肝脏分割方法的基础上融合的联接和WGAN

文摘

肝脏图像的准确分割是一个重要的步骤在肝脏疾病诊断、治疗计划、和预后。近年来,尽管肝脏分割方法基于二维卷积神经网络取得了良好的效果,目前仍缺乏层间的信息,会导致严重的分割精度在一定程度上的损失。同时,做最好的高级和低级功能更有效地在二维分割网络是一个具有挑战性的问题。因此,我们设计并实现了一个2.5维卷积神经网络,VNet_WGAN,改善肝脏分割的准确性。首先,我们选择了三个相邻层的肝脏模型作为网络的输入,并收养了两个卷积核串联连接,可以将横断面肝脏模型的空间信息和层间信息。其次,连锁残余池模块添加到多层次特征信息融合优化跳过连接。最后,边界的损失函数发生器是用来弥补缺乏骰子的边缘像素精度损失函数。验证了该方法的有效性在两个数据集,床位数和混乱。骰子系数分别为92%和90%,这比那些相比分割网络。此外,实验结果还表明,该方法可以减少计算消耗,同时保持较高的分割准确性,肝脏分割在实践中具有重要意义,为临床医生提供良好的参考在肝脏分割。

1。介绍

肝癌(LC)是一种常见的癌症在临床实践1),造成巨大威胁的病人和他们的家属的生活质量。先进的医疗技术,早期诊断和治疗肝癌的治疗肝癌的可能性增加。因此,可靠,快速和精确的肝脏分割算法已经成为一个主要的研究热点。一般来说,传统的肝脏分割方法,包括活动轮廓模型(2),聚类(3),水平集(4),图切割方法(5- - - - - -7),和地区经济增长8,9)方法,提取灰度、形状、结构和纹理信息的医学图像分割肝脏手动。这些方法仅限于大型数据库的效率。然而,数据的预处理是耗时的使用这些方法。然而,深度学习执行比传统的肝脏分割方法的多功能性和效率。

在深度学习网络,FCN [10]和UNet [11)是典型的细分模型用于医学图像分割方法。随后,许多网络都来自这两个网络,例如,UNet + + (12]和H-DenseUNet [13]。在实践中,这些网络的分割性能类似传统的分割方法。UNet适用于小规模的医学图像数据结构相对单一的形象。然而,进一步的工作需要调查UNet提高分割精度。因此,一些传统的方法提出了结合UNet优化性能结果,如方法(14]。均值聚类算法添加转向减少oversegmentation肝脏。进一步提高精度的图像增强,图像增强技术提出了基于统计的阈值,不包括非地区利用累积分布函数(CDF)。提高培训和推理速度,文献[15)结合亚像素卷积(16)与双线性插值(17在最后一层。然而,很难提高分割精度,因为二维片层之间缺乏足够的信息和模型分割网络学习。为了解决这个问题,王,王18]使用输入层段和处理3 d图像,包括使用一定范围的层作为一个援助,使用多翼机集成、培训在轴向、矢状面、冠状面和融合最终的分割。

使用2 d和3 d卷积网络肝脏分割中取得了良好的性能。混合法(19)继承的优点2 d和3 d隆起和最大程度地忽略他们的缺点。它结合Dense-UNet 2 d和3 d Dense-UNet操作通过他们感兴趣的区域并提取intralayer分别和层间特性。因此,在一定程度上提高了分割精度。

一般来说,不考虑计算和内存性能,3 d网络可以利用相邻层之间的信息,以确保图像之间的连续性变化的面具。联接网络(20.)是一个3 d神经网络用于医学图像分割。直接使用三维卷积操作流程3 d体积数据而不是2 d切片,有效地利用三维数据空间信息,以确保图像标记。

