DMCNN:深多尺度卷积神经网络模型用于医学图像分割

文摘

医学图像分割是图像处理的相关领域的热点问题。精确的医学图像分割是一个重要的保证后续治疗。然而,目前组织边界模糊、低对比度灰色是常见的在医学图像和医学图像的分割精度不能得到有效改善。特别是深度学习方法需要更多的训练样本,导致费时的过程。因此,我们提出一个新颖的医学图像分割模型基于深多尺度卷积神经网络(CNN)。首先,我们从原始医学图像中提取感兴趣的地区。然后,数据增加操作获得更多的训练数据集。我们的方法包含三个模型:编码器,U-net和译码器。编码器主要负责2 d图像块的特征提取。U-net级联的每个块编码器的特点与反褶积得到的在不同尺度下的译码器。 The decoding is mainly responsible for the upsampling of the feature graph after feature extraction of each group. Simulation results show that the new method can boost the segmentation accuracy. And, it has strong robustness compared with other segmentation methods.

1。介绍

医学成像的一个关键区别在临床诊断(1- - - - - -3]。最近,随着医学影像技术的进步和不断发展变化的人工智能图像处理、医学图像处理技术已经逐渐发展成为一个重要的研究领域。它在临床应用是至关重要的。医学图像分割技术的目的是部分感兴趣的部分,一些深自动分割算法并使分割结果尽可能接近原始结构的区域(4]。分割医学图像在临床诊断和病理诊断有很大意义。测量病灶体积与分割的图像可以帮助医生确定疾病和制定治疗计划(5]。

医学影像分割(MIS)是一个必不可少的阶段ROI的利益(地区)提取、量化分析和二维重建。将分割的图像相同或相似的特性(如强度、颜色和纹理)到分离领域,尤其是具有特殊意义的病变区域提取或其他感兴趣的区域(ROI)的复杂背景,临床分析提供依据6]。磁共振成像(MRI)使用核磁共振的原理,它不仅具有较高的软组织分辨率,而且还提供了丰富的脑组织和高分辨率的三维信息。因此,如何在核磁共振图像分割医学图像准确地正在成为一个具有挑战性的任务在医学图像研究[7]。

通过对研究现状的分析,我们总结三种传统的MIS方法:(1)手动分割方法,单调乏味,过度劳动,主观的,容易出错,不适合大规模研究[8];(2)半自动分割方法,该方法需要精确的控制参数和之前消耗了太多的时间在这个过程参数优化(9];(3)传统的分割方法如基于变形模型和活动外观模型(10- - - - - -12),这是基于简单的注册方法。然而,由于海马之间的差异,分割的效率和准确性,一个简单的注册方法仍不理想。

目前,深度学习吸引了更多的关注,基于深CNN模型及其变体已经广泛地用于医学图像处理的各个领域也取得了更好的结果(13- - - - - -15]。例如,Cha [16]介绍了大脑先生使用一个CNN网络图像自动分割方法。该方法独立明确的功能只需要一个(核磁共振)先生的形象。陆et al。17)二维卷积神经网络用于评估电子显微镜图像的分割。Zhang et al。18)采用深CNN评估大脑多通道图像的分割。虽然模型基于CNN获得更好的性能,这些方法有一个共同的问题,即所有网络将图像块作为输入,由于大量的重叠的图像块,冗余计算测试网络,会增加时间成本和图像块大小会影响训练网络的能力。来解决图像分割问题,许多研究人员已经提出了很多方法完全基于卷积网络(FCN)模型来解决图像分割的局限性。FCN可以把整个网络的图像作为输入并生成相应的整幅图像的输出,从而避免造成的问题使用的图像块。然而,效率低。所以,深多尺度CNN模型提出了医学图像分割。主要的贡献说明如下:(1)首先,我们从原始医学图像中提取感兴趣的区域。然后,数据增加操作来获取更多的训练数据集。U-net,编码器和译码器模型用于建设计划的细分框架。(2)编码器主要负责2 d图像块的特征提取。(3)不同尺度的译码器,它将获得每个编码器的功能块的反褶积操作,然后U-net连接在一起。(4)解码主要负责upsampling每组的特征提取后的特征图。

