通用的医学图像处理和分析框架与应用程序自动骨龄评估

文摘

深度学习技术做出了巨大的对医学图像处理和分析的影响。通常,医学图像处理和分析的过程通过深度学习技术包括图像分割、图像增强、分类或回归。深度学习经常提到的监管面临的挑战是缺乏注释的训练数据。在本文中,我们的目标是解决问题的培训转移深层神经网络的带注释的数据量有限。我们提出了一个通用的框架,通过深主动学习医学图像处理和分析技术。框架包括(1)应用深段主动学习方法感兴趣的特定区域(roi)从原始医学图像通过使用带注释的数据尽可能少;(2)生成对抗网络是用来增强对比度,锐度,和分段roi的亮度;(3)学习节奏的转移(PTL)策略这意味着微调层深层神经网络从上到下逐步执行医学图像分类或回归任务。此外,为了理解deep-learning-based医学图像处理任务的必要性,为临床使用提供的线索,类活动映射(CAM)是在我们的框架来可视化特征图。为了说明该框架的有效性,我们应用框架,骨龄评估(BAA)任务使用RSNA数据集,实现先进的性能。实验结果表明,该框架可以有效地应用于医学图像分析任务。

1。介绍

最近,深度学习取得了巨大的成功在医学图像处理和分析。等任务分类,每个医学图像分配给一个类别标签,现在几乎只完成了深度学习技术。

问题时常常引用深度学习方法应用到医学图像分析是带注释的训练数据的缺乏,即使大无标号数据集更广泛使用(1,2]。手动标记为医学图像是昂贵的,耗时的,需要有经验的医生。因此,减少标签数据是deep-learning-based医学图像处理的关键任务和培训深神经网络有限的标记数据是具有挑战性的。

一般来说,一个共同的框架应用于医学图像分类或回归通过深度学习技术包含图像分割,图像增强,和预测,如骨龄评估(3- - - - - -5)、肺炎检测在胸部x光检查6),乳房摄影质量分类(7),糖尿病性视网膜病变的分类(8[],脑瘤分析9)等。所有现有的医学图像处理和分析领域的工作重点是一个方面,如分割、检测和异常的分类(10)四个实验的不同处理和分析任务执行在不同模式的方法转移学习总结。在这篇文章中,我们进一步扩展方法和发展成一个框架,用于医学图像处理。拟议的框架旨在解决提到的问题,包括三个要点:(1)缓解人类注释负担,我们利用一种称为深主动学习的技术(AL)积极选择用有用的信息对人类未标记样本标签在每个迭代训练。(2)由于医学图像样本经常在强度相差很大,对比度,亮度,有必要提高图像质量和规范化训练模型的图像分类或回归。我们使用深汽车编码器网络对抗训练来解决这个问题。(3)积极利用源模型和调整参数的知识在医学图像处理任务中,我们建议学习节奏的转移(PTL)来调整深卷积神经网络(CNN)根据指定的规则。

提出了通用的框架可以很容易地应用于不同的医学图像分类或回归任务有限的注释数据,进一步提高了模型的性能。进一步说明了该框架的有效性,我们应用骨龄评估框架(BAA)的任务。我们使用该方法评估性能公共数据集从2017年儿童骨龄挑战由北美放射学会(RNSA) [11]。我们提出的框架与应用程序的概述BAA任务如图1。演示的方法达到的精度意味着平均误差(美)5.991和6.263个月对于男性和女性人群,从而达到最先进的性能。

2。方法

本文的主要贡献如下:(1)我们提出一个方法深基地并应用到医学图像语义分割任务。通过使用深AL查询由委员会(QBC) [12策略,我们可以显著减轻人工注释负担,同时模型的准确性得到保证。(2)我们提出一个新颖的医学图像给人好感的引擎,由甘来增强图像和规范化grayscale-based医学图像的质量。(3)我们建议PTL战略调整off-the-shell深CNN为特定任务,确保模型实现令人印象深刻的表现与传统方法相比在深转移学习。