总之,相比二维卷积神经网络(CNN), 3 d CNN有很大的参数数量,视频内存占用率高,和硬件资源密集型,这很大程度上限制了它的发展和研究。

尽管上述模型可以获得相对准确的分割结果在医学图像处理,数据采集困难,注释在很大程度上阻碍了建设一个规模足够大的数据集。为了克服这个问题,传统的图像增强技术,如几何变换,可以生成新的数据。然而,他们是不可靠的检测生物医学数据的变化,这会导致分割性能改善有限。2014年,格拉汉姆·古德费勒et al。21)提出了一种生成对抗网络(GAN)模型。它使用无监督学习训练方法训练通过对抗性的。目的是估计数据样本的电位分布和生成新的数据样本。李等人。22]GAN加强海洋数据用于研究气候异常的检测。甘还可以实现不同模态图像之间的转换,使用CycleGAN对比CT图像转换成41 CT图像(23),和脸草图转换为RGB图像(24]。

甘是不需要提前知道的理论分布,它可以自动推断出真实的数据集,这也进一步扩张的规模和多样性数据,为数据提供了一个新方法扩张,和减轻数据需求的智能诊断的问题。Luc et al。25首次]GAN应用于图像分割。一般来说,语义分割结果往往需要改进使用CRF和其他后处理技术来获得更真实的轮廓。因此,氮本身具有良好的生成功能,可以用来改善结果。然而,甘不稳定等缺点训练,消失渐变和模式崩溃。基于这些问题,许多流行的架构已经导出涉及甘条件(CGAN) [26],DCGAN [27](深卷积GAN)和InfoGAN [28最大化GAN](信息)。他们已经在一定程度上解决了氮化镓的缺点。然而,仍有一些不足在训练过程中解决稳定性问题。WGAN[的出现29日甘)不稳定的解决问题的训练。然而,其网络结构非常简单,只有少数的基础上改进了氮化镓。

考虑到少量的医学图像数据再加上GPU的限制,使用3 d数据会导致过度拟合问题。因此,本文提出了一种改进的联接和2.5维卷积神经网络VNet_WGAN获得3 d数据的上下文信息,实现端到端肝脏图像的分割。的主要任务如下:(1)通过叠片及其上、下相邻切片作为网络输入和相对应的分割图中央片作为输出,两个卷积内核系列用于完全提取intralayer和层间信息采用3 d肝脏。同时保持分割精度高、空间特点可以减少内存占用率和计算量(2)充分利用网络的高级和低级特征,连锁残余池模块添加到long-skip联接网络的连接结构获得更丰富的语义信息,有效改善肝脏分割的准确性(3)边界损失函数引入到基本WGAN发生器网络来弥补缺乏考虑骰子的边缘像素精度损失函数。利用边界和骰子的复合损失函数加权融合、分割模型的能力是增强区域和边界,分别

2。本文的方法

2.1。氮化镓

氮化镓是一种生成对抗网络组成的生成模型和判别模型 。它可以表示为一个极大极小问题之间的游戏和 。 学习给定的分布噪声(如均匀分布和正态分布)和综合。不同训练样本是否来自一个真正的样品或生成的样本。

GAN使用对抗的概念学习取得更好的生成结果。对手意味着生成的图像生成模型将变得真实和真实的歧视能力判别模型变得越来越强,最终达到一个平衡。甘的基本结构如图1。在图1,是真正的数据,代表真实数据处理后的分数判别模型 , 给定的随机变量,代表形象生成处理后生成模型 ,和表示生成的图像生成模型后分数。公式给出了方程(1)如下:

2.2。WGAN

许多研究人员GAN模式感兴趣。然而,氮化镓的训练相比,一个普通的CNN是困难的。发电机的主要困难是平衡和鉴别器和缺乏适当的指标来衡量培训效果的培训过程。基于这些问题,许多流行的架构设计基于甘,甘如条件(CGAN),深卷积GAN (DCGAN), information-maximizing GAN (InfoGAN)。

虽然这些方法可以解决一些当前问题的氮化镓在某种程度上,这一过程稳定性问题还没有解决。WGAN解决问题的培训不稳定,同时提供一个可靠的指标,瓦瑟斯坦距离,进行训练。相比之下,JS (Jensen-Shannon)和KL (Kullback-Leibler),瓦瑟斯坦距离可以自然地测量离散分布和连续分布之间的距离,完全避免了常见问题的稳定的培训和梯度在GAN失踪。

瓦瑟斯坦距离方程所示的公式(2)如下:

2.3。联接

联接网络结构包括一个编码器和译码器。编码器被划分为多个阶段,每个阶段有同样的决议。解码器是一个渐进的减压路径和终于可以获得一个输出图像与原始图像相同大小的。VNet继承跳连接UNet来弥补信息丢失的特征提取过程。此外,联接使用短路连接机制ResNet [30.添加输入和输出的每个阶段学习剩余函数。

与此同时,骰子损失函数是用来取代叉损失函数来提高目标分割区域的敏感性。例如,朱et al。31日)添加频道关注机制(32)联接网络结构段各种器官在头部和颈部的形象。

Milletari等人使用联接网络的编码器部分从输入图像,提取肝脏的全球特性和解码器部分生成一个全分辨率输出。同时,随机非线性变换和直方图匹配是用来增加数据预处理。虽然联接网络提供了一个参考处理三维医学图像、医学图像数据大多是小GPU内存有限,仍会导致过度拟合和不稳定的网络在训练过程中,特别是三维数据。

3所示。方法

WGAN模型完全解决了甘培训不稳定的问题,因此,在培训过程中,它不再需要平衡训练水平的发电机和仔细鉴别器。因为WGAN这个精彩的特点,我们采用WGAN作为我们的模型的基本结构,设计一种改进的联接的发电机肝脏分割。

在我们的网络中,判别网络是一个简单的CNN网络,确定输入图像是一个“假形象”(分割的结果)或“真正的形象”(注释图像)生成器生成的。该方法的整个网络框架见图2。

在图2,原来的三个相邻的肝脏图像作为输入,提高联接是用于分割。然后,面具获得的图像和输出图像生成的网络联接输入到分类结构,在这真能区别假,结果1表示真,0表示错误。

3.1。发电机

由于成本和特征提取的能力的时候,我们的方法使用的发电机采用联接为骨干网络和修改原来的网络目标的方式。输入我们的网络相关切片和它的两个相邻上下两片,和中位数片作为输出结果。在培训过程中,卷积核的大小 和 被用来提取intralayer和层间信息。这种卷积方法类似于分离卷积,从而提取三维医学数据的特性,而无需进行大量的计算生成的3 d CNN和缩短了训练时间。改进的卷积模块如图3。提高卷积模块,两个链接残余池模块、c反应蛋白(链接残余轮询)池和卷积操作,添加到连接的一部分VNet跳到更高级和低级特征信息的有效利用。

链接池操作可以大大增加接受域的边缘信息可以提取高分辨率特征图,由低分辨率和全球信息可以提取。因此,像素的分类精度进一步提高。

与此同时,残余结构有利于逆梯度扩散。我们可以看到在图4,该模块包括两个池卷积块,剩余两个结构,一个激活函数,批正常化,和辍学层。网络使用卷积核 ,填充2,步1执行池操作以确保池后的图像大小与输入图像的大小是一致的。池是紧随其后的是一个卷积操作,然后输出结果输入到下一个池卷积模块。最后,合并两个特征图。

在网络训练过程中,网络模型越复杂,越需要学习的特性,需要更多的训练时间,容易导致过度拟合问题。因此,本研究进行了细微的调整现有的网络模型。

具体方法是批量标准化(BN)添加到规范化的数据有不同的分布在每一个革命。因此,每一层的数据可以被转换为相同的分布。

因此,网络模型的最优结果更容易收敛,因此网络模型的训练速度在很大程度上加速。

添加一个辍学层可以解决场景,在该场景中,当其他特性存在一些功能只是有用,也提高了神经网络的鲁棒性,有效地缓解过度拟合问题,并在一定程度上实现正规化。

图5显示的结构改善联接在这项研究中,保留encoder-decoder结构的特点。整个网络卷积包含五块,四块反褶积,最后卷积输出层。上面的编码路径分为五个阶段,以及每个阶段包含两个卷积块具有相同的分辨率。每个卷积块由一个卷积内核,正常化和ReLU激活功能,使用32。这些卷积模块采用64年、128年、256年和256年渠道卷积的内核,与一个移动的步骤1,提取特征。

减少内存使用量在培训过程中,卷积是用来取代池操作在将采样过程 卷积内核和一个移动的布2的长度。这个池操作方法可以降低图像分辨率。此外,学习功能在每个阶段,每个阶段的输入和输出是加在一起执行短程剩余的学习。