本文源自如下。节2图像分割、相关工作介绍。部分3详细描述了该DMCNN。节4,我们进行实验和分析。部分5总结了工作。

2。相关的工作

2.1。初始模型

为了使卷积神经网络具有更好的学习能力,最直接最有效的方法是使网络层更深。然而,在这个操作有一些缺点:(1)如果培训数量和数据集是有限的,更多的参数很容易导致过度拟合;(2)如果网络比较大,很难利用由于大无穷无尽的计算;(3)网络越深,梯度将会消失,导致的扩散梯度。在这种情况下,很难优化网络模型。《盗梦空间》v1提出2014年(19),卷积层1×1,3×3,5×5,和池的3×3层堆叠在一起,这也增加了网络的宽度和提高网络的适应性的规模。这个操作可以提取不同尺度的特性。《盗梦空间》的一个重要改进v31分解,二维的卷积N×N分为二维旋转1×N和N×1。这种方法的优点是它不仅可以加速计算也增加网络的非线性。

2.2。批正常化

BN旨在添加一个输入数据的标准化处理每一层在神经网络的训练过程,也属于网络层。以前,我们提到,除了网络的输出层,底层网络的参数更新培训期间,导致输入数据的分布的变化在后者的层。在每一层中,最好是添加一个预处理操作。例如,数据在第三层网络的规范化。然后,它输入的第三层计算,这样我们就可以解决这个问题的“内部协变量转变”(20.- - - - - -22]。通过引进批标准化方法,网络收敛速度将大大增加。过度拟合也可以控制。辍学、正规化操作将意识到小的利用率。

2.3。端到端模型和跳连接

相比传统的基于块图像卷积神经网络模型,利用整个图像作为输入端到端模型。整个图像将生成作为输出(23,24]。基于块的图像模型需要单独预测每个像素大小的片。因此,本文中采用的端到端模型可以明显减少时间消耗在分割图像。一般来说,端到端完全模型主要包括美国有线电视新闻网CNN和更快。它结合了不同层次的特征图谱。与FCN U-net模型采用跳连接加入萎缩的特征信息编码路径和反褶积在扩展路径,有利于获得多尺度特征信息来加强网络的特征提取能力。

3所示。提出DMCNN

3.1。数据预处理

获取的医学图像,应该感兴趣的区域提取和预处理作为训练样本和测试网络。之后,灰度正规化是所有获得roi进行。均值和SD(标准差)测量。灰色的正规化水平是评估通过减去平均值和除以SD。在随后的培训和测试过程,提取的图像是运入网络模型作为样本,提取区域如图1。例如,原始图像的大小是256×256,ROI提取之后,我们得到了128×128的补丁和输入到网络培训。

3.2。数据扩展

标记为公共医学图像数据集小在线和他们不方便使用,培训深CNN模型是麻烦的25]。在我们的模型,我们首先采用一些最新数据论证方法扩大原始数据以增加可用的训练样本的数量。本文5个数据扩张方法采用包括垂直方向逆转,随机角度旋转,随机翻译,水平方向逆转,和图像变形。图2显示了一个示例图像的扩张。

3.3。提出的网络模型

提高医学图像分割的准确性,空间信息的图片和相关信息2 d切片之间的有效利用。提出了深多尺度卷积神经网络模型包含三个部分:编码器,U-net,译码器,如图3。

3.3.1。编码器

主要负责2 d切片,特征提取的网络结构如图4。小卷积核卷积网络有利于捕捉本地信息,而大型卷积内核有利于捕获全局信息。然而,在2 d切片roi是不同的,很难选择一个精确的和普遍的卷积内核。为了这个目的,我们使用三种不同的卷积层(1×3×3,5×5)中提取信息的多尺度《盗梦空间》里的V1,从而提取更多的功能。此外,为了减少计算量,不对称卷积内核是用在这个实验中分解N×N与1×二维卷积成两个一维曲线玲珑N和N×1。

同时,扩大的接受域卷积和完美的获得多尺度信息不增加大小的参数,本文增加了扩张与扩张的卷积系数2和4,分别。为一个普通的卷积层3×3,的接受域卷积内核是3×3。摘要就业后扩张卷积(DC),参数的大小保持不变,但卷积的接受域内核成为7×7和15×15。可以看出,直流大大增加卷积的接受域层不增加参数数量。如图4,有三种卷积扩张与膨胀系数1,2,4,分别编码部分,和相应的接受域卷积内核3×3,分别7×7和15×15。在使用不同大小的三个接受字段,它不仅有利于特征提取也有利于更好的捕捉病理区域特性。