2.1。医学图像分割

从原始医学图像中提取特定的RoI可以显著减少搜索空间,减轻计算负担。此外,减去无关的噪声在医学图像能提高模型在预测阶段的表现。然而,它是不容易建立一个从原始医学图像非线性映射到特定的roi的变化对比,在医学图像清晰度和亮度。

尽管deep-learning-based图像分割任务获得显著的性能,大量的注释图像是必要的。在实践中,标签工作是费时,可能需要专业知识。主动学习的目的是学会一个分类器设置数据来标记和标签必须显式地要求和支付。希望可以找到准确的分类器通过购买几个标签(13]。在这种情况下,为了部分具体从原始医学图像roi,我们建议深主动学习方法来减轻注释负担,同时保证使用尽可能少的带安全标签的数据模型的准确性。

更好的理解我们的图像分割方法,有必要解释深层神经网络的基本功能是最更新的分类网络,将被转移到我们的医学图像领域和任务。密集连接卷积网络(DenseNets) [14]显示引人注目的准确性和出色的收敛行为在几个大型图像识别任务。同时,跳过连接从取样到采样恢复路径通常采用空间的详细信息通过重用特征映射(15]。为了利用深DenseNet的强大的功能,并高效地解决对象,提出过渡,过渡块(16,17)聘为完全连接DenseNet (FC-DenseNet)执行图像语义分割。FC-DenseNet采用成我们的应用程序的结构如图2。

我们使用三个过渡块和三个过渡块。中间的层在整个网络包含192个特征图,我们平这个特性图来表示输入x射线图像的高级特性,紫色块如图2。

在图像语义分类的研究领域,pixelwise损失函数通常是用来惩罚之间的距离地面真理和预测概率地图。通常,pixelwise损失函数由交叉熵定义如下: 在哪里是一个二进制的值对应的像素和是一种预测像素的概率。

骰子系数是另一个有用的指标来评估分割的质量,因为它认为真理分割结果和地面之间的重叠。更重要的是,在医学图像分割、边界的连续性可以提高模型与骰子损失(18]。骰子系数定义如下: 在哪里是一个相应的图像和分割掩模是一位二进制手面具与大津算法预测概率地图上19]。

骰子系数过高会导致强大的深层神经网络的性能和精确的分割结果。为了优化神经网络由骰子系数,我们选择作为罚函数最小化。最后,我们的损失函数 相当于

2.2。深主动学习的应用

铝框架的主要假设是,学习者可以选择特定的数据为oracle注释包含最丰富的信息。最近,很多图像分割方法使用策略提出了。在绝大多数的情况下,积极的学习者使用的不确定性抽样策略(20.)选择标记数据包含重要的信息标记由oracle (21- - - - - -24]。不确定性采样策略的关键是测量数据的不确定性。为了解决这个问题,现有的算法经常使用的概念至少有信心(20.)、数据多样性(23),交叉熵(22)等。

相比之下,我们的任务是选择图像通过QBC策略,因为QBC可以利用多个模型。QBC,委员会正在训练中的每一个成员在同一数据集。选择下一个查询根据最大的原则分歧。研究领域的语义分割图像,在委员会成员代表了神经网络图像分割。被定义为一个委员会正式结束和表明委员会成员的数量。

在实践中,有必要在训练阶段智力选择数据在各框架。这次,我们使用不确定性抽样选择最有益的查询实例的委员会不同意。在图像分割的任务中,我们需要定义数据的不确定性,也就是说。,分歧水平的数据。因为我们训练一组在委员会成员,每个成员学习输入图像的高级功能,如紫色的矢量图所示2,分歧水平可以被定义为正弦不同: 在哪里代表了高层特征向量提取的成员在委员会 。每个成员之间的不同可以制定为矩阵:

与方程(5)和(6),我们就可以推断出一个不同的形象:

最高的数据不同指示最分歧水平的委员会,和数据包含模型训练最重要的信息。甲骨文需要给地面实况等数据的注释,然后添加标签数据下培训的时代。

总之,提出深AL医学图像分割算法中描述的算法1。

提出深AL框架BAA如图的应用3。

2.3。通过生成图像增强对抗的网络

医学图像数据经常在强度相差很大,对比度,亮度;有必要提高图像质量和规范化的图像分类和回归模型的训练。在某种程度上,图像增强可以被定义为一个图像增强翻译任务的输出图像生成从输入原始图像分割。

生成对抗网络(GAN)是一个生成模型创建输出一样真实的黄金标准(25]。通常,GAN包含两个网络,鉴别器和一台发电机。前者试图区分图像是否从金本位或生成器生成的输出,而后者试图生成输出一样现实鉴别器不能区分它的黄金标准。

在我们的框架中,我们定义了发电机G是一个从分割医学图像地图x一个增强的图像y正式, 。的网络结构G被定义为一个U净。鉴频器的D一副地图二元分类 ,0和1表明是否在哪里y是金标准或生成的吗G。的网络结构D包括三个CNN层和一层FC。之间的关系G和DBAA如图中的应用4。

由于图像分割任务可以被定义为一个图像生成任务,我们采用方程(4)的损失函数g .然后,GAN医学图像增强任务的目标函数可以作为制定

注意,在甘条件(26),需要生成图像的随机噪声,而在我们的任务,需要分割医学图像生成增强图像。然后,可以定义为优化问题

为 ,目标是正确区分是否生成的图像是一个黄金标准;优化目标是

2.4。节奏转移学习医学图像分类或回归

这是显示在[10],从头开始培训一个深CNN是困难的,因为它需要大量的训练数据的标签。幸运的是,一个有前途的替代方法是调整pretrained CNN可能比一个CNN从头开始训练。在我们的常识,较低层的CNN学习底层图像特征,如形状、边缘,等等,而更高层次学习高级特性,对特定的应用程序更重要。

一般来说,转移学习的神经网络包含off-the-shell CNN紧随其后的是一个完全连接(FC)层。off-the-shell CNN的权重由pretrained初始化权重在源领域;然而,在俱乐部层参数样本来自正态分布与零均值和标准偏差小。它见10)随机初始化权重往往导致大噪音,当我们通过梯度像样的风格的优化算法优化CNN,细粒度参数将跳出全局最优的解决方案,并可能导致不良的局部最小值。在这种情况下,如果我们调整所有的层在初始阶段,训练有素的权重可能会被覆盖。更严重的是,解决方案可能不会回到最优解决方案,因为我们只有一个有限的医学图像数据对模型的训练。

为了解决这个问题,我们提出了学习节奏的转移(PTL)。PTL意味着微调层深层神经网络逐步从上到下。在初始阶段,我们只能调整随机初始化FC层神经网络。然后,当损失降低到一个稳定的状态,我们进一步调整第二最高层次。几个微调步骤,所有层深层神经网络调整在一起,直到模型是收敛的。

为了说明PTL是如何工作的,在这里我们使用Xception并应用到BAA解释的任务的细节调整的过程。由于特征图的大小,当然,Xception可以分为三个模块:输入流块,中间流程框图,并退出流程框图,如图5。通过使用该PTL,我们按顺序调整参数在每个块从上到下。在第一步,我们只训练参数在俱乐部层固定其他参数。随着损失收敛于一个稳定的状态,我们调整蓝色矩形中的参数。之前培训的一块,调整参数在以前的街区为特定的任务必须完成培训。因此,PTL防止覆盖的调整参数,可以实现一个积极采用off-the-shell CNN的细化。

