深上优于急性缺血性中风损伤先生多通道图像分割方法使用一些完全标记对象

文摘

急性缺血性中风(AIS)是一个常见的威胁人类健康和可能导致严重的结果没有适当和及时的治疗。可以准确诊断AIS,它是至关重要的定量评估AIS病变。采用卷积神经网络(CNN),许多自动缺血性中风病灶分割方法在磁共振成像(MRI)。然而,大多数CNN-based方法应该在大量的训练完全标记对象,和标签注释是一个劳动密集型和耗时的任务。因此,在本文中,我们建议使用一个混合的许多弱标记和一些完全标记对象完全缓解口渴的标记对象。特别是multifeature地图融合网络(MFMF-Network),提出了两个分支,在数以百计的弱标记对象用于训练分类分支,和几个完全标记对象采用优化分割分支。398年培训弱标记和5完全标记对象,该方法能够实现意味着骰子系数 在一个测试集,179。lesion-wise和subject-wise指标也是评价,lesion-wise F1得分为0.886分,subject-wise检出率为1。

1。介绍

中风已经对人类健康最严重的威胁之一,从而导致长期残疾甚至死亡(1]。总的来说,可以分为缺血和中风出血基于类型的脑血管意外,缺血性中风占87% (2]。在临床实践中,多通道磁共振图像(核磁共振成像),包括diffusion-weighted成像(驾车)和表观扩散系数(ADC)图来自多个驾车图片不同值,用于诊断急性缺血性中风(AIS),由于采集时间短,灵敏度高3]。随着AIS的发展迅速,可能导致严重的后果,这是至关重要的快速诊断和定量评估的AIS病变多通道核磁共振成像,这是,然而,耗时,需要经验丰富的医学影像临床医生。因此,很有必要分析图像自动方法。

许多中风病灶自动分割方法在文献中已经开发出来。例如,Nabizadeh et al。4)提出了一个引力直方图优化通过识别异常强度。降低假阳性率,Mitra et al。5)使用了随机森林中提取特征和基于多通道核磁共振成像识别病变。麦尔et al。6)采用了支持向量机基于局部特征提取多通道核磁共振成像。虽然这些方法实现高性能缺血性中风病灶分割,其建模能力明显有限由于其严重依赖手工制作的功能。

一个卷积神经网络(CNN)最近提出了计算机视觉的特殊性能。通过大量的训练完全标记对象的中风损伤带注释的逐像素的方式,CNN-based方法已经显示出巨大的潜力分段缺血性中风病灶在核磁共振成像(7- - - - - -11]。CNN通常有数以百万计的参数,这种方法需要数以百计的完全标记科目训练CNN。图1提出了一些完全标记对象的例子。很明显,注释像素标签是一项乏味的工作,需要大量的时间与完全标记对象建立一个大型数据集,这使得它不可能建立医学影像数据集比较大小的常用数据集计算机视觉。这促使我们开发分割方法,同时减少注释为医学影像临床医生的负担。

Few-shot学习最近采用图像语义分割(12- - - - - -15]。通过调整网络参数和一些样本,CNN在许多任务可以实现分割精度高。通常,few-shot学习方法需要ImageNet [16]pretrained帮助提取特性参数。在医学图像分割任务,然而,这是不可能找到一个数据集一样大ImageNet获得pretrained参数。因此,有必要设计一个辅助任务容易获得标签pretrain网络。

特别是,我们利用许多弱标记主题并提出使用弱监督学习方法促进AIS病灶分割。不同于其他AIS病灶分割方法(17- - - - - -21],弱标记对象被注解为主题包含的每个薄片是否损伤,如图1注释,这大大降低了成本。

我们建议的方法包括三个过程:分类、分割和推理。在分类过程中,网络训练的弱标记对象作为分类器获得一组pretrained参数。在分割过程中,网络冻结pretrained参数并进一步完全标记的训练科目。在推理过程中,分支分类生成类激活映射(凸轮)22)和分割分支预测分割结果。采用后处理算法结合的凸轮分割生成最终的预测结果。通过使用398弱标记主题和5完全标记的,该方法能够实现一个骰子系数 。lesion-wise和subject-wise表演也评估,lesion-wise F1得分为0.886分,subject-wise检出率为1。

