复杂性gydF4y2Ba 复杂性gydF4y2Ba 1099 - 0526gydF4y2Ba 1076 - 2787gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2018/4185279gydF4y2Ba 4185279gydF4y2Ba 研究文章gydF4y2Ba 利用Interslice相关性对前列腺癌MRI图像分割,从递归神经网络方面gydF4y2Ba 朱gydF4y2Ba QikuigydF4y2Ba 1gydF4y2Ba http://orcid.org/0000 - 0001 - 9306 - 6962gydF4y2Ba 杜gydF4y2Ba 薄gydF4y2Ba 1gydF4y2Ba TurkbeygydF4y2Ba 巴里斯gydF4y2Ba 2gydF4y2Ba ChoykegydF4y2Ba 彼得gydF4y2Ba 2gydF4y2Ba 杨ydF4y2Ba PingkungydF4y2Ba 3gydF4y2Ba 李gydF4y2Ba 帮派gydF4y2Ba 1gydF4y2Ba 学校的电脑gydF4y2Ba 武汉大学gydF4y2Ba 武汉gydF4y2Ba 中国gydF4y2Ba whu.edu.cngydF4y2Ba 2gydF4y2Ba 国家癌症研究所gydF4y2Ba 美国国立卫生研究院的gydF4y2Ba 贝塞斯达gydF4y2Ba 医学博士gydF4y2Ba 美国gydF4y2Ba nih.govgydF4y2Ba 3gydF4y2Ba 生物医学工程部门gydF4y2Ba 伦斯勒理工学院gydF4y2Ba 特洛伊gydF4y2Ba 纽约12180gydF4y2Ba 美国gydF4y2Ba rpi.edugydF4y2Ba 2018年gydF4y2Ba 28gydF4y2Ba 2gydF4y2Ba 2018年gydF4y2Ba 2018年gydF4y2Ba 27gydF4y2Ba 08年gydF4y2Ba 2017年gydF4y2Ba 08年gydF4y2Ba 01gydF4y2Ba 2018年gydF4y2Ba 28gydF4y2Ba 2gydF4y2Ba 2018年gydF4y2Ba 2018年gydF4y2Ba 版权©2018 Qikui朱et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

分割前列腺癌的磁共振成像(MRI)在前列腺癌诊断中起着重要的作用。然而,缺乏明确的边界和前列腺癌的重要变化的形状和外表的自动分割非常具有挑战性。在过去的几年中,方法基于深度学习在前列腺分割技术取得了重大进展。然而,这些方法主要注重功能和上下文在每个单片3 d体积。结果,这种方法面临着许多困难当分段的顶端和基部前列腺由于有限的边界信息。为了解决这个问题,在本文中,我们提出一个深层神经网络与双向卷积复发性层核磁共振前列腺图像分割。除了利用intraslice上下文和特性,该模型也对前列腺切片数据序列和利用interslice上下文帮助细分。实验结果表明,该方法取得了显著地提高分割相比其他报道的方法。gydF4y2Ba

 中国国家自然科学基金gydF4y2Ba U1536204gydF4y2Ba 60473023gydF4y2Ba 61471274gydF4y2Ba 1。介绍gydF4y2Ba

准确地细分前列腺癌的磁共振成像(MRI)提供了非常有用的信息等临床应用计算机辅助诊断和图像引导干预措施(gydF4y2Ba 1gydF4y2Ba]。然而,这是一个非常具有挑战性的任务由于缺乏明确的边界定义和重大变化的形状和纹理图像不同患者(gydF4y2Ba 2gydF4y2Ba)如图gydF4y2Ba 1gydF4y2Ba。gydF4y2Ba

挑战分段前列腺先生图像。(一)成像膀胱内的工件。(b)弱边界。(c)复杂的强度分布。gydF4y2Ba

根据模型用于指导信息,我们可以将现有的前列腺癌MRI分割方法分为四类:基于区域,基于形状之前,基于轮廓和分类方法(gydF4y2Ba 3gydF4y2Ba- - - - - -gydF4y2Ba 5gydF4y2Ba]。托斯等。gydF4y2Ba 6gydF4y2Ba]提供了一个主动形状模型(ASM)初始化方案前列腺分割,利用多通道的信息来初始化ASM。Samiee et al。gydF4y2Ba 7gydF4y2Ba使用形状)提出了一个模型之前完善前列腺前列腺癌边界;克莱恩(gydF4y2Ba 8gydF4y2Ba)提出了一个自动分割模型,该模型是基于手动匹配分割地图图像。gydF4y2Ba

在过去的几年里,深度学习的基础技术,特别是完全卷积神经网络(FCNs),已被证明非常有效的图像分割(gydF4y2Ba 9gydF4y2Ba- - - - - -gydF4y2Ba 11gydF4y2Ba),包括生物医学图像分割。朱et al。gydF4y2Ba 12gydF4y2Ba)提出了一个深深的监督CNN,利用剩余信息准确地细分前列腺癌MRI。包和涌gydF4y2Ba 13gydF4y2Ba]引入了多尺度结构FCN模型脑MRI分割通过捕获歧视特征从输入补丁。深度学习引入生物医学图像分割的其他的例子可以发现在gydF4y2Ba 14gydF4y2Ba- - - - - -gydF4y2Ba 17gydF4y2Ba]。gydF4y2Ba

然而,一个简单的扩展的二维图像分割方法3 d可能并不会带来令人满意的性能,由于许多医学成像模式的各向异性性质。为了解决这个问题,陈等人。gydF4y2Ba 18gydF4y2Ba)提出了一个方法来把完全卷积神经网络与扩展的卷积长短期记忆(C-LSTM),改进的三维医学图像分割性能的同时利用FCNs和RNNs的抽象能力。然而,他们的模型依赖于所谓U-Net [gydF4y2Ba 18gydF4y2Ba)提取图像特征。下面的双向卷积LSTMs (BDC-LSTMs)只提取的特征。因此,协助图像分割可能会丢失有用的信息。gydF4y2Ba

前列腺细分任务,一个不可逾越的挑战是具体形象片在先端和基部总是失去了清晰的界限和必要的信息。这种现象使前列腺分割的主要困难。然而,形状之前是一个有效的方法来解决这一挑战。例如,秦et al。gydF4y2Ba 19gydF4y2Ba)提出了一种自适应形状之前限制定向水平集模型(ASPDLS)部分膀胱壁的内部和外部的界限,实现了准确的分割结果。出于收购的MRI图像通常intraslice分辨率和高之间存在空间相关性高片相同的病人,我们利用interslice指南之前作为形状特征提取的过程,探索从interslice必要信息以缓解信息丢失,如图gydF4y2Ba 2gydF4y2Ba。除了RNNs具有优越性能的架构建模序列数据(gydF4y2Ba 17gydF4y2Ba,gydF4y2Ba 20.gydF4y2Ba,gydF4y2Ba 21gydF4y2Ba]。提高前列腺分割的性能,在本文中,我们提出一个网络,称为UR-Net,可治疗前列腺切片数据序列,利用intraslice协助分割背景和特性。gydF4y2Ba

