《外交政策》^roi氮化镓与融合区域特性的合成高质量的医学图像

文摘

利用医学图像合成与生成对抗网络(GAN)是有效的扩大医学样本。合成和实际之间的结构一致性图像合成图像的质量的关键指标,和感兴趣的区域(ROI)的合成图像相关的可用性,和这些参数是图像合成的两个关键问题。摘要氮化镓(Fp fusion-ROI补丁^roigan)模型是由合并先天的区域特性基于两阶段循环cycleGAN一致性机制。该模型改进了ROI的组织对比的两两合成,取得了高质量的医学图像及其相应的ROI。定量评价结果在两个公开的数据集,INbreast 2017年小鬼,表明合成的ROI图像有一个骰子系数为0.981±0.11,4.21±2.84豪斯多夫距离相对于原始图像。分类实验结果表明,该合成图像能有效协助机器学习模型的训练,提高预测模型的泛化性能,提高分类精度和4%的敏感性5.3% cycleGAN方法。因此,成对使用Fp医学图像合成^roi氮化镓高与真正的医学图像质量和结构一致性。

1。介绍

临床医学成像是一种重要的非侵入性诊断方法;成像专家可以通过乳房x光检查诊断乳腺癌或癌前期图像(1]。深度学习技术的发展,医学图像合成(2,3)、分类(4),和分割5)基于深度学习已成为医学研究的热点问题。深的神经网络通常需要大量的训练样本,和医学图像数据的大小通常是小因为收集成本高,从而限制医学图像深度学习的应用模型(6]。生成对抗网络(7通常学习从源形态特征映射到目标形态构建的发电机和鉴别器,可用于合成医学图像,从而扩大训练样本(8,9]。崩溃,然而,梯度消失,模式和结构之间的一致性问题真实和合成甘在当前研究过程严重影响图像质量的合成图像(3]。此外,感兴趣的区域(ROI)的医学图像是一个关键因素帮助成像研究,通常是用于培训医学图像分割任务。然而,我们发现,合成的ROI很少被研究10,11]。因此,在目前的研究中,我们专注于高质量的医学图像的合成及其ROI图像。

聂et al。12)是第一个提出生殖敌对的模型使用一个完全卷积神经网络作为一个发电机实现大脑肿瘤的MRI和CT图像之间的转换图像。3 d - base完全卷积神经网络提出了解决问题的间断神经网络在2 d切片,和方法提高了生成的图像质量通过计算图像的梯度差异作为损失函数。实验结果表明,本文提出的方法可以有效地预测CT图像MRI图像,这是一个生成的早期研究和探索对抗网络领域的医学图像合成。Guibas et al。13]提出一种新颖的基于生殖管道模型对抗网络对当前医学图像并不容易。模型提出了由甘甘i期和ii期,使生成更高质量的图像增强的学习掩模图像的图像特征。此外,约翰等人创建了一个名为SynthMed在线合成医学图像数据库,同时又展示GAN-based医学图像的合成的可行性。此外,Chartsias et al。8)提出了一种多输入,多输出完全卷积神经网络对MRI合成、嵌入所有潜在形式输入一个共享空间和共享特性转换成目标输出模式通过学习的潜力空间映射通过译码器。虽然这个方法可以实现多通道输出,生成的图像是掺入冗余信息。Wolterink et al。9cycleGAN用来学习的映射源形态目标形态通过对抗性的损失,导致合成的CT图像,类似于真正的CT图像。考虑到之间缺乏直接的约束,真正的CT图像和CT图像合成,这种方法仍不能保证合成之间的结构一致性和输入图像。康等。14甘)提出了一个条件来提高模型估计和定量评估结果图像,但是这种方法导致不平衡质量跨领域的合成图像。黄等。15]合成神经胶质瘤图像通过使用细小的模型,利用先验信息,而不是噪音作为模型的输入,但合成图像和真实图像的一致性需要改善。