2。材料和方法

在本节中,我们提出一个基于深度学习方法使用一些完全标记对象对two-modal AIS分割图像,先生和管道呈现在图2。特别是,我们建议的方法包括三个过程:分类、分割和推理。在分类过程中,网络训练的弱标记对象作为分类器。这个过程获得一组pretrained参数。在分割过程中,网络是训练有素的端到端完全由冻结pretrained参数标记对象。也就是说,为了避免过度拟合,只训练有素的解码器使用一些完全标记对象。在推理过程中,分支分类生成类激活映射(凸轮)22)和分割分支预测分割结果。然后,采用后处理方法结合的凸轮分割生成最终的预测结果。我们将显示摘要,只有5完全标记主体充分实现准确的分割。

2.1。Multifeature地图融合网络

不同于few-shot语义分割在自然图像ImageNet pretrained参数容易获得,但没有可用的大型数据集的大脑核磁共振成像。multifeature地图融合网络(MFMF-Network)和训练提出了弱标记对象提取架构提出了图的功能3。提出MFMF-Network是两个分校CNN, CNN是一个支柱VGG16 [23]截断前5日MaxPooling层。

如图2显示,我们添加一个全球平均池(GAP),后跟一个完全连接(FC)层的顶部main-pathway CNN分类分支,由弱标记训练科目分类过程。另一方面,细分部门融合upsampled功能地图从卷积模块4、7和10,用于生成一个pixel-wise分割地图。

直观地说,更深层次的卷积块的特征图谱比原始输入图像空间分辨率较低,但更好的语义信息。我们进一步将squeeze-and-excitation (SE)模块24到upsample层如图3 (b)网络,这样可以集中在最有助于AIS分割的特征图谱。

MFMF-Network的培训需要两个步骤。在分类过程中,骨干CNN,一起分类分支,是弱标记训练科目作为分类器。在分割过程中,细分部门培训几完全标记对象,而骨干CNN的参数被冻结。

2.2。后处理

在推理过程中,如图2显示,分类分支生成凸轮(22] 在哪里 代表单元的激活在过去的卷积层main-pathway CNN在空间的位置 和相对应的重量是类吗为单位 。注意,随着AIS病灶分割是一个二元分割的任务,也就是说, ,因此,我们只考虑损伤的凸轮类。凸轮是生成一个归一化分割概率地图,和一个二元分割的结果 进一步获得通过使用一个阈值的吗 。同时,分割分支预测分割概率地图。二元分割的结果 在空间位置 也获得通过使用相同的阈值吗 。

然而,因为很少有完全标记对象用于训练细分分支,这是不可避免的产生一些假阳性。要充分利用丰富的语义信息,从弱带安全标签的数据时,我们进一步融合的CAM生成分类分支与分割分支输出减少FPs,这是计算

2.3。评价指标

在本节中,我们介绍一些指标来评估我们的方法。首先,骰子系数(DC)是用来评估进行像素级分割性能。它衡量预测之间的重叠分割和地面真理并制定 在哪里表示像素的数量。

此外,我们进一步提出lesion-wise精确率 ,lesion-wise召回率 ,和lesion-wise F1评分指标,定义为 在哪里 , ,和是真阳性的平均数(TPs),假阳性(FPs),和假阴性(fn),分别计算lesion-wise的方式。在这篇文章中,一个3 d连接组件上执行地面实况和预测细分地图。TP是定义为一个连通区域的分割图预测,与地面上的真理。TPs的数量统计在每个主题,和TPs的平均数( )然后通过平均TPs对所有科目的数量。FP是如果计算预测的区域分割与任何没有重叠区域地面上的真理。FN时计算,如果一个地区地面真理与预测上的任何地区没有重叠分割。