Interslice指南之前作为形状特征提取的过程。gydF4y2Ba

本文的贡献主要有两种。首先,我们对待前列腺切片数据序列,利用interslice指南之前作为形状特征提取的过程,探索从interslice必要信息。第二,我们探索的力量RNNs而不是传统的cnn提取图像特征。实验结果表明,使用RNNs可以大大提高前列腺分割的性能。gydF4y2Ba

剩下的纸是组织如下。递归神经网络的体系结构,提出了网络体系结构的细节描述的部分gydF4y2Ba 2gydF4y2Ba。部分gydF4y2Ba 3gydF4y2Ba给出了实验结果和性能评估。中提供的结论部分gydF4y2Ba 4gydF4y2Ba。gydF4y2Ba

 2。UR-NetgydF4y2Ba

在本节中,我们首先回顾经典的递归神经网络(RNNs),然后继续描述RNNs长短期记忆的扩展(LSTM) [gydF4y2Ba 22gydF4y2Ba)和卷积长期短期记忆(CLSTM) [gydF4y2Ba 18gydF4y2Ba特定的复发性神经网络)。之后,该UR-Net详细提出。gydF4y2Ba

2.1。递归神经网络(RNNs)gydF4y2Ba

递归神经网络(RNN)历史悠久的人工神经网络社区设计模型时间序列。典型的架构RNNs图所示gydF4y2Ba 3gydF4y2Ba。这个模型已经显示出巨大的希望在许多任务,例如NLP (gydF4y2Ba 23gydF4y2Ba)、non-Markovian控制和文本任务(gydF4y2Ba 24gydF4y2Ba]。RNNs背后的思想是利用顺序信息的输出是依赖于先前的计算。RNNs记忆,能记住的信息是目前计算。在理论gydF4y2Ba 25gydF4y2Ba],RNNs记得任意长度的信息序列,利用前面的计算,但在实践中它们仅限于回首只有几步远,因为梯度消失的问题。gydF4y2Ba

架构的复发性神经网络和递归神经网络展开成一个完整的网络。gydF4y2Ba xgydF4y2Ba tgydF4y2Ba 在时间步是输入吗gydF4y2Ba tgydF4y2Ba 。gydF4y2Ba hgydF4y2Ba tgydF4y2Ba 在时间步是隐藏的状态吗gydF4y2Ba tgydF4y2Ba ,这是网络的“记忆”。gydF4y2Ba ygydF4y2Ba tgydF4y2Ba 在时间步是输出吗gydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

在每个时间步gydF4y2Ba tgydF4y2Ba ,RNNs利用输入数据gydF4y2Ba xgydF4y2Ba tgydF4y2Ba 和前一个隐藏的状态gydF4y2Ba hgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba 计算下一个隐藏的状态gydF4y2Ba hgydF4y2Ba tgydF4y2Ba 和输出gydF4y2Ba ygydF4y2Ba tgydF4y2Ba 通过应用下面的递归操作:gydF4y2Ba (1)gydF4y2Ba hgydF4y2Ba tgydF4y2Ba =gydF4y2Ba fgydF4y2Ba hgydF4y2Ba WgydF4y2Ba hgydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba UgydF4y2Ba hgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba bgydF4y2Ba hgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba tgydF4y2Ba =gydF4y2Ba fgydF4y2Ba ogydF4y2Ba WgydF4y2Ba ogydF4y2Ba hgydF4y2Ba tgydF4y2Ba +gydF4y2Ba bgydF4y2Ba ogydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba fgydF4y2Ba 以聪明元素非线性函数;gydF4y2Ba WgydF4y2Ba hgydF4y2Ba ,gydF4y2Ba UgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba hgydF4y2Ba 的参数是隐藏状态;gydF4y2Ba WgydF4y2Ba ogydF4y2Ba 和gydF4y2Ba bgydF4y2Ba ogydF4y2Ba 输出参数。gydF4y2Ba

在过去的十年中,已经探索了几种方法训练RNNs,如反向传播通过时间(BPTT) [gydF4y2Ba 26gydF4y2Ba),实时周期性学习(RTRL) [gydF4y2Ba 27gydF4y2Ba,基于扩展卡尔曼滤波(EKF)技术(gydF4y2Ba 28gydF4y2Ba]。虽然这些训练方法可以帮助我们训练RNNs,他们遭受消失梯度问题。gydF4y2Ba

 2.2。长短期记忆(LSTM)gydF4y2Ba

解决的问题消失梯度和长期依赖驻留在RNNs [gydF4y2Ba 29日gydF4y2BaRNN的),一个特殊的实现,长期短期记忆(LSTM),介绍了[的Hochreiter和。施密德胡贝尔表示gydF4y2Ba 22gydF4y2Ba]。LSTM如图的架构gydF4y2Ba 4gydF4y2Ba。gydF4y2Ba

体系结构的短期记忆。gydF4y2Ba

一个LSTM单元由一个输入通道(gydF4y2Ba 我gydF4y2Ba ),一个忘记门(gydF4y2Ba fgydF4y2Ba ),一个输出门(gydF4y2Ba ogydF4y2Ba ),和一个存储单元(gydF4y2Ba cgydF4y2Ba ),拥有的能力记住或遗忘的信息可能很长一段时间。输入通道和控制了细胞输入数据到内存中。忘记门决定什么样的信息我们要扔掉形成记忆细胞。门的输出决定哪些部分的数据存储单元的输出,同时控制输出数据流进其他的网络。gydF4y2Ba

LSTM的步骤可以描述如下:gydF4y2Ba (gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba 的第一步LSTM模型对应于(gydF4y2Ba 2gydF4y2Ba),是决定哪些信息应该从输入数据被丢弃。这个决定是由忘记门;忘记门的体系结构如图gydF4y2Ba 5gydF4y2Ba。忘记门具有遗忘层由一个s形的函数。获取数据时从之前的阶段gydF4y2Ba hgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba 和输入数据gydF4y2Ba xgydF4y2Ba tgydF4y2Ba ,乙状结肠函数输出一个数字0或1的每个数据单元的状态gydF4y2Ba CgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba ,0代表完全把它扔掉,而1代表存储它。gydF4y2Ba (2)gydF4y2Ba fgydF4y2Ba tgydF4y2Ba =gydF4y2Ba σgydF4y2Ba WgydF4y2Ba fgydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba UgydF4y2Ba fgydF4y2Ba hgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba bgydF4y2Ba fgydF4y2Ba 。gydF4y2Ba