研究GAN-based生成模型,真实之间的结构一致性和合成图像通常会影响合成图像的质量(3]。改善之间的结构性矛盾真实和合成图像在图像合成和合成图像的ROI,我们提出了一种新的方法合成基于cycleGAN成对的医学图像。方法结合区域先验特性的基础上cycleGAN两级循环的一致性来实现高质量的医学图像合成和他们的投资回报。在医学图像的合成过程中,第一阶段模型实现了医学图像的特征映射域的ROI域和目标ROI和non-ROI组织的学习对比功能。第二阶段网络降低了医学图像领域的ROI域合成医学图像。相比之下,合成工艺的ROI,输入ROI图像首先减少到医学图像,然后一个高质量的ROI图像合成基于医学图像的区域对比。两级合成过程是通过循环实现一致性函数cycleGAN [16]。在本文中,我们验证了合成图像的质量通过使用两个公开的数据集,其中良性INbreast数据集的数据没有相应的ROI图像。然后,我们从各种指标定量分析了合成的结果。结果表明,我们提出的方法有效地提高了结构一致性之间的合成和真实图像,合成图像的质量是比最近的一些受欢迎的模型。此外,我们已经验证,本文合成的图像可以提高分类的性能预测模型在大脑中神经胶质瘤分类实验。实验结果表明,本文的方法可以有效地生成高质量的医学图像配对,这将带来新的解决方案医学疾病研究,很难获得数据。

这项工作的贡献总结如下。(1)我们提出了一种新的合成方法合成周期上的成对的医学图像一致性cycleGAN机制,称之为《外交政策》^roi氮化镓(2)改善合成图像的质量,本文帮助生成模型学习ROI和non-ROI组织功能的补充先天的区域特性(3)《外交政策》^roi甘证明其有效性在两个实验数据,实验结果表明,我们的方法可以有效地提高合成图像和真实图像的结构一致性和超越许多流行的图像合成方法

2。材料和方法

2.1。数据集

INbreast [17,18]包含303个正常(没有质量)乳房x光检查和107对乳房x光检查,包括质量数据和相应的ROI图像。考虑到培训需要成对的数据,只有107对图像包含群众终于选为实验数据的预处理。乳房x光成像的分辨率为3328×4084像素和2560×3328像素,和图像存储在dicom格式。我们最先提供的原始图像根据病变区域,和裁剪图像256×256转换为PNG格式,如图1(一)。处理成对数据分为训练集和测试集的比例7:3,图像强度线性归一化到[0,1]通过使用最大的正常化。随后,不规则的数据对实验结果的影响是消除,和网络加快确定最优解。

2017(小鬼19,20.]数据集包含285个医学图像和相应的ROI图像从四个序列,Tl-weighted (T1)、Tl-weighted和对比度增强(T1ce), T2加权(T2)和天赋,包括210高级神经胶质瘤(HGG)和75低级神经胶质瘤(LGG),图像大小为240×240×155像素点。T2序列被选为实验数据,HGG的第90和第100层片图像(中产层包含更多的大脑图像信息相对于立体像素的边缘图像)和相应的ROI提取切片。同样,第90,第95、第100和第105层片LGG图片和相应的ROI提取切片,和每个272对HGG LGG图片收集,如图1 (b)。最后,所有图片都调整为256×256像素。两个小数据集,根据INbreast HGG和LGG规范化的分区和处理方法。

2.2。方法

使网络学习ROI和non-ROI组织的对比信息,完善cycleGAN模型,提出了一个两两图像合成方法,结合区域特点。图2显示模型的流程图,其中网络的输入是医学图像及其对应的ROI。网络开始训练之前,医学图像矩阵乘以它的ROI图像矩阵第一名获得区域图像仅包含肿瘤。然后,我们设计了一块区域特征提取(RFB)提取的语义特征区域图像和融合提取的区域特征的医学图像作为输入源域X和投资回报率作为输入的目标域Y。在网络训练过程中,模型之间的歧视ROI和non-ROI组织特性通过学习域的映射X到域Y。先天的区域特性加强学习过程,然后减少域Y到域X合成医学图像。ROI合成减少域的映射Y到域X和合成高质量的ROI图像基于域的映射X到域Y。图2 (c)显示了合成医学图像,这个过程可以表示为: 所示(我);同样,ROI的合成过程可以表示为: ,(2)所示。本文提出的模型是由两个发电机,也就是说,G和F,和两个鉴别器,即D_x和D_y。