我们进一步使用检出率(DR)来衡量错过科目subject-wise度量,定义为 在哪里表示所有科目和数量表示对象的数量与任何TP损伤检测。

3所示。实验

在本节中,我们将介绍实验数据,实现细节和结果。

3.1。数据和预处理

实验数据包括与AIS病变582例,从回顾数据库收集的天津Huanhu医院(天津)和匿名之前研究人员的使用。伦理批准被授予天津Huanhu医院医学伦理委员会。先生从三个扫描仪先生,获得的图像是有两个3 t先生扫描仪(Skyra,西门子,三,西门子)和一个1.5 t磁共振扫描器(Avanto,西门子)。醉酒驾车是使用一个旋转echo-type回声规划师成像(SE-EPI)序列值0和1000年代/毫米²。醉酒驾车收购中使用的参数如表所示1。ADC地图扫描原始数据的计算像素的方式 在哪里diffusion-sensitizing梯度脉冲特征, s /毫米²和 s /毫米²在我们的数据。是diffusion-weighted信号强度 s /毫米²。是信号,而不应用扩散梯度,即。, s /毫米²。

AIS病变是由两名有经验的专家手工注释(歌金博士和陈曹博士)从天津Huanhu医院。整个数据集包括398弱标记对象和184完全标记对象,他们分为训练集和测试集,训练集包括398弱标记主题和5完全标记对象,用于训练网络参数。测试集包括剩余的179完全标记对象评估未知样本的泛化能力。为了简单起见,我们的名字弱标记和完全贴上科目的训练集cla-data seg-data,分别。

随着图像先生获得了三种不同的扫描仪,先生他们的矩阵大小是不同的,如表所示1。因此,我们重新取样图像相同大小的先生 使用线性插值。先生每个图像的像素强度归一化到0均值和单位方差,和酒后驾驶和ADC片channel-wise连接MFMF-Network双通道图像和输入。采用数据增强技术在分类过程和分割过程。特别是,每个输入图像随机旋转的程度从1到360度,垂直和水平翻转,以增加数据集和减少内存占用。

3.2。实现细节

的参数提出MFMF-Network图所示3。在分类过程中,我们使用pretrained参数初始化main-pathway CNN VGG16 ImageNet (16]。FC层参数初始化从零均值高斯分布的标准偏差为0.1。训练后的分类,我们冻结main-pathway CNN和初始化分割分支的其他参数,建议在[25]。在这两种分类和分割过程,RAdam方法(26)与 和 作为优化器设置为是最初的学习速率 。本文使用的损失函数是二叉叉(BCELoss)。

我们随机选择cla-data的0.1作为验证集,用于调整hyperparameters分类过程。在培训期间,学习速率是按比例缩小0.1倍如果15时代没有进展,确认损失,训练结束后30时代没有进展确认损失。分割过程,我们都选片的损伤seg-data训练细分分支。动态学习速率调度也采用学习速率是按比例缩小的0.1倍,如果没有进展,15世纪培训损失。我们停止分割的训练过程如果学习速率或没有进步30时代训练后的损失。

实验在计算机上执行的英特尔酷睿i7 - 6800 k的CPU, 64 GB的RAM和Nvidia GeForce 1080 ti GPU 11 GB内存。网络是PyTorch中实现的。先生映像文件存储为神经影像信息学技术创新(NIfTI)格式和处理使用简单的洞察力工具包(SimpleITK) [27]。我们使用ITK-SNAP [28为可视化。

3.3。结果

测试集上的评估方法与179年完全标记对象。为了比较,我们也训练和评估U-Net [29日],FCN-8s [30.],Res-UNet [21],提出的方法在31日在我们的数据集)。对公平的考虑,这些方法的编码器部分也pretrained弱带安全标签的数据作为分类器。特别是,在[few-shot分割方法31日),我们与AIS seg-data病变的切片分割成支持设置和查询集。其他实验的细节是一样的我们建议的方法除了冻结pretrained参数。