然后,从五个不同的卷积级联特性图提取后层,我们使用两个普通3×3卷积层在特征提取过程中。最后,为了减少特征地图的大小,它连接最大池层。在图4卷积,通道的数量在每一层是16。考虑到网络的收敛,批量添加规范化卷积层,后面,ReLu层用作激活函数。

3.3.2。U-Net模型

图5显示该U-net网络结构。U-net网络结构包含两个部分如下:(一)收缩编码器左边的一部分。医学图像处理输入。(b)译码器右边部分。它产生标记输出。(c)跳过连接。它可以级联中的每个块编码器的特点。译码器的功能是通过反褶积运算。

摘要U-net模型显示如图5。

提出整个U-net卷积网络由28层。卷积在这里,24层分布在四个卷积阻塞和四个反褶积。收缩卷积编码器在深多尺度U-net涵盖四块的图所示4。每个卷积块包含两个卷积层(conv)。每个卷积层利用一个3×3卷积核进行卷积。步长是1。同步,每个卷积层是十亿层,一层ReLu修改网络性能。ReLu激活函数有稀疏的能力,可以更好的学习相对稀疏特性的有效数据维度和扮演的角色特性自动脱钩。在每个卷积块,第一次卷积层可以双重特性图。功能图的数量将增加到64。卷积在四层,功能图的数量从64增加到1024。每个卷积块之间,传统U-net的抽样方法采用最大池。 In this paper, we use the 2 × 2 convolution kernel with step length 2 for down-conv operation to achieve a convolution block feature on the image of the sampling operation. Through this down-conv operation, the size of feature graph is reduced by half with iterative deepening, so that the size of input original image is decreased from 128 × 128 layer by layer to 8 × 8.

的膨胀解码器U-net模型包含三个反褶积块,右边的图所示6。反褶积up-conv操作采用3×3卷积核。步长是2,特征图的大小是通过反褶积增加了两倍的原始大小的操作。这个过程可以恢复功能图像作为原始输入图像在过去反褶积块。同时,功能图的数量减半每次反褶积后操作。特征图得到反褶积级联卷积与相应的功能图块的特征输入反褶积块。两个卷积反褶积层在每一块。3×3内核利用卷积(步长为1)。第一层将卷积特性图的数量减少一半后每级联。与原始U-net不完全相同的结构,提出U-net结构充满了零填充卷积在每一层。根据公式(1),输出的大小深多尺度CNN模型可以保证一致的输入图像数据大小用零填充: 在哪里和代表输入和输出图像的大小在DMCNN,分别。F大小为3×3的代表卷积核。P表示大小填充1×1。年代= 1代表的步长。

最后提出U-net模型在本文中,我们巧妙地采用卷积层(其大小是1×1)减少的数量特性图1所示。最终的输出将被处理乙状结肠函数。我们可以得到每个像素的值在0和1之间。病变区是一个概率分布。通过以上处理,最终的图像被认为是DMCNN的概率图。对应于每个像素的值表示点属于损伤的概率。

3.3.3。解码部分

主要负责upsampling特性图后提取每一组特性,结构如图7。卷积译码器部分包含一个反褶积层和一个层。反褶积和卷积batch-normalization ReLu。upsampling后,功能图变成相同的分辨率图像作为输入。最后,最后获得的分割结果是softmax分类器来分析端到端分割。

3.4。损失函数

不同于常用的基于像素点的softmax损失函数(26,27),骰子损失函数是基于损失函数。在医学图像分割、骰子指数通常用来测量对象之间的重叠率和检测区域。如果骰子值较大,然后重叠度较高,分割效果更好。然而,骰子指数不能直接作为损失函数,所以我们使用改进的骰子函数。骰子函数是一个函数,给出了反馈后网络参数为每个区域独立评估(28]。骰子函数的计算形式和过程是在良好的协议与医学图像分割。因此,本文中使用骰子损失函数定义如下: 在哪里代表地面真理。预测的价值。在每个图像块的像素数量。骰子总是作为损失函数,当比较与标记概率图。背景标记值为0的部分将不被计算到损失避免类别不平衡的情况下,加快网络的收敛性,提高分割精度。