2.5。通过类激活映射指导临床实践

尽管CNN达到令人印象深刻的表现,有必要调查CNN的基本功能,为临床实践提供解释。CNN的高级层次,比如FC层在CNN,代表图像识别任务非常有效的通用功能。证明(15类),激活特定类别显示地图(CAM)区别的图像区域CNN识别所使用的那一类。提出了网络,FC层在随后的CNN全球平均池(GAP)层。差距的基本功能层输出特性的空间平均每个单元在最后CNN地图层,和FC层使用加权和操作来生成最终的输出。因此,层和FC层的差距反映了哪一部分的特征映射对最终的输出是至关重要的。凸轮地图预测类分数回到前CNN层生成的RoI模型训练是至关重要的。

3所示。应用程序和结果

说明该框架的有效性和性能,我们应用框架BAA的任务在一个公共可用数据集从RSNA骨龄的挑战11]。骨骼BAA是一种常见的临床实践评价孩子的骨骼成熟阶段(17,27]。之间的不相容的实足年龄和发展骨龄显示在骨骼畸形发展。放射科医生可以评估生长障碍,监控荷尔蒙疗法,通过BAA和预测成年身高。执行BAA,使用框架时,我们需要从原始段手RoI x光射线照片,提高手RoI的质量,使用转移学习预测骨龄。

3.1。数据概述

手提供的射线照片RSNA包含12611例在训练数据集。骨龄范围从1个月到228个月,如图6。

手型有不同的形状、灰度和大小。一些图像和白色背景黑色的骨头,反之亦然。更糟的是,这些图片是随机旋转不同的角度和手是模糊的边界在某些情况下。图7显示了一个说明的原始x射线图像。

3.2。深手分割主动学习

在本节中,我们使用FC-DenseNet手射线照片分割网络和雇佣QBC战略积极段手从原始x射线图像RoI。详细的训练方法中说明了算法1。在我们的实验中,我们设置委员会三个大小。我们训练三个FC-DenseNets架构图中描述2并初始化模型参数与不同的随机种子的特征向量是不同。在每个迭代训练,提出深AL框架选择信息最丰富的数据在未标记的数据集,问人力甲骨文手面具。

在培训的初始化阶段,我们手动标注100原始x射线图像。设计交互式程序可以告诉我们哪些数据是至关重要的对于培训在每个迭代,然后我们给地面真理的x射线图像,并将它们添加到标记的训练数据集。确定聚合模型,我们使用训练DenseNets推断出无标号数据和视觉检查分割结果。完全,我们注释400生的x射线图像,和精制FC-DenseNets AL可以精确段所有的数据。一些图像选择在几个时代如图8。我们观察到选定的原始图像与大多数不同特性有明显不同的分割结果。这一现象表明该基地框架QBC策略有效地工作。和分割结果如图9。分段的手面具后,我们出现的手从完整图像roi,如最后一行,如图所示9。

作为比较,我们使用U-Net训练细分网络只有400注释手RoI没有技术。分割结果第二行,如图所示9。很明显,与艾尔·培训技巧,分割性能显著提高。这表明该半岛分割网络训练算法能有效地选择数据并生成分割结果与高质量。

3.3。手RoI增强通过生成对抗的网络

在我们的实验中,我们手动调整对比度、亮度、清晰度500手的分割图像和表示预处理的图像作为黄金标准。手动带注释的图像和相应的原始图像构成的训练数据。为了防止过度拟合和改善模型性能,我们增加数据通过翻转图像在垂直轴和从−随机旋转30°30°。图像增强的结果如图所示10。

从图10,我们可以观察到增强的图像有一个非常相似的黄金标准,很难区分黄金标准生成的图像。作为比较,我们使用contrast-limited自适应直方图均衡化(CLAHE)处理分割图像,如第三行,如图所示10。很明显,图像质量的处理CLAHE不如GAN生成稳定的图像。这表明,G有强大的能力可靠地提高所有图像数据集。

3.4。骨龄评估通过学习节奏的转移

为了防止过度拟合,我们采用在线数据用随机旋转,增加随机缩放,随机的,水平翻转。此外,我们样品相同数量的数据在每个骨龄保持平衡数据分类。我们实现了我们的模型与Keras和TensorFlow,和我们训练模型NVIDIA-DGX-1V机器上配备8特斯拉V100 gpu。此外,我们训练的模型通过RMSprop算法0.001基础学习速率,而学习速率降低了衰变为0.05。每个培训时代只花了3分钟。我们的源代码中可用https://github.com/awp4211/bone-age-assessment。