2.2.1。区域特征提取

首先,医学图像与ROI矩阵的乘积为获得区域形象,和操作步骤如图2(a)。我们设计了RFB提取区域图像的高层语义特征,及其结构如图3。特征提取的块是一个简单的卷积神经网络组成的两个镜子填充层,三个卷积层,和一个deconvolutional层。网络中,卷积三层的操作细节放大图的右侧3,包括卷积,卷积细节实例正常化和激活操作。特征映射输出RFB融合后的医学图像作为输入域X。

2.2.2。网络体系结构

在《外交政策》^roi氮化镓模型由两个发电机和两个鉴别器,发电机的结构G和F如图4。发电机由四个卷积层,两层融合,和两个deconvolutional层,和每一个卷积的操作细节层包括卷积、实例正常化和激活操作。提取融合图像的每个像素,发电机首先执行一个3×3镜子填充的形象,和特征地图大小是256×256像素填充后262×262像素。三个卷积过程后,128 - 64×64维特征映射。卷积旨在downsample图像并提取其结构特点,在卷积三层操作的细节被放大成相应的颜色框两侧。此外,我们添加了两个融合层发电机保护的低层次的图像信息。最后,两个反褶积层的图像恢复到其原始大小和完整的图像合成。

鉴频器的输入D_x包括真实的和合成的医学图像,同时鉴别器的输入D_y包括合成和真实的ROI图像。鉴频器由四个卷积层,平层,致密层和乙状结肠活化层。卷积图像被平层,夷为平地,致密层降低了一维的特性。最后,乙状结肠函数决定了图像合成或真实、和鉴频器的细节层是描绘在图5。后立即执行鉴频器的输出发电机。

2.2.3。培训损失

损失函数用于图像的合成包括传统的对抗(7)和周期的一致性损失(16]。映射函数模型使用敌对的损失。映射函数 及其鉴别器D_Y表达(1)如下: 在哪里生成一个图像相似Y域,D_Y区分了合成样品和实际样品。在这个过程中,旨在从ROI和non-ROI组织区分信息,导致后续恢复的过程。G目标是最小化这一目标攻击敌人D_Y它试图最大化, 。同样,在恢复的过程 ,一个类似的映射函数 学习从ROI图像映射到医学图像,在其中 ,在哪里D_X代表其鉴别器。

传统的敌对的损失只能断断续续学域的映射函数X到域Y反之亦然。约束的一致性真实图像的合成图像,我们使用一个周期的一致性的损失函数模型来提高还原过程。在图2 (c), 限制了医学图像的合成工艺 限制了ROI图像的合成工艺。这两个组件构成循环一致性损失,如下面所示:

2.3。评价措施

峰值信噪比(PSNR) [21)、结构相似度(SSIM) [22),和多尺度结构相似(MS-SSIM) [23)被用于合成医学图像的定量评价。骰子和豪斯多夫距离系数被用于合成ROI图像的定量评价。考虑到原始输入和合成图像,PSNR值可以定义如下: 在哪里 表示像素的最大数量x和图片,代表了的像素总数x或 。PSNR值越高,综合性能越好。SSIM用来测量三个度量的图像亮度,对比,和结构,可表示如下: 在哪里和分别表示图像的均值和方差,和表示的协方差x和 。SSIM越接近1,结构相似度越高。大MS-SSIM值代表一个更好的综合性能(24]。骰子系数(25,26)通常用于表示合成性能的ROI图像基于ROI图像y和合成ROI图像如下:

豪斯多夫距离(27),补充骰子评价指标,可以表示如下: 在哪里d代表了欧氏距离。

3所示。结果与讨论

我们的网络是基于PyTorch框架实现。所有实验进行设计的新款高能效型opteron英特尔至强3.7 GHz CPU和GeForce RTX 2080 (8 GB)通过使用Ubuntu 18.04操作系统。所有的数据都在电脑上绘制10 (8 GB)与Windows操作系统。合成的任务期间,所有模型都是训练有素的300时代,训练模型亚当优化器(28使用默认参数,学习速率设置为0.0002。