4所示。结果与讨论

4.1。数据集和评价指标

数据集来自ADNI(阿尔茨海默病神经影像倡议:adni.loni.usc.edu)[29日,30.]。在这种先进的研究中,100个团体的脑部MRI图像和分割海马标签获得ADNI图书馆。从这个组,80组随机选择交叉验证,剩下的20组进行测试。

改善分割准确性,本研究预处理数据与三个步骤。首先,考虑到海马体只占整个大脑核磁共振图像的一小部分和其他部分无效区域。脑磁共振成像的像素值统计分析,和图片裁剪成80×80×40包括海马体和它周围的空白区域。通过这种方式,可以减少无效的背景信息对有效信息的完整性没有任何影响。第二,加快网络的收敛性和考虑不一致ADNI MRI图像的像素值的平均值和SD方法是利用图像正常化。第三,使津贴为少量的样本数据集,我们增强了MRI图像的左右旋转和旋转,最后获得400核磁共振图像。

准确地反映算法之间的性能差异,我们使用统一的平台。实验的硬件环境是NVIDIA GTX1060Ti,英特尔Corei7处理器,软件环境是Keras2.2.4。在实验中,glorot正态分布方法用于初始化的重量。图像大小为300×300像素在这一节中使用。执行环境是GPU和Geforce 1060 GTX公司。DMCNN中使用的参数表1。

定量评估新方法的性能,骰子相似系数(DSC),灵敏度(SEN)和预测积极价值(PPV)选为医学图像分割结果的评价指标。他们定义如下: 在哪里P表示病变区域分割的算法。T表示该地区地面真理。代表像素区域之间的交集算法的分割区域,真正的分割区域。

4.2。比较分析的分割

摘要100增强后图像增强和400年前图像分割方法。以上部分的评价指标用于评价。PPV森DSC的比较结果,给出了表2。

从表2,它显示的数据增加可以极大地提高分割精度。这也充分证明了数据集的重要性在施工过程的深度学习模型。数据集的大小可以直接影响模型的学习能力。

验证DMCNN片之间可以有效地捕获信息,我们开展多尺度卷积神经网络之间的比较和single-scale CNN。其他条件保持不变。该模型的有效性可以观察到从表3。

我们可以看到,分割的准确性DMCNN显著高于single-scale CNN,这进一步验证DMCNN可以更好的学习更多的功能比single-scale CNN切片序列之间的信息。

同时,我们研究了不同的网络模型对实验结果的影响。两个代表性的分割方法包括U-net和2 d U-net网络模型比较与我们深多尺度U-net表4。DMCNN方法获得的分割精度高于其他两种方法,表明它能更有效地提取特征,提高分割精度。

相比的多个组,将采样层U-net和2 d U-net网络,该网络模型只包含一个downsampling层,这大大减少了参数的大小。参数的数量的编码和解码部分低于5000,大大减少了计算时间。

我们也做比较实验与先进的分段方法包括TLWK [31日延长],[32],和苏珊[33在我们的医疗数据。结果在表5。

TLWK采用传统的随机森林回归方法,延长采用多尺度方法。他们都是自动分割方法,由于不同个体之间巨大的差距,和分割的精度和效率往往不理想,这不是一样高的精度自动分割方法。苏珊只是提高了2 d U-net,所以结果不是很好。一般来说,该方法结合卷积神经网络和多尺度U-net模型优于其他现有的医学图像分割方法。的时间消耗也比其他方法要短。

数据8- - - - - -10海马体的分割比较结果,视网膜血管肉瘤,脑膜瘤。

鉴于分割图像,借据措施给出了相似的预测区域和地面真理区域对象和被定义为如下方程: TP、FP和FN表示真阳性,假阳性和假阴性数量分别。结果在表6。我们可以看到,该分段方法具有更好的结果。