架构LSTM忘记门的。gydF4y2Ba

(gydF4y2Ba 2gydF4y2Ba )gydF4y2Ba 第二步是决定什么新的信息我们应该存储单元中。输入门由一个s形的函数和双曲正切函数,如图gydF4y2Ba 6gydF4y2Ba。当输入门收到一个新的数据时,乙状结肠函数决定什么样的价值观将被更新和双曲正切函数创建一个候选人值gydF4y2Ba ggydF4y2Ba tgydF4y2Ba ,这些操作对应于(gydF4y2Ba 3gydF4y2Ba)。最后,输入门控制候选人值更新细胞状态。gydF4y2Ba (3)gydF4y2Ba 我gydF4y2Ba tgydF4y2Ba =gydF4y2Ba σgydF4y2Ba WgydF4y2Ba 我gydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba UgydF4y2Ba 我gydF4y2Ba hgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba bgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba tgydF4y2Ba =gydF4y2Ba 双曲正切gydF4y2Ba ⁡gydF4y2Ba WgydF4y2Ba ggydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba UgydF4y2Ba ggydF4y2Ba hgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba bgydF4y2Ba ggydF4y2Ba 。gydF4y2Ba

在LSTM架构输入的门。gydF4y2Ba

(gydF4y2Ba 3gydF4y2Ba )gydF4y2Ba 当我们得到信息来自忘记门和输入门,我们可以利用(gydF4y2Ba 4gydF4y2Ba)更新细胞状态。这个操作可以下降一些无用的信息。gydF4y2Ba (4)gydF4y2Ba cgydF4y2Ba tgydF4y2Ba =gydF4y2Ba fgydF4y2Ba tgydF4y2Ba ∘gydF4y2Ba cgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba 我gydF4y2Ba tgydF4y2Ba ∘gydF4y2Ba ggydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

(gydF4y2Ba 4gydF4y2Ba )gydF4y2Ba 第四步是决定我们应该输出什么信息是基于细胞状态。最终结果由两部分组成,第一部分来自细胞状态选择一个双曲正切函数。第二部分将来自输入数据选择一个s形的函数。门图所示的输出gydF4y2Ba 7gydF4y2Ba和计算方法gydF4y2Ba (5)gydF4y2Ba ogydF4y2Ba tgydF4y2Ba =gydF4y2Ba σgydF4y2Ba WgydF4y2Ba ogydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba UgydF4y2Ba ogydF4y2Ba hgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba bgydF4y2Ba ogydF4y2Ba ,gydF4y2Ba hgydF4y2Ba tgydF4y2Ba =gydF4y2Ba ogydF4y2Ba tgydF4y2Ba ∘gydF4y2Ba 双曲正切gydF4y2Ba ⁡gydF4y2Ba cgydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

建筑在LSTM输出的门。gydF4y2Ba

把这些放在一起,盖茨在离散时间gydF4y2Ba tgydF4y2Ba (gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba )gydF4y2Ba 计算如下:gydF4y2Ba (6)gydF4y2Ba 我gydF4y2Ba tgydF4y2Ba =gydF4y2Ba σgydF4y2Ba WgydF4y2Ba 我gydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba UgydF4y2Ba 我gydF4y2Ba hgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba bgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba fgydF4y2Ba tgydF4y2Ba =gydF4y2Ba σgydF4y2Ba WgydF4y2Ba fgydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba UgydF4y2Ba fgydF4y2Ba hgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba bgydF4y2Ba fgydF4y2Ba ,gydF4y2Ba ogydF4y2Ba tgydF4y2Ba =gydF4y2Ba σgydF4y2Ba WgydF4y2Ba ogydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba UgydF4y2Ba ogydF4y2Ba hgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba bgydF4y2Ba ogydF4y2Ba ,gydF4y2Ba ggydF4y2Ba tgydF4y2Ba =gydF4y2Ba 双曲正切gydF4y2Ba ⁡gydF4y2Ba WgydF4y2Ba ggydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba UgydF4y2Ba ggydF4y2Ba hgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba bgydF4y2Ba ggydF4y2Ba ,gydF4y2Ba cgydF4y2Ba tgydF4y2Ba =gydF4y2Ba fgydF4y2Ba tgydF4y2Ba ∘gydF4y2Ba cgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba 我gydF4y2Ba tgydF4y2Ba ∘gydF4y2Ba ggydF4y2Ba tgydF4y2Ba ,gydF4y2Ba hgydF4y2Ba tgydF4y2Ba =gydF4y2Ba ogydF4y2Ba tgydF4y2Ba ∘gydF4y2Ba 双曲正切gydF4y2Ba ⁡gydF4y2Ba cgydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