证明拟议中的节奏转移学习策略优于传统学习方法转移,我们单调的调整每一块图的参数5当我们固定的参数以外的块。图11介绍了损失对不同调整模型。

每个转移学习模型训练和增强手射线照片的大小为299×299。在每个数据集的一部分,所有,男,和女性群体,我们的模型达到最佳性能,提出PTL技术相比其他转移学习设置。进一步的结论是,即使我们调整更大数量的参数在整个CNN开始,即。从项目块微调,微调所有层,模型没有损失降低到一个较低的水平。这表明微调所有层的初期可能会恶化细粒度参数。相反,微调少量的参数模型训练是不够的。这种情况下可能发生在转移学习医学图像处理任务,因为之间存在着巨大的差异自然图像和医学图像。模型的性能与不同转移学习策略相比,在图12。微调与节奏的学习转移显著超过别人。

从图12,我们得出的结论是,学习节奏的转移可以显著改善模型性能和减少美。通过观察图的前三列12我们认为,通过使用增强的手分割图像,我们的模型获得更好的性能。拟议的BAA模型实现美7.664,5.991,和6.263个月,男,分别和女性人群。更重要的是,分离患者为男性和女性人群可以稍微改善模型性能。这一现象背后的原因是,男性和女性人群与不同的标准判断临床实践(28]。

此外,我们比较我们的方法与现有的BAA和深度学习方法和总结表的美和数据集大小1。该方法获得了更好的性能在一个大型数据集包含12611例。

通过观察表1,很明显,我们的模型在其他方法在美评估和训练时间的一部分。与前两次相比BAA方法通过转移学习(4,5),我们可以得出结论,提出PTL技术显著转移pretrained权重医学图像处理任务和加快了训练过程。拟议中的PTL成功阻止捕捉到局部最小值,使模型收敛的几个训练步骤。此外,相比之下,这两种方法在一个相对小的数据集训练(3,29日),我们的模型成功的杠杆中提供的所有信息数据集和实现更高的性能。

更重要的是,由于使用PTL技术,我们的模型聚合在75时代在每个队列的数据集和训练时间少得多。相比之前的所有方法在表1,我们使用在线采样数据增加成功防止过度拟合和每个培训时代是只需要3分钟。

进一步说明建议的方法对BAA的性能,我们比较方法的排行榜上可用RSNA挑战的网站。

从表2,我们可以发现我们的结果达到等级4和9级男性和女性人群。

3.5。可视化类激活映射CNN

代表男性和女性的骨骼发展生成凸轮如图13。

在图12,强调了roi图像的重要部分来执行最后的骨龄评估。与掌骨骨相比,凸轮的关注更少关注腕男性骨骼,骨骼暗示掌骨骨是重要的预测骨龄为男性在我们的方法。而对于女性,凸轮集中在一个大范围的手骨,包括指骨的尾巴,掌骨的骨头,腕的骨头。然而,腕骨骨更确定骨的关键年龄。

4所示。结论

在本文中,我们提出了一个通用的框架,使用深度学习医学图像处理和分析技术。在数据预处理阶段,我们提出一个深铝框架,积极选择最翔实的数据注释和FC-DenseNet段特定的RoI。此外,氮化镓是用来提高医学图像质量。对于医学图像回归或分类任务,我们建议PTL微调off-the-shell CNN和执行预测。此外,我们想象的深CNN使用凸轮和解释这部分图像计算机辅助系统为特定的医学图像处理的关键任务。来说明该框架的有效性和性能,我们对我们的模型在BAA任务RSNA测试数据集。我们的模型达到5.991和6.263个月的美在男性和女性人群,与最先进的性能在一个大型的数据集。我们认为,拟议的框架也可以应用于其他医学图像识别任务。