5。结论

提出了一种基于多尺度卷积神经网络的医学图像分割方法。该方法可以实现医学图像的自动分割,分割精度高。CNN模型本文不仅减少了计算量,也有效地捕获多尺度信息。此外,使用U-net完全矿块序列之间的相关信息。采取相关的医学图像分割作为一个例子,ADNI数据库上的实验结果表明,本文的分割方法优于其他方法。该方法可以执行分割任务更容易和准确。在未来,深入研究深度学习方法部分图像和应用到不同类型的图像和不同的实际工程是必要的。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. 阴和b .京,“基于医学图像注释深转移学习”,应用科学与工程》杂志上,22卷,不。2、385 - 390年,2019页。视图:谷歌学术搜索
2. y l .赵z . Chen Yang l .邹和z . j . Wang”使用集群与多个大型数据代表。”IEEE神经网络和学习系统,30卷,不。3、728 - 738年,2019页。视图:出版商的网站|谷歌学术搜索
3. l·t·l·彭z Chen Yang,问:张先生,和j·迪恩,“深卷积计算模型特性学习大数据在互联网上看,“IEEE工业信息,14卷,不。2、790 - 798年,2018页。视图:出版商的网站|谷歌学术搜索
4. 问:张呗,l·t·杨,z, p . Li和h . Yu,“一个统一的智能中医医疗保健和医疗服务框架,“IEEE / ACM事务计算生物学和生物信息学卷,129年,页1 - 8,2019。视图:出版商的网站|谷歌学术搜索
5. s·m·穆萨维,A . Naghsh A . A . Manaf和s . A . r . abu bakar”一个健壮的医学图像水印对盐和胡椒噪音脑核磁共振图像,”多媒体工具和应用程序,卷76,不。7,10313 - 10342年,2017页。视图:出版商的网站|谷歌学术搜索
6. s . Kurtek j . Su c·格林·m·沃恩r·索厄尔和a·斯利瓦斯塔瓦”统计分析手工分割医学图像的结构”计算机视觉和图像理解,卷117,不。9日,第1050 - 1036页,2013年。视图:出版商的网站|谷歌学术搜索
7. l·t·l·赵z Chen Yang, m·贾马尔迪恩和z简王,“深层语义映射学习使用同现数据异构多媒体传输,”ACM交易多媒体计算、通信和应用程序,15卷,不。1、9、2019页。视图:出版商的网站|谷歌学术搜索
8. x, j .姚明,z,和美国Bagci,“3 d自动解剖学分割cut-oriented主动外观模型,基于图”《IEEE国际会议上图像处理2010年9月,香港,中国,。视图:出版商的网站|谷歌学术搜索
9. 问:张呗,z . Chen等人“深度学习诊断脾胃疾病模型与云计算、智能中医”并发性和计算:实践和经验,2019年p . e5252。视图:出版商的网站|谷歌学术搜索
10. 刘贤Lim和r . Mandava multisequence脑瘤的多阶段的半自动方法图像分割,“专家系统与应用程序,卷112,不。1,第300 - 288页,2018。视图:出版商的网站|谷歌学术搜索
11. m·尼尔森k·彼得森,m·尼尔森和m . Lillholm”一个统一框架自动和半自动分割椎骨使用sample-driven主动形状模型,从射线照片”机器视觉及应用,24卷,不。7,1421 - 1434年,2013页。视图:出版商的网站|谷歌学术搜索
12. l .赵z . Chen y, z简王,和v c . m .梁,“通过深层语义映射不完整的多视点集群,”Neurocomputing卷,275年,第1062 - 1053页,2018年。视图:出版商的网站|谷歌学术搜索
13. m·g·罗伯茨e·m·b·帕切科r . Mohankumar t . f .傻瓜和j·e·亚当斯”检测椎骨折测定仪VFA图像使用统计模型的外观和半自动分割,“国际骨质疏松症,21卷,不。12日,第2046 - 2037页,2010年。视图:出版商的网站|谷歌学术搜索
14. m·a·w·g . Wang Li Zuluaga et al .,“交互式医学图像分割使用深度学习和特定于映像的微调,”IEEE医学成像,37卷,不。7,1562 - 1573年,2018页。视图:出版商的网站|谷歌学术搜索
15. j .高p·李,z陈,“大数据的规范化polyadic深卷积计算模型特性学习物联网,”未来一代计算机系统卷,99年,第516 - 508页,2019年。视图:出版商的网站|谷歌学术搜索
16. k . h . Cha l . Hadjiiski r·k·Samala H.-P。陈、e . m . Caoili和r·h·科汉“膀胱分割使用深度学习在CT尿路造影术卷积神经网络和水平集,“医学物理学,43卷,不。4、1882 - 1896年,2016页。视图:出版商的网站|谷歌学术搜索