3.1。INbreast数据集的结果

本节提供了一个比较三种常用的合成模型,即DCGAN [11],Pix2Pix [15],cycleGAN [16]。表1评估整个和肿瘤领域的合成图像,和表2比较了ROI图像的合成结果。表1和2Fp之间的差异进行比较^roigan和其他方法使用成对样品T测试(29日),并且下划线表示Fp之间的显著差异^roi氮化镓和其他方法在显著性水平为0.05。基于实验结果表1,《外交政策》^roigan图像合成方法实现最高的三个评价指标的结果,而DCGAN合成图像结果是最低的。基于整幅图像域的定量分析结果,《外交政策》^roigan值分别为0.832,0.053和0.016高于cycleGAN方法PSNR值的三个评价指标,SSIM, MS-SSIM,分别和1.813,0.113,和0.056高于DCGAN,分别。在肿瘤领域,《外交政策》^roigan值分别为3.657,0.085和0.042高于cycleGAN方法PSNR值的三个评价指标,SSIM, MS-SSIM,分别和4.911,0.095,和0.052高于DCGAN方法,分别。《外交政策》^roi氮化镓方法显著提高相对于其他合成方法在表1。基于实验结果表2,《外交政策》^roigan骰子系数最高,获得0.154高于DCGAN,豪斯多夫距离和评定的报价最低的价值,是3.10低于DCGAN。图6显示了视觉性能的四种合成方法,和外交政策^roigan执行更接近原始图像的一些细节的位置。

3.2。小鬼2017数据集的结果

本节提供了三种常用的合成模型,如DCGAN [11],Pix2Pix [15],cycleGAN [16]。表3和4Fp之间的差异进行比较^roi通过使用paired-sample gan和其他方法t以及(29日),强调表明,Fp^roi氮化镓统计上明显不同于其他方法在显著性水平为0.05。基于实验结果表3Fp的定量分析结果^roigan HGG数据对整个图像域在PSNR值高于cycleGAN, SSIM, MS-SSIM 0.604, 0.002,和0.003,分别为9.135,0.104,和0.097,分别与DCGAN相比。在肿瘤领域,《外交政策》^roi氮化镓在PSNR值高于cycleGAN SSIM, MS-SSIM 6.236, 0.02,和0.023,分别为12.349,0.094,和0.083高于DCGAN方法,分别。Fp的定量分析结果^roigan LGG数据在整个图像域是1.999,0.006,和0.008高于cycleGAN在PSNR值的三个评价指标,SSIM, MS-SSIM,分别和6.951,0.069,和0.066高于DCGAN分别。在肿瘤领域,《外交政策》^roigan值分别为11.248,0.004和0.007高于cycleGAN和14.631,0.105和0.079高于DCGAN。

基于实验结果表4,《外交政策》^roigan HGG数据实现骰子系数最高,这是0.128高于DCGAN,豪斯多夫距离和评定的报价最低的价值,是3.44低于DCGAN。Fp的骰子系数^roigan LGG数据0.101,高于DCGAN一部分和豪斯多夫距离低于DCGAN 3.75。图7显示了视觉效果的四种合成方法,合成肿瘤领域的结果,以及非域,结果比较,见LGG的医学图像。三世显示的结果合成配对图像ITK-SNAP [30.),结果表明,Fp^roi氮化镓方法具有低噪音点比其他合成方法。的结果图像分布的四种合成方法比较图8,直方图显示图像灰度的分布和图像灰度的趋势。在《外交政策》^roi氮化镓的方法总是比原始图像更接近其他三个方法,无论是图像的图像灰度分布和趋势。