5。未来的工作

尽管该方法达到了最先进的性能,也有一些局限性。一个问题是,我们需要注释几个图片在最初的训练阶段与特定的RoI。由于训练样本的数量有限,模型可能陷阱陷入局部最小值。另一个限制是该方法不能完全自动提高医学图像的质量。

调查提出了让许多开放的未来研究的挑战和问题。我们简明地讨论其中的一些在下面:(1)拟议的框架适用于医学图像的不同形式,如磁共振成像(MRI)、计算机断层扫描(CT)和超声(美国)。(2)整合不同来源的off-the-shell CNN的框架,即。,将其他off-the-shell cnn医学应用。(3)艾尔和PTL适用于不同类型的医学图像处理任务,如检测和定位。

数据可用性

x射线成像数据用于支持这项研究的结果已经存入RSNA库http://rsnachallenges.cloudapp.net/competitions/4。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是研究生创新基金在西安大学授予CXJJ2017005下文章和通讯。

引用

1. 诉Cheplygina、m . d . Bruijne和j·p·w·Pluim”Not-so-supervised: semi-supervised的调查、多实例和转移学习在医学图像分析中,“2018年,https://arxiv.org/abs/1804.06353。视图:谷歌学术搜索
2. g . Litjens t . Kooi b . e . Bejnordi et al .,”一个调查深度学习在医学图像分析中,“医学图像分析,42卷,不。9日,60 - 88、2017页。视图:出版商的网站|谷歌学术搜索
3. c . Spampinato宫殿,d .佐丹奴et al .,“深度学习自动化的骨骼骨龄评估的x射线图像☆”,医学图像分析卷,36 41-51,2016页。视图:出版商的网站|谷歌学术搜索
4. 诉Iglovikov, a . Rakhlin a·卡里宁等。儿童骨龄评估使用深卷积神经网络,[12]骨龄使用卷积神经网络识别,2017,https://arxiv.org/abs/1712.05053。
5. h·李,s .泰米尔j·李et al .,“骨龄评估,完全自动化的深度学习系统”数码影像杂志,30卷,不。4、427 - 441年,2017页。视图:出版商的网站|谷歌学术搜索
6. p . Rajpurkar j·欧文,朱k . et al .,“CheXNet: radiologist-level肺炎检测与深度学习在胸部x光检查,”2017年,https://arxiv.org/abs/1711.05225。视图:谷歌学术搜索
7. t . Kooi g . Litjens g . b . Van et al .,“大规模深度学习的计算机辅助检测乳腺病变,“医学图像分析,35卷,第312 - 303页,2017年。视图:出版商的网站|谷歌学术搜索
8. m·j·j·p·诉Grinsven b . v . Ginneken c . b . Hoyng et al .,“快速卷积神经网络训练使用选择性数据抽样:应用程序在彩色眼底图像,出血检测”IEEE医学成像,35卷,不。5,1273 - 1284年,2016页。视图:出版商的网站|谷歌学术搜索
9. m . Ghafoorian n . Karssemeijer t Heskes et al .,“深多尺度位置感知三维卷积神经网络的自动检测可见的推测血管起源,”科学杂志:临床,14卷,第399 - 391页,2017年。视图:出版商的网站|谷歌学术搜索
10. s . r . n . Tajbakhsh j.y. Shin Gurudu et al .,“卷积神经网络用于医学图像分析:完整的培训或微调吗?”IEEE医学成像,35卷,不。5,1299 - 1312年,2016页。视图:出版商的网站|谷歌学术搜索
11. RSNA”RSNA儿童骨龄的挑战,“2017年12月,http://rsnachallenges.cloudapp.net/competitions/4。视图:谷歌学术搜索