使用512 Upsampling之前进行解码 卷积核的步长2反褶积操作。

译码器的路径下面是分为四个阶段,每个阶段具有相同的分辨率。一个卷积核的大小 用于恢复特性图的大小和扩大低分辨率的空间。

通过四个upsampling操作,图像与输入图像终于决议一样。同时,原联接网络转换编码器中的每个阶段的结果直接将其添加到输入和输入相应阶段的解码器,保留一些信息损失由于压缩。

链后残余池模块组成的池层,一个回旋的层,和残余结构,高效执行池通过不同的卷积核,输出特性图的大小与输入一致。然后,添加相应的阶段作为下一阶段的输入。最后一层应用卷积 卷积内核获得相同大小的图像作为输入。特定的网络参数分布表中列出1。

3.2。鉴频器

鉴频器的网络结构中使用这种方法如图6。鉴频器的输入是发电机的输出结果和原始图像的带注释的图像,这是首先熔融,然后输入到CNN网络。最后,第二个分类器输出鉴频器的输出信号。

鉴频器包括一组条件池块,四组的卷积块,两个完全连接层,最后两层分类。一群卷积池模块包含两个卷积层和一层最大池。每个卷积层由一个卷积内核,正常化和激活函数。

卷积核的大小 ,1的一个移动的距离。共有64个卷积操作中使用了1日卷积块和第二条件块。在池的过程中,我们选择一个 卷积核的移动距离1。在第三和第四的卷积模块,有32个卷积核每个卷积核的大小在哪里 1的一个移动的距离。卷积4块的输出作为输入的完全连接层。

3.3。损失函数

的损失函数方法本文由发电机和鉴频器的损失函数。

发电机是基于一种改进VNet分割网络。目标函数,提出了骰子,在联接网络。它可以平衡背景和背景信息,是一种常用的医学图像分割领域的损失函数。

骰子骰子损失非常相似系数和用于评估两个地区之间的相似性。骰子损失的计算公式见公式(3),代表所有预测前景像素的集合代表真正的前景像素的集合。

骰子损失更侧重于相似的地区和忽略了空间信息,如missegmentation部分远离标签区域。因此,为了最小化分割边界和标签之间的距离边界,骰子的合成功能损失(损失和边界33提出了]。在这个合成函数,边界损失控制的网损程度的边缘匹配的程度。

合成函数评估只在边界像素。损失值= 0时的边界上的像素边界与地面的边界完全符合真理,而评估其边界,边界的距离不符合实际的结果。本研究的实验结果表明,该合成损失函数的加权融合骰子损失和边界的损失。其中,一个控制区域和其他控件的边界,从而取得更好的分割性能。

在实践中,骰子损失分数很高的训练。随着训练的进行,边界损失的比例增加,这说明边界的准确性越来越关注后期的培训与提高边界处理细节信息。因此,我们利用这个想法应用到肝脏图像分割的任务。

图7显示了边界损耗公式中的参数之间的关系,代表真正的分割区域的边界,表示的边界分割区域网络的输出, , 代表真正的连接点和预测结果,和代表了两个等值线之间的区域 。计算距离 两个区域的边界之间的微分方法,边界使用分割边界来减轻损失造成的困难不平衡的区域分割,而不是一个不平衡的集成。边界损失公式如下: 在哪里代表的距离真正的结果,和二次指数函数,水平集的边界;如果 ,否则 , 将softmax概率是网络的输出。最后的边界损失函数

在某种意义上,这两个骰子损失和边界损失最小化错误分割结果与标记之间的重叠部分的结果。骰子损失,分割不匹配加权求和的前景像素的数量的分割和像素的数量在现实的结果。

边界损失只有距离加权转换的结果。复合损失函数的计算公式在这项研究中的应用是7资产损失的重量参数,参数在实验中选择0.1。

鉴频器的损失函数。因为鉴频器是基于相同的网络结构WGAN,瓦瑟斯坦距离作为损失函数,给出的

4所示。实验

4.1。实验数据

评估方法的实际效果在肝脏分割中的应用,实验床位数和混乱的数据集。床位数数据集包括130对比度增强3 d腹部CT图像从六个不同的临床基地nii格式。最初的CT数据被体积-命名 。nii和真实图像被分割 。nii。