标准LSTM架构只是为一维数据而设计的。它不能直接应用于2 d图像数据。应用LSTM在前列腺图像,在我们的模型中,我们应用卷积LSTM (CLSTM)卷积层。这可以通过使用一个卷积算子替换矩阵乘法。核心CLSTM方程给出gydF4y2Ba (7)gydF4y2Ba 我gydF4y2Ba tgydF4y2Ba dgydF4y2Ba =gydF4y2Ba σgydF4y2Ba WgydF4y2Ba 我gydF4y2Ba dgydF4y2Ba ∗gydF4y2Ba xgydF4y2Ba tgydF4y2Ba dgydF4y2Ba +gydF4y2Ba UgydF4y2Ba 我gydF4y2Ba dgydF4y2Ba hgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba dgydF4y2Ba +gydF4y2Ba bgydF4y2Ba 我gydF4y2Ba dgydF4y2Ba ,gydF4y2Ba fgydF4y2Ba tgydF4y2Ba dgydF4y2Ba =gydF4y2Ba σgydF4y2Ba WgydF4y2Ba fgydF4y2Ba dgydF4y2Ba ∗gydF4y2Ba xgydF4y2Ba tgydF4y2Ba dgydF4y2Ba +gydF4y2Ba UgydF4y2Ba fgydF4y2Ba dgydF4y2Ba hgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba dgydF4y2Ba +gydF4y2Ba bgydF4y2Ba fgydF4y2Ba dgydF4y2Ba ,gydF4y2Ba ogydF4y2Ba tgydF4y2Ba dgydF4y2Ba =gydF4y2Ba σgydF4y2Ba WgydF4y2Ba ogydF4y2Ba dgydF4y2Ba ∗gydF4y2Ba xgydF4y2Ba tgydF4y2Ba dgydF4y2Ba +gydF4y2Ba UgydF4y2Ba ogydF4y2Ba dgydF4y2Ba hgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba dgydF4y2Ba +gydF4y2Ba bgydF4y2Ba ogydF4y2Ba dgydF4y2Ba ,gydF4y2Ba ggydF4y2Ba tgydF4y2Ba dgydF4y2Ba =gydF4y2Ba 双曲正切gydF4y2Ba ⁡gydF4y2Ba WgydF4y2Ba ggydF4y2Ba dgydF4y2Ba ∗gydF4y2Ba xgydF4y2Ba tgydF4y2Ba dgydF4y2Ba +gydF4y2Ba UgydF4y2Ba ggydF4y2Ba dgydF4y2Ba hgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba dgydF4y2Ba +gydF4y2Ba bgydF4y2Ba ggydF4y2Ba dgydF4y2Ba ,gydF4y2Ba cgydF4y2Ba tgydF4y2Ba dgydF4y2Ba =gydF4y2Ba fgydF4y2Ba tgydF4y2Ba dgydF4y2Ba ∘gydF4y2Ba cgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba dgydF4y2Ba +gydF4y2Ba 我gydF4y2Ba tgydF4y2Ba dgydF4y2Ba ∘gydF4y2Ba ggydF4y2Ba tgydF4y2Ba dgydF4y2Ba ,gydF4y2Ba hgydF4y2Ba tgydF4y2Ba dgydF4y2Ba =gydF4y2Ba ogydF4y2Ba tgydF4y2Ba ∘gydF4y2Ba 双曲正切gydF4y2Ba ⁡gydF4y2Ba cgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba (gydF4y2Ba ∗gydF4y2Ba )gydF4y2Ba 表示卷积算子和gydF4y2Ba hgydF4y2Ba 是输出层;gydF4y2Ba dgydF4y2Ba 表示这一事实CLSTM作品在某些方向一片一片。gydF4y2Ba

 2.3。提出的网络体系结构gydF4y2Ba

为了有效地利用interslice信息,我们引入一个双向卷积LSTM (BDC-LSTM)层深度学习网络。BDC-LSTM层由两套CLSTMs提取功能如图gydF4y2Ba 8gydF4y2Ba。两个CLSTM流工作在两个相反的方向。而不是每个前列腺映像序列化成连续的补丁,然后利用双向LSTM段每个补丁,在我们的方法中,我们把每个图像作为一个整体和三个相邻图像片组成一个序列。gydF4y2Ba

BDC-LSTM的架构。一个BDC-LSTM层包含两层CLSTM工作在两个相反的方向。一个来自gydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 来gydF4y2Ba xgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba 和其他的gydF4y2Ba xgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba 来gydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 。结果两个CLSTM层连接在一起作为输入的下一层。gydF4y2Ba

当我们把一个图像序列用gydF4y2Ba xgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 到BDC-LSTM层如图gydF4y2Ba 8gydF4y2Ba层将利用interslice和intraslice信息提取前列腺功能。首先,第一片层提取的gydF4y2Ba xgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba 特性。然后的结果gydF4y2Ba xgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba 和gydF4y2Ba xgydF4y2Ba tgydF4y2Ba 之前将被视为一个形状结合后片吗gydF4y2Ba xgydF4y2Ba tgydF4y2Ba 和gydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 作为输入来指导依次细分的过程。同时每个片层将提取的特征从相反的方向gydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 来gydF4y2Ba xgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba ,最后将两种不同特性的地图联系在一起作为输入的下一层。gydF4y2Ba

我们提出了网络体系结构如图gydF4y2Ba 10gydF4y2Ba。我们的方法遵循的主要框架的架构U-Net [gydF4y2Ba 30.gydF4y2Ba),因为U-Net可以成功地提取图像特征与一个合理的网络深度细分。事实上,U-Net取得先进的性能在许多生物医学图像处理任务。例如,Milletari et al。gydF4y2Ba 31日gydF4y2Ba)提出了体积完全卷积神经网络医学图像分割,称为V-Net。该模型利用U-Net处理核磁共振的力量卷。U-Net如图的架构gydF4y2Ba 9gydF4y2Ba。gydF4y2Ba

U-Net的体系结构。gydF4y2Ba

提出了网络的体系结构。gydF4y2Ba

提出的网络体系结构由承包路径在左边,右边的路径,和分类路径在下面。承包路径和广阔的路径具有四个阶段,每个阶段由一个BDC-LSTM层。网络一个年底softmax层是补充道。在缔约阶段,gydF4y2Ba 2gydF4y2Ba ×gydF4y2Ba 2gydF4y2Ba 马克斯池操作2是附加的步伐将采样和渠道的数量特性是每个阶段后翻了一倍。在对面,在广阔的舞台上,第一步是upsampling,使得每次特征图的宽度和高度翻倍,直到他们达到原始图像的大小。同时,upsampling也半通道的数量特征。在卷积来减少信息损失,连接从左承包路径右广阔的道路。连接可以提供特性提取从早期到晚期,也可以加快网络的收敛。为了避免过度拟合,辍学操作已经添加在每个阶段的结束。gydF4y2Ba

 2.4。网络目标函数gydF4y2Ba

前列腺图像,解剖学的兴趣通常占据了一个非常小的一个图像的一部分。这带来的问题,网络总是忽略分割部分,成为偏向于背景。这经常导致学习过程陷入局部最小值。为了克服这个问题,我们运用骰子系数作为目标函数。骰子系数函数可以更多关注细分部分的影响。骰子系数(DSC) [gydF4y2Ba 19gydF4y2Ba)函数可以写成两个图像gydF4y2Ba (8)gydF4y2Ba DSCgydF4y2Ba 年代gydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 2gydF4y2Ba 年代gydF4y2Ba 一个gydF4y2Ba ∩gydF4y2Ba 年代gydF4y2Ba 米gydF4y2Ba 年代gydF4y2Ba 一个gydF4y2Ba +gydF4y2Ba 年代gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 年代gydF4y2Ba 一个gydF4y2Ba 表示自动分割的结果gydF4y2Ba 年代gydF4y2Ba 米gydF4y2Ba 表示手动分割的结果。gydF4y2Ba