12. h . s . Opper Seung“查询由委员会”学报》第五计算学习理论研讨会,页287 - 294,宾夕法尼亚州匹兹堡,美国,1992年7月。视图:谷歌学术搜索
13. 达斯古普塔,“粗为主动学习样本复杂性界限,”神经信息处理系统,第242 - 235页,2005年。视图:谷歌学术搜索
14. l . v . d . g .黄z Liu Maaten et al .,“密集连接卷积网络”,2016年,https://arxiv.org/abs/1411.1784。视图:谷歌学术搜索
15. a b, a·斯拉Lapedriza et al .,“学习深度特征区别的定位、计算机视觉和模式识别,”学报IEEE计算机视觉与模式识别会议(CVPR)拉斯维加斯,页2921 - 2929年,NV,美国,2016年6月。视图:谷歌学术搜索
16. s . Jegou m . Drozdzal d·巴斯克斯et al .,“一百层提拉米苏:完全语义分割、卷积densenets”学报IEEE计算机视觉与模式识别会议研讨会(CVPRW)拉斯维加斯,页1175 - 1183年,NV,美国,2017年6月。视图:谷歌学术搜索
17. d·富兰克林,“法医年龄估计人类骨骼残骸:当前概念和未来的方向,“法医学,12卷,不。1、1 - 7,2010页。视图:出版商的网站|谷歌学术搜索
18. m . Drozdzal e .沃龙佐夫g .沙特朗et al .,“跳过连接在生物医学图像分割的重要性,”在计算机科学的课堂讲稿施普林格,页179 - 187年,柏林,德国,2016年。视图:谷歌学术搜索
19. 大津,“从灰度直方图的阈值选择方法,”IEEE系统,人,控制论,9卷,不。1、62 - 6 - s6, 1979页。视图:出版商的网站|谷歌学术搜索
20. d·刘易斯和j . Catlett“异构不确定性抽样监督学习,”机器学习的国际会议(ICML)新布伦瑞克,新泽西州,美国,1994年7月。视图:谷歌学术搜索
21. g·特奥多罗·j .香港f . Wang et al .,“自动细胞分割与三维荧光显微图像,”IEEE学报》12日生物医学成像(位ISBI)国际研讨会,页1212 - 1215,布鲁克林,纽约,美国,2015年4月。视图:谷歌学术搜索
22. d·塔,p . j . Schuffler j·a·w·Tielbeek et al .,“主动学习基于分割的克罗恩病视觉特点,使用原则”学报IEEE,生物医学成像(位ISBI)国际研讨会,第229 - 226页,北京,中国,2014年4月。视图:谷歌学术搜索
23. s . d . Jain和k .好莱坞“积极图像分割传播、计算机视觉和模式识别,”学报IEEE计算机视觉与模式识别会议(CVPR)拉斯维加斯,页2864 - 2873年,NV,美国,2016年6月。视图:谷歌学术搜索
24. d·塔和j . m . Buhmann,“视觉saliency-based主动学习为前列腺癌的磁共振成像分割,“医学影像杂志,3卷,不。1,文章ID 014003, 2016。视图:出版商的网站|谷歌学术搜索
25. j·格拉汉姆·古德费勒,j . Pouget-Abadie m . Mirza et al。生成对抗网、国际会议上神经信息处理系统美国马剑桥,麻省理工学院出版社,2014年。
26. m·米尔扎和s Osindero条件生成敌对的网,“计算机科学,第2680 - 2672页,2014年。视图:谷歌学术搜索
27. 诉Gilsanz o . Ratib,手骨龄:数字地图的骨骼成熟英国贝辛斯托克,施普林格自然,2005年。
28. j . o . Forfar“骨骼成熟度的评估和预测成年身高,”美国人类生物学》杂志上,14卷,不。6,788 - 789年,2010页。视图:出版商的网站|谷歌学术搜索
29. w . j .周z . Li智et al .,“使用卷积神经网络和传输为骨龄分类学习,”学报》国际会议上数字图像计算:技术和应用程序,页1 - 6,悉尼,澳大利亚,2017年11月。视图:谷歌学术搜索

版权

版权©2018陈赵等。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。