它包含130组训练数据和70组测试数据,其中70套测试数据被标记。CT图像参考注释提供了包含908个病变的肝脏和肿瘤由有经验的放射科医生。

数据集在图像质量有显著差异,空间分辨率和愿景。平面分辨率是 毫米,切片厚度(层间间距)是0.45 ~ 6.0毫米。扫描轴向片尺寸都是固定的 像素,每扫描从42片的数量到1026年。图8显示了可视化肝脏肿瘤图像分割的数据集的结果。

multiorgan混乱的数据集是一个数据集,多通道分割,其中包括图像和标记的图像脾、肝、左肾、右肾。

数据集有两个模态数据库:CT和MRI。在两个数据库中,每个数据集.dcm格式对应于图像的一个病人,并且每个图像对应于一片。

提供的数据集是pac的德吴医院。在这项研究中,我们使用核磁共振的数据库,其中包含两个模式,T1-DUAL T2-SPIR,每40个数据集。T1-DUAL分为两类:同相的异相。

在这项研究中,T1-DUAL /同相的被选为数据集。命名规则的图片是一样的,在这个数据集用于注释图像。因此,处理相对简单。被分成训练集和测试集20例。核磁共振图像可以生成12位DICOM图像的分辨率 和许多片26至50。因为测试不提供注释的图像,本研究使用20标记的情况下再划分为训练集和测试集,其中16例作为训练集,和4例作为测试集。其中一个肝脏处理图片和说明肝脏的标记图像数据9(一个)和9 (b),分别。

4.2。实验设置

实验环境如下:Windows10计算机操作系统,主要的硬件设备是两个NVIDIA GTX1080 gpu, 8 GB的内存,Python和TensorFlow开发工具。

4.3。评价指标

实验的准确性和骰子相似系数(DSC)是用于定量测量性能的图像分割算法在医学图像分割任务。代表正确的比例数据准确性的整体数据。计算公式如下:

在哪里(积极的),(负面)代表模型的预测结果,(真正的)和(假)是用来判断模型的结果是正确的,和FP(假阳性),FN(假阴性),TP(真阳性),和TN(真阴性)代表假阳性,假阴性的情况下,真正的情况下,分别和真阴性病例。

图10显示了上面的符号之间的相关性。在图10,表示包含理论的图像分割结果与生成的图像,用于比较是预测分割结果。

骰子相似系数(DSC)主要用于评估之间的距离的相似性分割结果和标记的结果。它的值范围从0到1,0意味着实验分割结果偏离标记结果严重,虽然1演示了实验分割结果与标签完全重叠的结果;也就是说,评价结果越高,分割的准确性就越高。骰子的计算公式如下:

5。结果

5.1。方法比较测试

在本节中,实验是为了验证该算法的有效性VNet_WGAN,兼容3 d UNet, 2.5 dvnet UNet,注意34],CycleGAN [35),和DenseNet适合各种医学图像分割任务。对比实验的结果展示在表2。从表可以得出结论2,与其他算法相比,VNet_WGAN准确性和骰子系数有一定的改善,特别是在骰子系数。与3 d UNet相比,尽管VNet_WGAN的骰子价值并不显著不同,这也增加了至少1%。与二维分割网络包括UNet相比,注意力,CycleGAN, DenseNet,准确性和骰子得分VNet_WGAN都显著提高。例如,CycleGAN增长了8%和3%,分别。因此,VNet_WGAN是适当的和有效的解决问题的肝脏分割。

5.2。损失函数比较测试

评估的影响损失函数的VNet_WGAN设计研究肝脏分割,比较消融实验进行分割数据集,使用五个最常见的损失函数在肝脏分割:借据损失,叉损失,骰子损失,边界的损失,在这项研究中使用的复合损失函数。此外,VNet_WGAN是在这项研究中,设计和改进的2.5 d联接模型用作比较模型。实验训练的配置都是相同的。借据损失是借据的损失函数计算得到的梯度回归。Cross-entry损失是指两个概率分布之间的差异。信息的数量成反比的发生的概率信息。骰子损失提出了最初的联接网络,是一个整体相似性度量函数,用于计算两个样本之间的相似性。复合损失函数是一个损失函数,结合边界和区域。这五个损失函数的表现在两个网络模型在表中列出3和4,分别。