在我们的工作中,地面真理和分割的结果是二进制图像,所以骰子系数DSC可以写成两个二进制图像gydF4y2Ba (9)gydF4y2Ba DSCgydF4y2Ba =gydF4y2Ba 2gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba NgydF4y2Ba pgydF4y2Ba 我gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba NgydF4y2Ba pgydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba +gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba NgydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba 表示图像中像素的总数,和gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 分别表示像素从地面真理和分割。gydF4y2Ba

这种配方的骰子可以分化产生梯度:gydF4y2Ba (10)gydF4y2Ba ∂gydF4y2Ba DgydF4y2Ba ∂gydF4y2Ba pgydF4y2Ba jgydF4y2Ba =gydF4y2Ba 2gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba NgydF4y2Ba pgydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba +gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba NgydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba - - - - - -gydF4y2Ba 2gydF4y2Ba pgydF4y2Ba jgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba NgydF4y2Ba pgydF4y2Ba 我gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba NgydF4y2Ba pgydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba +gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba NgydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba 此外,Milletari et al。gydF4y2Ba 31日gydF4y2Ba)已经证明DSC比相同网络训练与物流克服局部最小值的网络陷阱的损失。gydF4y2Ba

 3所示。实验结果gydF4y2Ba 3.1。材料gydF4y2Ba

前列腺癌MRI图像用于我们的工作,如图gydF4y2Ba 11gydF4y2Ba从80例患者使用飞利浦收购3 t磁共振扫描仪endorectal线圈。平面分辨率0.3毫米×0.3毫米,interslice距离是3毫米。每个病人图像体积由大约26片。每个2 d片的尺寸是512×512像素。gydF4y2Ba

前列腺癌MRI图像的一部分。gydF4y2Ba

 3.2。培训策略gydF4y2Ba

我们随机选择76例患者80例为培训和其他病人用于测试。在培训中,我们把三个连续片用gydF4y2Ba xgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 从一个病人到网络。然后BDC-LSTM层利用intraslice interslice上下文信息,可以从两个方向之一gydF4y2Ba zgydF4y2Ba - - - - - -gydF4y2Ba 和其他方向gydF4y2Ba zgydF4y2Ba +gydF4y2Ba 方向如图gydF4y2Ba 12gydF4y2Ba。我们的网络是训练有素的端到端前列腺扫描数据集。和网络框架下实现开源深度学习图书馆Keras [gydF4y2Ba 32gydF4y2Ba]。实验是进行GTX1080 GPU 8 GB的视频内存和CUDA版是8.0。在训练阶段,最初学习速率设置为0.0001。由于内存的限制,我们选择mini-batch 1。和所有的训练图像和地面真理已经调整到256×256。gydF4y2Ba

的gydF4y2Ba zgydF4y2Ba - - - - - -gydF4y2Ba 方向和gydF4y2Ba zgydF4y2Ba +gydF4y2Ba 方向。gydF4y2Ba

 3.3。实验gydF4y2Ba

验证是否RNN的深层神经网络层可以显著提高分割的准确性,我们还修改FCNs利用在FCNs BDC-LSTM层代替卷积层。这些测试伴随着相应的地面实况图像分割图这是一个二进制图像,用于评估自动分割的性能。最后,我们比较模型与U-Net, V-Net [gydF4y2Ba 31日gydF4y2Ba),完全卷积网络(FCNs), FCNs修改。的部分分割我们的网络图所示的结果gydF4y2Ba 13gydF4y2Ba。gydF4y2Ba

部分前列腺癌MRI图像分割结果。红色和绿色线表示地面真理和UR-Net的结果。gydF4y2Ba

 3.3.1。定性的比较gydF4y2Ba

从分割结果,我们选择一些代表性和具有挑战性的图像,具有模糊边界和像素强度分布不均匀的内外。此外,前列腺和nonprostate地区这些图像都有类似的强度分布如图gydF4y2Ba 14gydF4y2Ba。gydF4y2Ba

分割结果。从左到右是原始图像,地面真理,FCNs的分割结果,U-Net, V-Net,修改FCNs, UR-Net。gydF4y2Ba

在第三列,FCNs只能检测和段前列腺的一部分。分割的结果是不准确的,因为FCNs模型已分配标签一小块而不是每个像素。此外,FCNs忽略边界信息。所以FCNs模型不能直接用于前列腺分割问题。gydF4y2Ba

如第四列所示,U-Net比FCNs模型有更精确的分割结果。因为U-Net分配每个标签每个像素和U-Net的体系结构可以提高信息传播到整个网络,提高网络性能,在切片的先端和基部缺乏明确的边界和完整的结构,该模型不能准确段前列腺。gydF4y2Ba

修改的结果FCNs第五列所示。与原始FCNs相比,改性FCNs更准确的分割结果。从结果中,我们可以看到修改FCNs可以检测更多的前列腺癌前片信息的指导下。改善修改FCNs可以归因于BDC-LSTM的体系结构的优越性。与传统的卷积层相比,BDC-LSTM层可以获得从相邻切片失去信息,提高网络的性能。gydF4y2Ba

第六列显示V-Net的结果。FCNs和U-Net相比,V-Net可以充分利用3 d体积数据的空间信息。然而,由于有限的数据和内存,每一次,V-Net只能接收本地卷;这导致V-Net无法获得全球信息。从图gydF4y2Ba 14gydF4y2Ba,我们可以看到,前列腺边界失去连续性和曲率。gydF4y2Ba

结果UR-Net第七列所示。我们可以观察到前列腺分割模型实现最好的结果。这可以归因于这样一个事实:前列腺癌序列扫描可以提供更多的信息比一个片。和模型利用interslice信息援助分割过程。gydF4y2Ba

 3.3.2。定量比较gydF4y2Ba

定量评价分割结果,计算分割结果从三个方面如表所示gydF4y2Ba 1gydF4y2Ba包括均值、最大值、和中位数DSC值。从表gydF4y2Ba 1gydF4y2Ba,可以看出我们的模型获得了最高成绩在所有的方法。这表明与BDC-LSTM深层神经网络层可以获得承诺改善前列腺癌MRI图像分割。此外,修改FCNs获得更准确的分割结果与原始FCNs相比。这个改进应该归因于BDC-LSTM层的优越性,它利用interslice指南之前作为形状特征提取的过程,探索从interslice必要信息以缓解信息丢失,最终改善分割结果。gydF4y2Ba