图4可视化AIS分割的一些示例。如图4表明,我们的方法,即。,column (h), is accurate on both the large and small AIS lesions. Even though U-Net and Res-UNet have more multifeature fusion, they overestimate the lesion but ignore the details of adjacent lesions. On the other hand, FCN-8s uses three-scale feature fusion, which is the same as our method, but the outputs of its last convolutional layer resampled to the size of input images require interpolation of 32 times, which inevitably leads to an overestimated lesion region. For the few-shot segmentation method proposed in [31日),multifeature融合结合了支持与查询集合训练参数。然而,积极的像素的比例在医学切片通常小于自然的形象,使few-shot分割方法(31日)倾向于忽视小病变或分类工件病变区域,如图4。

总结了定量评价结果表2。如表2显示,我们的方法达到最好的结果的所有指标除了召回率。具体来说,我们提出的方法达到平均骰子系数 的方面进行像素级指标,这是远远高于FCN-8s获得的结果(30.)和few-shot分割方法(31日),也高于U-Net (29日]和Res-UNet [21]。lesion-wise指标,我们提出的方法实现最高精度的0.852和0.886的F1得分最高的竞争对手。召回率是0.923,但是,比U-Net稍差,FCN-8s是因为他们往往比真正的病变大小、覆盖面积较大时减少了fn的数量聚集许多小病变。此外,subject-wise指标,所有的方法实现的检出率1除了few-shot分割方法[31日)和Res-UNet。

图5进一步情节之间的散点图的人工注释和预测分割,在紫色的线表示一个完美的匹配预测卷卷和地面真理。如图5表明,我们建议的方法的预测卷比竞争对手更接近真正的卷。

4所示。讨论

4.1。我们需要多少弱标记对象?

到目前为止,我们已经表明,我们的方法可以使用398弱标记来实现分割精度高和5完全标记对象。值得研究的是我们是否可以进一步减少弱标记对象的数量。特别是,我们随机选择比例为0.8,0.6,0.4和0.2的398例训练分类分支。

表3总结了评价结果与不同数量的弱标记。从表中我们可以看出3博士,我们可以达到1 238多科目时用于训练分类分支;除此之外,我们还可以实现高意味着骰子系数和召回率随着弱标记数量的增加。其他指标,包括精确率和F1得分,通常伴随着小波动上升。

4.2。后处理的影响

从表3,我们还可以看到,该方法使用159例获得pretrained参数实现检出率为0.966,这意味着它不能检测6受试者在测试集。事实上,检出率是1直接分割分支预测分割结果不使用后处理。然而,精确率和F1比使用后处理的分数要低得多。调查后加工的重要性,我们总结的比较结果与不同数量的弱标记为主题,如表所示4。如表4表明,后处理大大提高了骰子系数,精度,和F1的分数,但降低了检测率,这是由于凸轮分类产生的分支。图6提出了凸轮的样本。如图6所示,凸轮显示了一个高概率与越来越多的疑似病变区域弱标记主题分类中使用的分支。特别是,凸轮显示的概率为0或者低于阈值的概率 在某些科目当少于159弱标记对象用于训练分类分支,导致错过了诊断推理过程中使用后处理时。一句话,我们的后处理AIS病灶分割在这个研究是至关重要的。

4.3。单一模态和多通道

在本节中,我们探索的影响不同形式的图像先生对我们的结果。我们使用single-modal和多通道科目训练和测试方法。数据集进行训练分类分支包括所有398例无论模态的组合。如表5所示,多通道对象实现最好的结果。酒后驾车也达到竞争结果与多通道。醉酒驾车达到竞争结果因为AIS病变表现为hyperintense醉酒驾车,这是比这更突出的识别在ADC地图。醉酒驾车和ADC图的组合使用,另一方面,有助于减少FPs和fn,很大程度上提高了分割结果。

4.4。只使用病变片的影响

请注意,我们只提取切片的AIS病变5完全标记seg-data训练细分分支学科。在本节中,我们将进一步讨论片没有任何病变是否应该被包括在内。表6总结了评价结果在所有科目训练后,只有病灶切片。如表6所示,网络训练损伤切片显示性能优越,训练有素的所有片上所有指标除了召回率,这意味着训练在正常和病变片将减少fn的数量,但增加帧的数量。直觉上,包括正常片将类不平衡问题更加严重,导致学习不足的病变特点。事实上,随着AIS病灶体积远小于正常组织在大多数情况下,病变片包括外观正常组织的信息。我们可以得出结论,提高分割的准确性,有必要时只包括病灶切片培训细分分支。