从表3和4,它可以观察到,在本研究的损失函数,提高了2.5维联接模型达到96%的精度在肝脏分割任务和89%的骰子。在VNet_WGAN的融合模型,精度为94%,骰子是92%。在相同的网络模型,综合精度损失函数几乎没有区别,但它执行的骰子,骰子损失高出1%。在相同的数据集和相同的损失函数,该方法在本研究中改进的骰子3%。

通过烧蚀实验和上面的分析,结果表明,复合损失函数,边界的加权融合损失和骰子损失,可以改善分割结果的准确度和精密度,表明我们的复合损失函数的设计有一定指导意义的关键特性的提取网络。这表明我们的复合损失函数可以有效地、准确地提取详细信息的功能,它扮演着一个重要的角色在解决穷人图像分割方法的性能。

5.3。实验结果的可视化

更直观地观察分割效果,在本节中,我们进行定性分析模型的分割算法的融合和VNet WGAN 3 d VNet床位数数据集分割算法。图11显示了视觉两种分割算法的分割结果。在实验中,六层的图像被选作比较。线路图中1 - 4是原始图像,图像注释手动由临床医生,3 d VNet分割结果,VNet_WGAN的分割融合的结果。

从分割结果在图中,可以看出,3 d联接的分割算法和融合的联接和WGAN不执行很好地区的早期和晚期肝脏,而在中期、预测结果和注释结果非常一致。此外,它也表明分割算法融合的联接和WGAN比3 d VNet更准确的分割结果,这显然是明显的边界轮廓,可以看到从图3 - 5列11。即使在后期,当分割效果相对较差,分割算法融合和VNet WGAN仍表现出良好的性能。如第六列图所示11,分割效果的3 d VNet注释结果有所不同。这证明算法的分割效果在这项研究更加细化和接近专家手动分割的结果。

6。结论

在这项研究中,我们使用了VNet_WGAN网络自动分割肝脏在肝脏分割克服当前困难的任务。该算法解决了层间信息的缺乏中数据的二维分割网络,采用三个相邻切片作为输入,并使用两个卷积内核增强3 d数据的上下文信息。因此,我们的方法有效地提高了分割精度。网络结构设计而言,残余的链接池引入联接,跳过连接部分是改善,和高级特性信息和低级特征信息有效融合的特征提取部分。此外,优化模型的学习能力特性在培训过程中,复合损失函数的加权融合边界的丧失和骰子损失作为损失函数发生器,确保更清晰的边缘和纹理信息。在这项研究中,实验在两个数据集,床位数和混乱,来验证的有效性和泛化VNet_WGAN分割算法。实验结果表明,与其他分割算法相比,该方法提高了骰子价值至少3%由分割精度高时减少内存占用和计算量。这为临床医生提供了一个有力的参考执行肝脏分割。

然而,算法的适用范围有一定的局限性,损失函数的部分适用于其他医学图像处理任务,如肺结节检测和脑部肿瘤分割。在后续的工作中,进一步细化和分割的肿瘤的主要目的是在此基础上研究在未来。

数据可用性

这篇论文使用的数据从床位数制备得到的数据集(https://academictorrents.com/details/27772adef6f563a1ecc0ae19a528b956e6c803ce)和混乱的数据集(https://chaos.grand-challenge.org/Download/)。

的利益冲突

作者声明没有财务或其他利益冲突的研究和出版。

确认

这项工作是支持的基础科学研究在中央大学北方民族大学(2021 kjcx09 FWNX21, ZDZX201801),宁夏的自然科学基金(2020 aac3215),以及计算机视觉和虚拟现实的创新小组的北方民族大学,北方民族大学教育教学改革项目(2018 zhjy01)。