17. 问:张先生,h, h . Wang d赢了,和s . w . Yoon”dual-tree复杂的基于小波变换的卷积神经网络对人类甲状腺医学图像分割”《IEEE国际会议上医疗信息学,1卷,页191 - 198,纽约,纽约,美国,2018年6月。视图:出版商的网站|谷歌学术搜索
18. w·张,r·李·h·邓et al .,“深卷积神经网络多模isointense婴儿脑部图像分割,“科学杂志卷,108年,第224 - 214页,2015年。视图:出版商的网站|谷歌学术搜索
19. l .赵z . Chen和z . j . Wang”无监督学习数据聚类的多视图负的相关特性,”IEEE信号处理信件,25卷,不。1、60 - 64、2018页。视图:出版商的网站|谷歌学术搜索
20. p . Moeskops m·a . Viergever a . m . Mendrik l . s . de Vries m . j . n . l .弯管机和Isgum,“先生的自动分割的大脑图像卷积神经网络,”IEEE医学成像,35卷,不。5,1252 - 1261年,2016页。视图:出版商的网站|谷歌学术搜索
21. c . Szegedy诉Vanhoucke约飞,j . Shlens z . Wojna,“重新考虑初始计算机视觉架构,”《IEEE 2016 IEEE计算机视觉与模式识别会议(CVPR)拉斯维加斯,页2818 - 2826年,NV,美国,2016年6月。视图:出版商的网站|谷歌学术搜索
22. 约飞和c . Szegedy“批量标准化:加速深层网络训练通过减少内部协变量转变,”美国第32国际会议上国际会议对机器学习ICML 1537卷,第456 - 448页,里尔,法国,2015年7月。视图:谷歌学术搜索
23. l·t·p·李,z Chen Yang, j .高张,和m·j·迪恩“增量深卷积计算模型特性学习工业大数据”IEEE工业信息,15卷,不。3、1341 - 1349年,2019页。视图:出版商的网站|谷歌学术搜索
24. 肖z . c . Liu, n .杜”提高卷积神经网络在医学图像分割中的应用,”计算机科学与技术的前沿》杂志上,13卷,不。9日,第1603 - 1593页,2019年。视图:谷歌学术搜索
25. 罗·潘y, y, j .周”自动分割的鼻咽neoplas图像基于U-net模型,先生”《计算机应用,39卷,不。4、1183 - 1188年,2019页。视图:谷歌学术搜索
26. b . Gaonkar d Hovda:马丁,l . Macyszyn“深度学习的小样本大小设置:级联前馈神经网络用于医学图像分割,“医学成像技术:计算机辅助诊断,9785卷,2016年。视图:谷歌学术搜索
27. j .高,j·李,李y“近似事件检测多传感数据,”杂志的组合优化,32卷,不。4、1002 - 1016年,2016页。视图:出版商的网站|谷歌学术搜索
28. l·t·p·李,z Chen Yang, j .高张,和m·j·迪恩”一种改进的网络交通流分类、堆叠auto-encoder”IEEE网络,32卷,不。6月22 - 27日,2018页。视图:出版商的网站|谷歌学术搜索
29. r·c·杰克·m·a·伯恩斯坦n·c·福克斯et al .,”阿尔茨海默病神经影像倡议(ADNI):核磁共振方法,”磁共振成像杂志》上,27卷,不。4、685 - 691年,2010页。视图:出版商的网站|谷歌学术搜索
30. k·d . Lu Popuri, g . w .叮,r . Balachandar和m . f .乞求,“多通道,多尺度深神经网络对于阿尔茨海默病的早期诊断使用结构性先生和摄影图片,”科学报告,8卷,不。1,p。5697年,2018。视图:出版商的网站|谷歌学术搜索
31. a . v . Opbroek h . c . Achterberg m . w . Vernooij和m . De Bruijne”转移学习相结合的图像分割图像加权和内核学习,”IEEE医学成像,38卷,不。1,第224 - 213页,2019。视图:谷歌学术搜索
32. f·刘,”苏珊:段未经图像结构使用敌对的网络,”磁共振医学,卷81,不。5,3330 - 3345年,2019页。视图:出版商的网站|谷歌学术搜索
33. y, y, y的歌,y,和w·蔡“视网膜血管分割、多尺度网络是网络模型”医学图像计算和计算机辅助Intervention-MICCAI施普林格,页119 - 126年,可汗,瑞士,2018。视图:谷歌学术搜索

版权

版权©2019林腾等。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。