4.5。性能上大大小小的病变

临床上,AIS病变是归类为腔隙梗死(李)损伤如果它的直径小于1.5厘米(32]。李是很难诊断在临床实践中,特别是当它太小,被注意到。因此,它是非常必要的评估上的性能。

在本节中,我们将测试集划分为小的病变组和大型病变组。主题是分为小病变主体只有在所有的病变是李病变。否则,它将被包含在大损伤。在测试设置中,有118例和61例中包括小病变组和大病变组,分别。如表7显示,我们实现一个骰子系数 大病变组,而意味着骰子系数 小病变组。在其他指标,我们建议的方法达到更高的性能对小损伤组。

在临床诊断、大病变更容易诊断,而小病灶。我们建议的方法实现高性能不仅在大病变,还在小病变。

4.6。公共数据集上的性能

为了演示了该方法的有效性,外部公共数据集上的性能进一步评估。特别是,我们选择使用训练集的spe ISLES2015挑战[33]。尽管spe任务是最初设计用于缺血性中风的结果预测,训练集包括ADC地图(称为醉酒驾车在spe)和相应的AIS病变注释。我们随机受试者在spe训练集分割成三组,即。,training set, validation set, and test set, with 5, 5, and 20 subjects, respectively.

分支分类训练对我们机构有398弱弱标记图像标记ADC主题,和细分部门训练在新的训练集和验证集。指出公共数据集和我们的机构从不同的核磁共振扫描仪获得的数据集是与不同的参数,称为域的统计特性的变化,适应。随着分支分类训练机构数据,必须进一步调整凸轮的阈值使用验证组适应spe数据。

为了比较,我们也训练和评估部分中使用的方法3.3。对公平的考虑,这些方法的编码器部分也pretrained分类器在我们398弱标记ADC科目。特别是,在[few-shot分割方法31日),我们将片新的训练集与AIS病变支持设置和查询集。其他实验的细节部分是一样的3.3除了验证损失决定何时停止训练。

图7块测试集上的一些可视化的例子。类似于获得的结果在我们机构的数据,该方法达到最佳的分割精度。如图8表明,该方法能够实现意味着骰子系数 ,这突出了我们的方法的更好的能力甚至在跨域情况。

5。结论

在本文中,我们提出了一个基于深度学习方法使用一些完全标记为AIS病灶分割对象。我们建议的方法包括三个过程:分类、分割和推理。因为没有pretrained参数可用于处理医学图像使用CNN,一些弱标记对象用于火车MFMF-Network获得一组pretrained参数分类过程。然后,只有5完全标记对象用于火车分割分支。

该方法提供了高性能的临床MR图像平均骰子系数 从方面进行像素级指标。更重要的是,它提供了一个非常高的精确率的0.852和召回率0.923 lesion-wise指标。因此,该方法可以大大减少为代价获取大量的完全标记对象在监督环境,这是更有意义的工程可操作性。

数据可用性

病人数据用于支持本研究的发现是由天津Huanhu医院,所以不能免费提供。本文中使用的公共数据集是可用的http://www.isles-challenge.org/ISLES2015/。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

