×
他，娟娟；香，宋；朱子奇

一种用于EM图像分割的深度全残差卷积神经网络。 （英语） Zbl 1455.68236号

国际J.Wavelets多分辨率。信息处理。 18，第3号，文章ID 2050007，16 p.（2020）.
摘要：在标准U-net中，研究人员仅使用长跳转连接将特征从编码路径跳到解码路径，以恢复降采样期间的空间信息丢失。为了解决这个问题，我们提出了一种新的深度全残差卷积神经网络，该网络将U网与ResNet相结合，用于医学图像分割。通过应用短跳跃连接，与标准U形网络相比，这种新的U形网络扩展减少了参数数量，尽管层的深度增加了。我们在电子显微镜（EM）图像数据集和计算机断层扫描（CT）图像数据集上评估了所提出的模型和其他最先进模型的性能。结果表明，我们的模型在EM基准上实现了具有竞争力的准确性，无需进一步的后处理。此外，与标准U网相比，肺部CT图像的图像分割性能得到了改进。

MSC公司：

68单位10 图像处理的计算方法
2017年10月68日 人工神经网络与深度学习
92 C55 生物医学成像和信号处理

关键词：

图像分割；U型网；ResNet公司；电子显微镜；计算机断层扫描

软件：

亚当；开胃-v4；掌中宽带；RMS公司
PDF格式BibTeX公司 XML格式引用
\textit{J.He}等人，《国际小波多分辨率》。信息处理。18，第3号，文章ID 2050007，16 p.（2020；Zbl 1455.68236）
全文： 内政部