引用

1. r·l·西格尔,k·d·米勒和a . Jemal癌症统计数据,2010年,“Ca癌症期刊对临床医师,60卷,不。5,277 - 300年,2010页。视图:出版商的网站|谷歌学术搜索
2. j j。顾,k, B.-Q。Yu X.-B。廖,h。陈,d .雪”研究技术水平的计算机断层扫描和磁共振成像设备在浦东新区,上海,“中国卫生资源,21卷,不。6,63 - 66年,2018页。视图:谷歌学术搜索
3. d . l .祖茂堂“磁共振成像”,中国高等教育出版社,21卷,页1 - 2004。视图:谷歌学术搜索
4. m·h·Hesamian w·贾,x,他和p·肯尼迪,“深度学习技术医学图像分割:成就和挑战,”数码影像杂志,32卷,不。4、582 - 596年,2019页。视图:出版商的网站|谷歌学术搜索
5. a . Krizhevsky i Sutskever, g·e·辛顿“ImageNet分类与深卷积神经网络,”ACM的通信,60卷,不。6,84 - 90年,2017页。视图:出版商的网站|谷歌学术搜索
6. y, l·张,王,“信息熵图像分割算法的研究和改进,”微机信息,23卷,第210 - 209页,2010年。视图:谷歌学术搜索
7. x Xi, h·杜x孟et al .,”层次的分割方法乳房肿瘤,”南京大学学报:自然科学版,卷238,不。1,第74 - 64页,2018。视图:谷歌学术搜索
8. r . j .钱和t . s .黄”,在二维图像最优边缘检测,”IEEE反式图像的过程,5卷,不。7,1215 - 1220年,1996页。视图:出版商的网站|谷歌学术搜索
9. h . y .侯、t·高和t . Li图像分割方法的总结,“计算机知识和技术,15卷,不。5,182 - 183年,2019页。视图:谷歌学术搜索
10. j .长,大肠Shelhamer, t·达雷尔“完全卷积网络语义分割”2015年IEEE计算机视觉与模式识别会议美国夏威夷,页3431 - 3440,,2015。视图:谷歌学术搜索
11. o . Ronneberger、p·费舍尔和t . Brox”U-net:卷积网络生物医学图像分割”在18日医学影像计算和计算机辅助介入的国际会议施普林格,页234 - 241年,可汗,2015年。视图:谷歌学术搜索
12. z, m . m . r . Siddiquee: Tajbakhsh, j .梁,“UNet + +:一个嵌套U-Net架构用于医学图像分割”深度学习在医学图像分析和多通道学习临床决策支持页3-11,格拉纳达,西班牙,2018。视图:谷歌学术搜索
13. 李x h . Chen x气,问:窦,c·w·傅和p·a·亨”H-DenseUNet:紧密连接UNet混合的肝和肝肿瘤分割CT卷,“IEEE医学成像,37卷,不。12日,第2673 - 2663页,2048年。视图:谷歌学术搜索
14. b . Sakboonyara和p . Taeprasartsit U-Net和均值漂移直方图,有效的肝脏CT图像分割,”2019年11日知识和智能技术国际会议(自主)页,51-56普吉岛,泰国,2019年。视图:谷歌学术搜索
15. r·k·Pandey, Vasan a和a . g . Ramakrishnan”分割肝脏病变减少复杂性的深度模式,”2018年,https://arxiv.org/pdf/1805.09233v1.pdf。视图:谷歌学术搜索
16. w·史,j .绅士f . Huszar et al .,“单一图像的实时和视频超分辨率使用高效的亚像素卷积神经网络”IEEE计算机视觉与模式识别会议,页1874 - 1883,拉斯维加斯,内华达州,美国,2016年。视图:谷歌学术搜索
17. j·a·帕克、r . v .肯扬和d e . Troxel博士“插值图像重采样方法的比较IEEE医学成像,卷2,不。1 - 39,1983页。视图:出版商的网站|谷歌学术搜索
18. 王z和g . Wang,“Triplanar卷积神经网络自动肝脏和肿瘤图像分割,“可执行性工程的国际期刊,14卷,不。12日,第3158 - 3151页,2018年。视图:谷歌学术搜索
19. A·阿布达拉:Ahmed Dakua, s·j . Abinahed,“surgical-oriented肝脏分割方法使用深度学习,”IEEE国际会议信息、物联网和支持技术(ICIoT)322年,页318 -多哈,卡塔尔,2020。视图:谷歌学术搜索