本赵和刘贡献同样担任英语和汉语教师这个工作。

确认

这部分工作是支持由中国国家自然科学基金(61871239,61871239)和天津市自然科学基金(20 jcqnjc0125)。

引用

1. 公元洛佩兹,c, d .拿到m·伊扎提·d·t·贾米森和c·j·默里,“全球和区域的疾病负担和风险因素,2001:人口健康数据的系统分析,“《柳叶刀》,卷367,不。9524年,第1757 - 1747页,2006年。视图:出版商的网站|谷歌学术搜索
2. e . j .本杰明·Muntner a阿隆索et al .,“心脏病和中风统计- 2019更新美国心脏协会的一份报告,“循环,卷139,不。10、pp. e56-e528, 2019年。视图:出版商的网站|谷歌学术搜索
3. z . j ., a . Wong王et al .,”事件卒中后痴呆的危险因素和短暂性脑缺血发作,”阿尔茨海默氏症和老年痴呆症,11卷,不。1,16-23,2015页。视图:出版商的网站|谷歌学术搜索
4. n . Nabizadeh m .库巴特:约翰,和c·赖特,“自动缺血性中风病灶分割使用基于单一形态先生和引力直方图优化大脑分割,”学报》国际会议图像处理,计算机视觉,模式识别(IPCV)美国内华达州拉斯维加斯,1页,2013。视图:谷歌学术搜索
5. p . j . Mitra Bourgeat,抚顺石油化工研究院等上j。,“从多通道MRI病灶分割使用随机森林缺血性中风后,“科学杂志卷,98年,第335 - 324页,2014年。视图:出版商的网站|谷歌学术搜索
6. 欧麦尔,m .霍奇金病,j . von der Gablentz克雷默,h·汉德尔,“缺血性中风病灶分割与支持向量机分类器在多光谱图像先生,”2014年医学成像:计算机辅助诊断,第9035卷,第903504页,圣地亚哥,加利福尼亚州,美国,2014年3月。视图:出版商的网站|谷歌学术搜索
7. j . Dolz i b .德,c . Desrosiers”密集的多路径U-Net缺血性中风病灶分割的多个图像模式,”国际MICCAI Brainlesion车间,页271 - 282,施普林格。视图:谷歌学术搜索
8. z . Liu c .曹叮,z . Liu t·汉和s .刘”对临床诊断:自动化中风病灶分割使用卷积神经网络在多光谱图像先生,”IEEE访问》第六卷,第57016 - 57006页,2018年。视图:出版商的网站|谷歌学术搜索
9. k . Kamnitsas c . Ledig v f·j·纽康比et al .,“有效的多尺度三维CNN与大脑病变完全连接CRF准确分割,“医学图像分析36卷,第78 - 61页,2017年。视图:出版商的网站|谷歌学术搜索
10. r .恋人r . Menaka m . Hariharan, d .赢得“缺血性病变使用的多尺度分割区域对齐CNN,“计算机在生物医学方法和项目,没有。第105831条,2020年。视图:出版商的网站|谷歌学术搜索
11. l . l . Liu坟头,F.-X。吴,j .王”关注卷积神经网络精确的分割和量化的病变在缺血性中风病,”医学图像分析第101791条,卷。65年,2020年。视图:出版商的网站|谷歌学术搜索
12. s . Caelles K.-K。Maninis, j . Pont-Tuset l . Leal-Taixe d·克莱莫和l . Van干傻事,“只有一次的视频对象分割”2017年IEEE计算机视觉与模式识别会议(CVPR)火奴鲁鲁,页221 - 230年,美国,2017年7月,你好。视图:出版商的网站|谷歌学术搜索
13. a·沙班邦萨尔,z,艾萨,和靴子,“一次性学习语义分割,”2017年,https://arxiv.org/abs/1709.03410。视图:谷歌学术搜索
14. n .董和e . p .兴”Few-shot语义分割与原型学习。”BMVC,3卷,不。4、2018。视图:谷歌学术搜索
15. k . rakel网e . Shelhamer t·达雷尔a . a .埃和s·莱文,“Few-shot分割与引导网络传播,”2018年,https://arxiv.org/abs/1806.07373。视图:谷歌学术搜索
16. j .邓w .咚,r . Socher L.-J。李,李k和l .菲菲”ImageNet:大规模的分层图像数据库”2009年IEEE计算机视觉与模式识别会议,页248 - 255,迈阿密,佛罗里达,美国,2009年6月。视图:出版商的网站|谷歌学术搜索
