv预印本
[22] Sutskever，I。；Martens，J。；Dahl，G。；Hinton，G.，《深度学习中初始化和动力的重要性》，（第30届机器学习国际会议论文集第28卷，JMLR.org（2013）），1139-1147
[23] Varatharajan，N.，Lippert，M.，Brun，H.，Elle，O.J.，Kumar，R.P.，2020年。基于深度学习的先天性心脏病血池分割。已提交发布。
[24] 王，C。；斯梅德比。，使用深度学习和形状上下文自动进行整个心脏分割，（Pop，M.；Sermesant，M.）；Jodoin，P.M.；Lalande，A.；Zhuang，X.；Yang，G.；Young，A.；Bernard，O.，《心脏的统计图谱和计算模型》，ACDC和MMWHS挑战（2018），Springer国际出版：Springer International Publishing Cham），242-249
[25] 徐，Q。；Wang，W。；塞兰·D·。；机械、R。；Neumann，U.，DISN：用于高质量单视图3D重建的深隐式表面网络，（Wallach，H.；Larochelle，H.，Beygelzimer，A.；d’Alché-Buc，F.；Fox，E.；Garnett，R.，《神经信息处理系统的进展》32（2019），Curran Associates，Inc.），492-502
[26] Xu，X。；Wang，T。；史，Y。；袁，H。；贾，Q。；黄，M。；庄，J.，使用深度神经网络和图形匹配对先天性心脏病中的整个心脏和大血管进行分割，（医学图像计算和计算机辅助干预-MICCAI 2019（2019））
[27] 徐，Z。；吴，Z。；Feng，J.，CFUN：将更快的R-CNN和U-net网络结合起来，以实现高效的整体心脏分割（2018年），CoRR abs/1812.04914
[28] Yang，H.等人。；Fuchs，M。；Juttler，B。；Scherzer，O.，《几何重建和图像分割中带距离场约束的T样条水平集的演变》，（IEEE 2006年形状建模与应用国际会议（SMI'06）（2006），IEEE），37
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。