细分方法的定量评价结果。gydF4y2Ba

方法gydF4y2Ba DSC的价值观gydF4y2Ba
的意思是gydF4y2Ba 最大gydF4y2Ba 中位数gydF4y2Ba
UR-NetgydF4y2Ba 0.9361gydF4y2Ba 0.9772gydF4y2Ba 0.9413gydF4y2Ba
修改FCNsgydF4y2Ba 0.9047gydF4y2Ba 0.9428gydF4y2Ba 0.9143gydF4y2Ba
V-NetgydF4y2Ba 0.9180gydF4y2Ba 0.9642gydF4y2Ba 0.9380gydF4y2Ba
U-NetgydF4y2Ba 0.9197gydF4y2Ba 0.9684gydF4y2Ba 0.9402gydF4y2Ba
FCNsgydF4y2Ba 0.8489gydF4y2Ba 0.9128gydF4y2Ba 0.8571gydF4y2Ba
4所示。结论gydF4y2Ba

在本文中,我们提出一个深层神经网络与RNNs层核磁共振前列腺图像分割。与传统的方法不同,我们治疗前列腺扫描序列数据。除了当地的特性,我们还利用interslice信息援助前列腺分割。在该网络中,我们把三个相邻切片放到网络。然后网络提取intraslice上下文之前的指导下从不同的相邻切片分割结果。连接两个不同的特征映射来自顺序相反的方向在一起可以减轻功能丢失。广泛的前列腺癌MRI图像数据集上实验结果表明,该模型比最先进的卷积神经网络实现更好的性能。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突有关的出版。gydF4y2Ba

 确认gydF4y2Ba

这项工作是支持部分由中国国家自然科学基金资助下U1536204, 60473023, 61471274。作者要感谢英伟达公司捐赠的泰坦Xp GPU用于这项研究。gydF4y2Ba