20. f . Milletari:布,s . a .艾哈迈迪”V-net:完全卷积神经网络容量医学图像分割”2016年的第四届国际会议上3 d视觉(3 dv)美国斯坦福大学,页565 - 571,2016。视图:谷歌学术搜索
21. 格拉汉姆·古德费勒,j . Pouget-Abadie m . Mirza et al .,“生成敌对的网,”第27届国际会议上神经信息处理系统麻省理工学院出版社,页2672 - 2680年,蒙特利尔,加拿大,2014。视图:谷歌学术搜索
22. 梁x, y、m .赵c . Wang和江y”Few-shot学习与生成对抗网络基于woa13数据,”电脑,材料和连续,60卷,不。3、1073 - 1085年,2019页。视图:出版商的网站|谷歌学术搜索
23. 严诉Sandfort, k, p . j .皮克哈特,让和r·m·萨默斯(lawrence Summers)”数据增加使用生成对抗网络(CycleGAN)提高CT的普遍性细分任务,”科学报告,9卷,不。1,第16889 - 16884页,2019。视图:出版商的网站|谷歌学术搜索
24. f . Zhang h .赵w .应问:刘,a . Noel约瑟夫•拉杰和b .傅“人脸素描rgb图像与边缘优化和生成对抗的网络,”智能自动化&软计算,26卷,不。4、1391 - 1401年,2020页。视图:出版商的网站|谷歌学术搜索
25. p .吕克·c . Couprie s Chintala, j . Verbeek“语义分割使用敌对的网络,”2016年,https://arXiv.org/pdf/1611.08408.pdf。视图:谷歌学术搜索
26. m·米尔扎和s Osindero条件生成敌对的网,“2014年,https://arxiv.org/pdf/1411.1784.pdf。视图:谷歌学术搜索
27. a·雷德福l·梅茨,美国Chintala”与深卷积生成对抗网络无监督学习表示,“2015年,https://arxiv.org/pdf/1511.06434.pdf。视图:谷歌学术搜索
28. r . Houthooft x, y, j·舒尔曼Sutskever,和p . Abbeel”InfoGAN:可表示学习信息最大化生成敌对的网,“2016年,https://arxiv.org/pdf/1606.03657.pdf。视图:谷歌学术搜索
29. m . Arjovsky s Chintala, l . Bottou“甘瓦瑟斯坦,”2017年,https://arxiv.org/pdf/1701.07875.pdf。视图:谷歌学术搜索
30. k . m .他x y, s .问:a .任和j .太阳,“深残余学习图像识别,”IEEE计算机视觉与模式识别会议IEEE,页770 - 778年,拉斯维加斯,2016。视图:谷歌学术搜索
31. w·t·朱、黄y . f . l .曾庆红et al。”AnatomyNet:深度学习的快速和完全自动化的整个体积分割的头部和颈部解剖学、”医学物理学,46卷,不。2、576 - 589年,2019页。视图:出版商的网站|谷歌学术搜索
32. h·杰,s, s, s . Albanie“Squeeze-and-excitation网络”IEEE / CVF计算机视觉与模式识别会议IEEE,页7132 - 7141年,2018年盐湖城。视图:谷歌学术搜索
33. g . l . c . Chen帕潘德里欧、f·斯沃夫和h·亚当,”语义图像分割反思深黑色的卷积,”2017年,http://arxiv.org/pdf/1706.05587.pdf。视图:谷歌学术搜索
34. k . c . Kaluva m . Khened a·科瑞和g . Krishnamurthi”2 d-densely连接卷积神经网络自动肝脏和肿瘤分割,“2018年,https://arxiv.org/pdf/1802.02182v1.pdf。视图:谷歌学术搜索
35. b . Kim和j . c .你们Cycle-consistent对抗网络与多相U-Nets肝脏病灶分割,“2018年,https://openreview.net/forum?Id=SyQtAooiz。视图:谷歌学术搜索

版权

版权©2021年吉林马等。这是一个开放分布式下文章知识共享归属许可,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。