17. p . l . Chen宾利,d .做出的“全自动急性缺血性病变使用卷积神经网络分割在酒后驾驶,”科学杂志:临床15卷,第643 - 633页,2017年。视图:出版商的网站|谷歌学术搜索
18. r, l .赵w·卢et al .,“自动分割的急性缺血性中风醉酒驾车使用3 d完全卷积DenseNets,”IEEE医学成像,37卷,不。9日,第2160 - 2149页,2018年。视图:出版商的网站|谷歌学术搜索
19. o .阿曼、t·麦克拉e . Salli s Savolainen和m . Kangasniemi”3 d卷积神经网络应用于CT血管造影术检测急性缺血性中风,”欧洲放射学实验,3卷,不。1,p。8日,2019。视图:出版商的网站|谷歌学术搜索
20. c·卢卡斯,a . Kemmling a . m . Mamlouk m·p·海因里希,“多尺度神经网络自动分割急性缺血性中风的灌注图像,”2018年IEEE 15日生物医学成像(2018位ISBI)国际研讨会华盛顿特区,页1118 - 1121,美国,2018年4月。视图:出版商的网站|谷歌学术搜索
21. f·s . l . Liu Chen, F.-X。吴、y锅和j·王,“深卷积神经网络多模自动分段急性缺血性中风病灶的MRI,”神经计算和应用32卷,页1 - 14,2019。视图:谷歌学术搜索
22. b, a·斯拉a . Lapedriza a·奥利瓦和a . Torralba“学习深有识别力的本地化特征,”《IEEE计算机视觉与模式识别会议,页2921 - 2929,内华达拉斯维加斯,美国,2016年。视图:谷歌学术搜索
23. k . Simonyan和a . Zisserman”很深的卷积网络大规模图像识别,”2014年,https://arxiv.org/abs/1409.1556。视图:谷歌学术搜索
24. 沈l . j .胡,g .太阳“Squeeze-and-excitation网络”《IEEE计算机视觉与模式识别会议,页7132 - 7141,犹他州,盐湖城美国,2018年。视图:谷歌学术搜索
25. k . x张,他任美国,j .太阳”深入深入整流器:超越人类ImageNet分类、性能”《IEEE计算机视觉国际会议,页1026 - 1034,圣地亚哥,智利,2015。视图:谷歌学术搜索
26. 江h·l . Liu, p .他et al .,“方差的自适应学习速率,”2019年,https://arxiv.org/abs/1908.03265。视图:谷歌学术搜索
27. 公元前Lowekamp d·t·陈,l . Ibanez说,d . Blezek SimpleITK的设计,“Neuroinformatics前沿p。45卷。7日,2013年。视图:出版商的网站|谷歌学术搜索
28. p . a . Yushkevich j·佩文,h . c . Hazlett et al。”User-guided解剖结构的三维活动轮廓分割:大大提高效率和可靠性,”科学杂志没有,卷。31日。3、1116 - 1128年,2006页。视图:出版商的网站|谷歌学术搜索
29. o . Ronneberger、p·费舍尔和t . Brox”U-Net:卷积网络生物医学图像分割”医学影像计算和计算机辅助介入的国际会议,页234 - 241,施普林格。视图:谷歌学术搜索
30. j .长,大肠Shelhamer, t·达雷尔“完全卷积网络语义分割”《IEEE计算机视觉与模式识别会议,页3431 - 3440,波士顿,马萨诸塞州,美国,2015年。视图:谷歌学术搜索
31. t . x Li Wei, y . p . Chen Y.-W。大,C.-K。唐”,fs - 1000: 1000 -类数据集few-shot分割,”《IEEE / CVF计算机视觉与模式识别会议虚拟,页2869 - 2878年,2020年。视图:谷歌学术搜索
32. j . lod“腔隙梗死大小标准”脑血管疾病,24卷,不。1,p。156年,2007。视图:出版商的网站|谷歌学术搜索
33. 欧麦尔,b . h . Menze j . von der Gablentz et al .,“群岛2015年公众对缺血性中风损伤评价指标从多光谱MRI分割,“医学图像分析,35卷,第269 - 250页,2017年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021本赵等。这是一个开放的访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。