 龚gydF4y2Ba lgydF4y2Ba 帕沙克gydF4y2Ba s D。gydF4y2Ba HaynorgydF4y2Ba d·R。gydF4y2Ba 赵gydF4y2Ba p S。gydF4y2Ba 金gydF4y2Ba Y。gydF4y2Ba 参数化形状建模使用变形Superellipses前列腺分割gydF4y2Ba IEEE医学成像gydF4y2Ba 2004年gydF4y2Ba 23gydF4y2Ba 3gydF4y2Ba 340年gydF4y2Ba 349年gydF4y2Ba 2 - s2.0 - 1642329942gydF4y2Ba 10.1109 / TMI.2004.824237gydF4y2Ba 道林gydF4y2Ba J。gydF4y2Ba 南卡罗来纳州弗瑞波gydF4y2Ba J。gydF4y2Ba 格里尔gydF4y2Ba P。gydF4y2Ba OurselingydF4y2Ba 年代。gydF4y2Ba SalvadogydF4y2Ba O。gydF4y2Ba 自动atlas-based前列腺的分割:2009 miccai前列腺细分条目的挑战gydF4y2Ba 医学影像计算和计算机辅助干预gydF4y2Ba 2009年gydF4y2Ba 吴gydF4y2Ba J。gydF4y2Ba 蔡gydF4y2Ba Z。gydF4y2Ba 高gydF4y2Ba Z。gydF4y2Ba 动态K-nearest-neighbor随着距离的分类和属性加权gydF4y2Ba 学报2010电子与信息工程国际会议上,ICEIE 2010gydF4y2Ba 2010年8月gydF4y2Ba 日本京都gydF4y2Ba V1356gydF4y2Ba V1360gydF4y2Ba 10.1109 / ICEIE.2010.5559858gydF4y2Ba 2 - s2.0 - 78049343293gydF4y2Ba 吴gydF4y2Ba J。gydF4y2Ba 蔡gydF4y2Ba Z。gydF4y2Ba 朱gydF4y2Ba X。gydF4y2Ba 自适应概率估计朴素贝叶斯分类gydF4y2Ba 《2013国际联合神经网络会议上,IJCNN 2013gydF4y2Ba 2013年8月gydF4y2Ba 美国达拉斯,TXgydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba 10.1109 / IJCNN.2013.6707028gydF4y2Ba 2 - s2.0 - 84893519560gydF4y2Ba 吴gydF4y2Ba J。gydF4y2Ba 锅gydF4y2Ba 年代。gydF4y2Ba 朱gydF4y2Ba X。gydF4y2Ba 张gydF4y2Ba C。gydF4y2Ba 余gydF4y2Ba p S。gydF4y2Ba 多个结构视图图分类学习gydF4y2Ba IEEE神经网络和学习系统gydF4y2Ba 2017年gydF4y2Ba 页gydF4y2Ba 99年gydF4y2Ba 1gydF4y2Ba 16gydF4y2Ba 10.1109 / TNNLS.2017.2703832gydF4y2Ba 托斯gydF4y2Ba R。gydF4y2Ba 女子gydF4y2Ba P。gydF4y2Ba 罗森gydF4y2Ba M。gydF4y2Ba 里德gydF4y2Ba G。gydF4y2Ba KurhanewiczgydF4y2Ba J。gydF4y2Ba KalyanpurgydF4y2Ba 一个。gydF4y2Ba PungavkargydF4y2Ba 年代。gydF4y2Ba MadabhushigydF4y2Ba 一个。gydF4y2Ba 核磁共振光谱学驱动初始化方案基于主动形状模型的前列腺分割gydF4y2Ba 医学图像分析gydF4y2Ba 2011年gydF4y2Ba 15gydF4y2Ba 2gydF4y2Ba 214年gydF4y2Ba 225年gydF4y2Ba 2 - s2.0 - 79851508419gydF4y2Ba 10.1016 / j.media.2010.09.002gydF4y2Ba SamieegydF4y2Ba M。gydF4y2Ba 托马斯。gydF4y2Ba G。gydF4y2Ba Fazel-RezaigydF4y2Ba R。gydF4y2Ba 先生的前列腺半自动分割图像基于流动取向gydF4y2Ba IEEE国际研讨会信号处理和信息技术gydF4y2Ba 2006年gydF4y2Ba 203年gydF4y2Ba 207年gydF4y2Ba 10.1109 / ISSPIT.2006.270797gydF4y2Ba 2 - s2.0 - 44449147879gydF4y2Ba 克莱因gydF4y2Ba 年代。gydF4y2Ba 自动分割前列腺癌的3 d图像由阿特拉斯先生使用局部互信息匹配gydF4y2Ba 医学物理学gydF4y2Ba 2008年gydF4y2Ba 35gydF4y2Ba 4gydF4y2Ba 1407年gydF4y2Ba 1417年gydF4y2Ba 10.1118/1.2842076gydF4y2Ba 2 - s2.0 - 41449115925gydF4y2Ba 窦gydF4y2Ba Q。gydF4y2Ba 陈gydF4y2Ba H。gydF4y2Ba 金gydF4y2Ba Y。gydF4y2Ba 余gydF4y2Ba lgydF4y2Ba 秦gydF4y2Ba J。gydF4y2Ba 恒gydF4y2Ba 中国。gydF4y2Ba 3 d深深监督网络从CT肝脏自动分割卷gydF4y2Ba 医学影像计算和计算机辅助干预gydF4y2Ba 2016年gydF4y2Ba 10.1007 / 978 - 3 - 319 - 46723 - 8 - _18gydF4y2Ba 2 - s2.0 - 84996523875gydF4y2Ba 傅gydF4y2Ba H。gydF4y2Ba 徐gydF4y2Ba Y。gydF4y2Ba 林gydF4y2Ba 年代。gydF4y2Ba 黄gydF4y2Ba d . w . K。gydF4y2Ba 刘gydF4y2Ba J。gydF4y2Ba 视网膜血管分割DeepVessel:通过深度学习和条件随机场gydF4y2Ba 医学影像计算和计算机辅助干预gydF4y2Ba 2016年gydF4y2Ba 10.1007 / 978 - 3 - 319 - 46723 - 8 - _16gydF4y2Ba 杨gydF4y2Ba H。gydF4y2Ba 太阳gydF4y2Ba J。gydF4y2Ba 李gydF4y2Ba H。gydF4y2Ba 王gydF4y2Ba lgydF4y2Ba 徐gydF4y2Ba Z。gydF4y2Ba 深度融合净multi-atlas细分:应用心脏MR图像gydF4y2Ba 医学影像计算和计算机辅助干预gydF4y2Ba 2016年gydF4y2Ba 10.1007 / 978 - 3 - 319 - 46723 - 8 - _60gydF4y2Ba 2 - s2.0 - 84996602227gydF4y2Ba 朱gydF4y2Ba Q。gydF4y2Ba 杜gydF4y2Ba B。gydF4y2Ba TurkbeygydF4y2Ba B。gydF4y2Ba ChoykegydF4y2Ba p . L。gydF4y2Ba 杨ydF4y2Ba P。gydF4y2Ba Deeply-supervised CNN对前列腺分割gydF4y2Ba 《2017国际联合神经网络会议上,IJCNN 2017gydF4y2Ba 2017年5月gydF4y2Ba 美国安克雷奇,正义与发展党gydF4y2Ba 178年gydF4y2Ba 184年gydF4y2Ba 10.1109 / IJCNN.2017.7965852gydF4y2Ba 2 - s2.0 - 85027216160gydF4y2Ba 保gydF4y2Ba 年代。gydF4y2Ba 钟gydF4y2Ba a·c·S。gydF4y2Ba 多尺度结构与标签一致性CNN脑部MR图像分割gydF4y2Ba 计算机方法在生物力学和生物医学工程:成像和可视化gydF4y2Ba 2016年gydF4y2Ba 1gydF4y2Ba 5gydF4y2Ba 2 - s2.0 - 85006202032gydF4y2Ba 10.1080 / 21681163.2016.1182072gydF4y2Ba 弗里奇gydF4y2Ba K。gydF4y2Ba RaudaschlgydF4y2Ba P。gydF4y2Ba ZaffinogydF4y2Ba P。gydF4y2Ba SpadeagydF4y2Ba m F。gydF4y2Ba 锋利的gydF4y2Ba g . C。gydF4y2Ba 舒伯特gydF4y2Ba R。gydF4y2Ba 深层神经网络快速三维医学图像的分割gydF4y2Ba 医学影像计算和计算机辅助干预gydF4y2Ba 2016年gydF4y2Ba 10.1007 / 978 - 3 - 319 - 46723 - 8 - _19gydF4y2Ba 2 - s2.0 - 84996600285gydF4y2Ba 黄gydF4y2Ba H。gydF4y2Ba 胡gydF4y2Ba X。gydF4y2Ba 赵gydF4y2Ba Y。gydF4y2Ba MakkiegydF4y2Ba M。gydF4y2Ba 越南盾gydF4y2Ba Q。gydF4y2Ba 赵gydF4y2Ba 年代。gydF4y2Ba 郭gydF4y2Ba lgydF4y2Ba 刘gydF4y2Ba T。