参考文献：

[1] Arbelaez，P.、Maire，M.、Fowlkes，C.和Malik，J.，轮廓检测和分层图像分割，IEEE Trans。模式分析。机器。Intell.33（5）（2011）898-916。
[2] Arganda-Carreras，I.、Turaga，S.C.、Berger，D.R.、Cirešan，D.、Giusti，A.、Gambardella，L.M.、Schmidhuber，J.、Laptev，D.、Dwivedi，S.、Buhmann，J.M.等人，《众包为连接组学创建图像分割算法》，Front。神经解剖学9（2015）142。
[3] Beier，T.、Andres，B.、Köthe，U.和Hamprecht，F.A.，《最小成本提升多切割问题的高效融合移动算法》，《欧洲计算机视觉会议》（荷兰阿姆斯特丹，2016），第715-730页。
[4] Ben-Cohen，A.、Diamant，I.、Klang，E.、Amitai，M.和Greenspan，H.，《肝脏分割和病变检测的完全卷积网络》，载于《医学应用的深度学习和数据标记》（Springer，2016），第77-85页。
[5] Cardona，A.、Saalfeld，S.、Preibisch，S.，Schmid，B.、Cheng，A.、Pulokas，J.、Tomancak，P.和Hartenstein，V.，《利用计算机辅助连续切片电子显微镜对果蝇大脑进行微观和宏观结构综合分析》，《公共科学图书馆·生物学》8（10）（2010）e1000502。
[6] Cha，K.H.，Hadjiiski，L.，Samala，R.K.，Chan，H.-P.，Caoili，E.M.和Cohan，R.H.，使用深度学习卷积神经网络和水平集进行CT尿路造影中的膀胱分割，《医学物理》43（4）（2016）1882-1896。
[7] Chen，H.，Qi，X.，Cheng，J.-Z.，Heng，P.-A.et al.，神经元结构分割的深层上下文网络，AAAI’16 Proc。第三十届AAAI人工智能大会（美国亚利桑那州凤凰城，2016年），第1167-1173页。
[8] Chklovskii，D.B.、Vitaladevuni，S.和Scheffer，L.K.，《使用电子显微镜半自动重建神经电路》，Curr。操作。《神经生物学》20（5）（2010）667-675。
[9] Christ，P.F.、Elshaer，M.E.A.、Ettlinger，F.、Tatavarty，S.、Bickel，M.、Bilic，P.、Rempfler，M..、Armbruster，M.，Hofmann，F.，DAnastasi，M.等人，《使用级联全卷积神经网络和三维条件随机场在CT中实现肝脏和病变的自动分割》，国际Conf。医学图像计算和计算机辅助干预（希腊雅典，2016），第415-423页。
[10] Ciresan，D.、Giusti，A.、Gambardela，L.M.和Schmidhuber，J.，《深层神经网络在电子显微镜图像中分割神经元膜》，NIPS’12 Proc。第25届国际会议《神经信息处理系统进展》（Harrahs和Harveys，美国塔霍湖，2012年），第2843-2851页。
[11] Drozdzal，M.、Chartrand，G.、Vorontsov，E.、Shakeri，M.、Di Jorio，L.、Tang，A.、Romero，A.、Bengio，Y.、Pal，C.和Kadoury，S.，医学图像分割中迭代估计的学习归一化输入，医学图像分析44（2018）1-13。
[12] Drozdzal，M.、Vorontsov，E.、Chartrand，G.、Kadoury，S.和Pal，C.，生物医学图像分割中跳跃连接的重要性，医学应用的深度学习和数据标记（Springer，2016），第179-187页。
[13] Fakhry，A.、Zeng，T.和Ji，S.，脑电子显微镜图像分割的残余反褶积网络，IEEE Trans。医学成像36（2）（2017）447-456。
[14] Girshick，R.、Donahue，J.、Darrell，T.和Malik，J.，《精确对象检测和语义分割的丰富特征层次》，Proc。IEEE Conf.计算机视觉和模式识别（美国俄亥俄州哥伦布，2014），第580-587页。
[15] Grewal，M.，Srivastava，M.M.，Kumar，P.和Varadarajan，S.，Radnet：利用深度学习在CT扫描中检测出血的放射科医生级准确性，2018 IEEE第15届国际交响乐会。生物医学成像（ISBI 2018）（美国华盛顿，2018），第281-284页。
[16] Havaei，M.，Davy，A.，Warde-Farley，D.，Biard，A.，Courville，A.，Bengio，Y.，Pal，C.，Jodoin，P.-M.和Larochelle，H.，《利用深度神经网络进行脑肿瘤分割》，《医学图像分析》35（2017）18-31。
[17] 何凯，张，X，任，S和孙，J，图像识别的深度剩余学习，Proc。IEEE Conf.计算机视觉和模式识别（美国内华达州拉斯维加斯，2016），第770-778页。
[18] He，K.，Zhang，X.，Ren，S.和Sun，J.，深度剩余网络中的身份映射，欧洲计算机视觉会议（荷兰阿姆斯特丹，2016），第630-645页。
[19] Khadios，A.、Sanchez，V.和Li，C.-T.，基于局部边缘特征的加权水平集演化用于医学图像分割，IEEE Trans。图像处理。26（4）（2017）1979-1991·Zbl 1409.94294号
[20] D.P.Kingma和J.Ba，Adam：随机优化方法，预印本（2014），arXiv:1412.6980。
[21] Liu，T.、Jones，C.、Seyedhosseni，M.和Tasdizen，T.，《三维电子显微镜图像分割的模块化分层方法》，《神经科学杂志》。方法226（2014）88-102。
[22] Long，J.、Shelhamer，E.和Darrell，T.，《语义分割的完全卷积网络》，Proc。IEEE Conf.Computer Vision and Pattern Recognition（美国波士顿，2015），第3431-3440页。
[23] T.M.Quan、D.G.Hildebrand和W.-K.Jeong，Fusionnet:用于连接组学图像分割的深度-完全残差卷积神经网络，预印本（2016），arXiv:1612.05360。
[24] Ronneberger，O.，Fischer，P.和Brox，T.，《U-net：生物医学图像分割的卷积网络》，《国际医学图像计算与计算机辅助干预》（德国慕尼黑，2015年），第234-241页。
[25] Schaefer，S.、McPhail，T.和Warren，J.，使用移动最小二乘法的图像变形，ACM Trans。图表。（TOG）25（3）（2006）533-540。
[26] Stollenga，M.F.、Byeon，W.、Liwicki，M.和Schmidhuber，J.，并行多维LSTM，应用于快速生物医学体图像分割，NIPS’15 Proc。第28届国际会议《神经信息处理系统进展》（Montréal，Canada，2015），第2998-3006页。
[27] Szegedy，C.，Ioffe，S.，Vanhoucke，V.和Alemi，A.A.，《Inception-v4，Inception-resnet和残余联系对学习的影响》，AAAI’17 Proc。第31届AAAI人工智能大会（美国加利福尼亚州旧金山，2017年），第4278-4284页。
[28] Szegedy，C.，Liu，W.，Jia，Y.，Sermanet，P.，Reed，S.，Angelov，D.，Erhan，D.，Vanhoucke，V.和Rabinovich，A.，《卷积深入》，Proc。IEEE Conf.计算机视觉和模式识别（美国马萨诸塞州波士顿，2015），第1-9页。
[29] Thong，W.，Kadoury，S.，Piché，N.和Pal，C.J.，增强CT扫描中肾脏分割的卷积网络，计算机。方法生物技术。生物识别。工程：成像视力6（3）（2018）277-282。
[30] Tieleman，T.和Hinton，G.，讲座6.5-rmsprop：将梯度除以最近量级的运行平均值，课程：神经网络。机器学习。4（2）（2012）26-31。
[31] Vivanti，R.，Ephrat，A.，Joskowicz，L.，Lev-Cohain，N.，Karaslan，O.A.和Sosna，J.，《后续CT扫描中的肝脏肿瘤自动分割：初步方法和结果》，医学成像中基于补丁的技术国际研讨会（Springer，2015），第54-61页。
[32] X.Wu，迭代卷积神经网络算法改进电子显微镜图像分割，预印本（2015），arXiv:1506.05849。
[33] You，X.，Guo，W.，Yu，S.，Li，K.，Príncipe，J.C.和Tao，D.，动态纹理合成的内核学习，IEEE Trans。图像处理。25（10）（2016）4782-4795·兹比尔1408.94778
[34] You，X.，Ou，W.，Chen，C.L.P.，Li，Q.，Zu，Z.和Tang，Y.，用于降维的稳健非负补丁对齐，IEEE Trans。神经网络。学习。系统26（11）（2015）2760-2774。
[35] You，X.，Peng，Q.，Yuan，Y.，Cheung，Y.-M.和Lei，J.，使用径向投影和半监督方法分割视网膜血管，模式识别。44（10-11）（2011）2314-2324。
[36] S.Yu、R.Jenssen和J.C.Principe，《利用信息理论理解卷积神经网络训练》，预印本（2018），arXiv:1804.06537。
[37] Yu，L.，Yang，X.，Chen，H.，Qin，J.和Heng，P.-A.，三维mr图像前列腺自动分割的混合残余连接体积转换函数，AAAI’17 Proc。第31届AAAI人工智能大会（美国加利福尼亚州旧金山，2017），第66-72页。
[38] Zhao，Y.，You，X.，Yu，S.，Xu，C.，Yuan，W.，Jing，X.-Y.，Zhang，T.和Tao，D.，带位置对齐的多视图流形学习，模式识别78（2018）154-166。
[39] Zhou，S.、Wang，J.、Zhang，S.，Liang，Y.和Gong，Y.，基于局部和全局强度信息的医学图像分割活动轮廓模型，神经计算186（2016）107-118。
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。