gydF4y2Ba 通过深卷积Autoencoder建模任务功能磁共振成像数据gydF4y2Ba IEEE医学成像gydF4y2Ba 2017年gydF4y2Ba 2 - s2.0 - 85023184030gydF4y2Ba 10.1109 / TMI.2017.2715285gydF4y2Ba LvgydF4y2Ba J。gydF4y2Ba 林gydF4y2Ba B。gydF4y2Ba 张gydF4y2Ba W。gydF4y2Ba 江gydF4y2Ba X。gydF4y2Ba 胡gydF4y2Ba X。gydF4y2Ba 汉gydF4y2Ba J。gydF4y2Ba 郭gydF4y2Ba lgydF4y2Ba 叶gydF4y2Ba J。gydF4y2Ba 刘gydF4y2Ba T。gydF4y2Ba 基于监督任务功能磁共振成像数据分析随机坐标编码gydF4y2Ba 医学图像分析gydF4y2Ba 2017年gydF4y2Ba 38gydF4y2Ba 1gydF4y2Ba 16gydF4y2Ba 10.1007 / 978 - 3 - 319 - 24553 - 9 - _30gydF4y2Ba 谢gydF4y2Ba Y。gydF4y2Ba 张gydF4y2Ba Z。gydF4y2Ba 萨普克塔gydF4y2Ba M。gydF4y2Ba 杨gydF4y2Ba lgydF4y2Ba 空间发条递归神经网络对肌肉的肌束膜分割gydF4y2Ba 医学影像计算和计算机辅助干预gydF4y2Ba 2016年gydF4y2Ba 10.1007 / 978 - 3 - 319 - 46723 - 8 - _22gydF4y2Ba 2 - s2.0 - 84996598758gydF4y2Ba 陈gydF4y2Ba J。gydF4y2Ba 杨gydF4y2Ba lgydF4y2Ba 张gydF4y2Ba Y。gydF4y2Ba 阿尔伯gydF4y2Ba m . S。gydF4y2Ba 陈gydF4y2Ba d . Z。gydF4y2Ba 结合完全卷积和复发性神经网络对3 d生物医学图像分割gydF4y2Ba 在少量的诉讼gydF4y2Ba 2016年gydF4y2Ba 美国剑桥,马gydF4y2Ba 麻省理工学院出版社gydF4y2Ba 秦gydF4y2Ba X。gydF4y2Ba 李gydF4y2Ba X。gydF4y2Ba 刘gydF4y2Ba Y。gydF4y2Ba 陆gydF4y2Ba H。gydF4y2Ba 杨ydF4y2Ba P。gydF4y2Ba 自适应形状先验约束水平集图像分割先生膀胱gydF4y2Ba IEEE生物医学和卫生信息学杂志》上gydF4y2Ba 2014年gydF4y2Ba 18gydF4y2Ba 5gydF4y2Ba 1707年gydF4y2Ba 1716年gydF4y2Ba 10.1109 / jbhi.2013.2288935gydF4y2Ba 2 - s2.0 - 84917679292gydF4y2Ba DipietrogydF4y2Ba R。gydF4y2Ba LeagydF4y2Ba C。gydF4y2Ba MalpanigydF4y2Ba 一个。gydF4y2Ba AhmidigydF4y2Ba N。gydF4y2Ba VedulagydF4y2Ba 美国年代。gydF4y2Ba 李gydF4y2Ba g . I。gydF4y2Ba 李gydF4y2Ba m·R。gydF4y2Ba 海格gydF4y2Ba g D。gydF4y2Ba 认识到手术活动与复发性神经网络gydF4y2Ba 医学影像计算和计算机辅助干预gydF4y2Ba 2016年gydF4y2Ba 10.1007 / 978 - 3 - 319 - 46720 - 7 - _64gydF4y2Ba 2 - s2.0 - 84996486504gydF4y2Ba PoudelgydF4y2Ba r·p·K。gydF4y2Ba LamatagydF4y2Ba P。gydF4y2Ba 蒙大拿gydF4y2Ba G。gydF4y2Ba 复发性完全卷积神经网络摘要多层MRI心脏分割gydF4y2Ba 医学影像计算和计算机辅助干预gydF4y2Ba 2016年gydF4y2Ba 10.1007 / 978 - 3 - 319 - 52280 - 7 - _8gydF4y2Ba 2 - s2.0 - 85011265379gydF4y2Ba HochreitergydF4y2Ba 年代。gydF4y2Ba SchmidhubergydF4y2Ba J。gydF4y2Ba 长时间的短期记忆gydF4y2Ba 神经计算gydF4y2Ba 1997年gydF4y2Ba 9gydF4y2Ba 8gydF4y2Ba 1735年gydF4y2Ba 1780年gydF4y2Ba 10.1162 / neco.1997.9.8.1735gydF4y2Ba 2 - s2.0 - 0031573117gydF4y2Ba 格雷夫斯gydF4y2Ba 一个。gydF4y2Ba 默罕默德gydF4y2Ba 联合。gydF4y2Ba 辛顿gydF4y2Ba G。gydF4y2Ba 语音识别与深度递归神经网络gydF4y2Ba 学报》第38届IEEE国际会议音响、演讲,和信号处理(ICASSP 13)gydF4y2Ba 2013年5月gydF4y2Ba 6645年gydF4y2Ba 6649年gydF4y2Ba 10.1109 / icassp.2013.6638947gydF4y2Ba 2 - s2.0 - 84890543083gydF4y2Ba 康纳gydF4y2Ba j . T。gydF4y2Ba 马丁gydF4y2Ba r D。gydF4y2Ba 阿特拉斯gydF4y2Ba l E。gydF4y2Ba 复发性神经网络和强大的时间序列预测gydF4y2Ba IEEE神经网络和学习系统gydF4y2Ba 1994年gydF4y2Ba 5gydF4y2Ba 2gydF4y2Ba 240年gydF4y2Ba 254年gydF4y2Ba 10.1109/72.279188gydF4y2Ba 2 - s2.0 - 0028401357gydF4y2Ba 格雷夫斯gydF4y2Ba 一个。gydF4y2Ba 生成序列与复发性神经网络gydF4y2Ba 2013年,arXiv预印本arXiv: 1308.0850gydF4y2Ba WerbosgydF4y2Ba p . J。gydF4y2Ba 反向传播通过时间:它做了些什么以及如何去做gydF4y2Ba IEEE学报》gydF4y2Ba 1990年gydF4y2Ba 78年gydF4y2Ba 10gydF4y2Ba 1550年gydF4y2Ba 1560年gydF4y2Ba 10.1109/5.58337gydF4y2Ba 2 - s2.0 - 0025503558gydF4y2Ba 威廉姆斯gydF4y2Ba r . J。gydF4y2Ba 拉链gydF4y2Ba D。gydF4y2Ba 持续运行完全复发性神经网络的学习算法gydF4y2Ba 神经计算gydF4y2Ba 1989年gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 270年gydF4y2Ba 280年gydF4y2Ba 10.1162 / neco.1989.1.2.270gydF4y2Ba 李gydF4y2Ba j . H。gydF4y2Ba 堆垛机gydF4y2Ba n . L。gydF4y2Ba 基于扩展卡尔曼滤波器的非线性模型预测控制gydF4y2Ba 工业化学与工程化学研究gydF4y2Ba 1994年gydF4y2Ba 33gydF4y2Ba 6gydF4y2Ba 1530年gydF4y2Ba 1541年gydF4y2Ba 2 - s2.0 - 0000072761gydF4y2Ba 10.1021 / ie00030a013gydF4y2Ba 罗宾逊gydF4y2Ba a·J。gydF4y2Ba FallsidegydF4y2Ba F。gydF4y2Ba 该实用程序驱动的动态误差传播网络gydF4y2Ba 技术报告暗示/ F-INFENG / TR.1gydF4y2Ba 1987年gydF4y2Ba 剑桥大学工程系gydF4y2Ba RonnebergergydF4y2Ba O。gydF4y2Ba 费舍尔gydF4y2Ba P。gydF4y2Ba BroxgydF4y2Ba T。gydF4y2Ba U-net:卷积网络生物医学图像分割gydF4y2Ba 医学影像计算和计算机辅助干预gydF4y2Ba 2015年gydF4y2Ba 234年gydF4y2Ba 241年gydF4y2Ba 10.1007 / 978 - 3 - 319 - 24574 - 4 - _28gydF4y2Ba 2 - s2.0 - 84951834022gydF4y2Ba MilletarigydF4y2Ba F。gydF4y2Ba 布gydF4y2Ba N。gydF4y2Ba 艾哈迈迪gydF4y2Ba 美国的。gydF4y2Ba V-Net:完全卷积神经网络容量的医学图像分割gydF4y2Ba 程序3 d视觉上的第四届国际会议(3 dv 16)gydF4y2Ba 2016年10月gydF4y2Ba IEEEgydF4y2Ba 565年gydF4y2Ba 571年gydF4y2Ba 10.1109 / 3 dv.2016.79gydF4y2Ba 2 - s2.0 - 85011298810gydF4y2Ba 查尔斯gydF4y2Ba P。gydF4y2Ba 项目标题。GitHub库(2013)gydF4y2Ba