先生除了定量评价的合成图像,本文补充神经胶质瘤HGG和LGG分类实验来验证辅助合成的影响,图像的分类实验。考虑到INbreast数据集没有大规模数据缺乏相应的ROI图像,我们的合成方法不适用,无法验证辅助影响其数据集的分类。在图像合成实验,训练集包括380图片,包括190年HGG和LGG数据,和测试集包括164张图片,包含82 HGG LGG数据。在分类实验中,用于测试的数据合成方法与164年被用作训练集图像,合成方法的数据用于训练和380张图片作为测试集,和数据从每个四组添加了合成图像的对比实验中,如表所示5。指文章(31日,32分类方法),每组的前500个特征提取的图像通过使用Resnet [33网络,其次是30特征选择的递归特性消除(34]5倍交叉验证和过滤特性分类使用内核的支持向量机算法35]。指标用于评估包括AUC,分类结果精度(Acc),灵敏度(Sen)和特异性(Spe), AUC代表ROC曲线的面积和其他三个指标可以被定义为(7)- (9): TP代表样本的数量,HGG的正确预测,TN代表样本的数量,LGG的正确预测,FN代表样本的数量,LGG HGG的预测,和FP代表样本的数量,LGG HGG预计。实验结果表5表明,通过添加图像合成的方法训练机器学习模型,模型的预测能力是有效地改善,《外交政策》^roi氮化镓在四个指标,取得最好的结果,我们的方法实现了高0.913分类的敏感性。中华民国的分类实验如图9。

3.3。讨论

目前,大多数图像合成方法在单输入,对于模式,ROI图像的合成研究很少。我们的工作利用cycleGAN循环一致性机制来解决这一问题的真实和合成图像之间的结构性矛盾,提高ROI和non-ROI域之间的对比信息,通过融合先验地区特性,导致高质量的医学图像的合成以及相应的ROI图像。合成图像的质量评价,我们几个目前流行的合成方法相比,如DCGAN Pix2Pix, cycleGAN和评估方面的合成结果的整个图像域图像和肿瘤领域。结果表明,Fp^roi氮化镓的方法合成高质量的医学图像数据集和实现最好的结果在PSNR值,SSIM, MS-SSIM,骰子,豪斯多夫距离度量。DCGAN合成图像的质量差可能是由于模型的崩溃在培训期间,我们发现Pix2Pix和cycleGAN的合成图像高质量由于低结构模型的一致性。此外,比较结果从整体和肿瘤领域的图像显示,肿瘤领域比整个域信息通过合并区域的特性。

如图7,我们的合成方法导致了至少ITK-SNAP噪声点在医学图像处理工具,但DCGAN生成的图像包含更多的噪声点。基于图像的分布和灰度变化趋势图8该方法是最接近原始图像的分布。从前面提到的实验评价结果集的实验表明,本文提出的方法更容易被应用在不久的将来研究的医学图像。最后,2017年的后代分类实验,我们补充合成数据的训练集能够有效地协助培训机器学习模型和改进模型的分类效果,分类精度最高的是通过添加合成了Fp的数据^roi氮化镓的方法。尽管提出了许多敌对的生成模型,生成的图像的质量一直是研究人员关注的一个重要目标,此外,是否可以使用生成的图像在最近的研究也是一个关键问题进行研究。在本文中,我们提出的方法生成高质量的图像,验证在脑胶质瘤分类实验中,它大致上说明了我们提出的可行性和优越性代方法在医学成像研究的过程中。

4所示。结论

氮化镓在医学成像领域的广泛研究,包括跨通道合成、超分辨率重建、医学图像去噪。在本文中,我们提出了《外交政策》^roi氮化镓的方法合成医学图像。此外,我们验证的结果通过定量分析合成图像,图像分布比较,和视觉评估。在有钱的实验中,我们添加了一个分类实验来验证数据分类实验合成的影响。结果表明,合成的图像有效地辅助机器学习模型的训练和提高分类的性能预测模型。尽管本文没有进一步验证合成ROI图像分割的影响问题,定量分析表明,我们的方法具有更高的比其他合成方法定量评价结果。在未来,我们将进一步确定合成图像任务的影响,如医学图像分类和分割。

数据可用性

本文使用的数据集是INbreast公共数据集BRATS2017和公共数据集。可以通过以下URL: BRATS2017https://www.med.upenn.edu/sbia/brats2017/data.html,INbreast可以通过以下网址:http://medicalresearch.inescporto.pt/breastresearch。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由中国国家自然科学基金支持下批准号郑州在81772009和合作创新主要项目批准号20 xtzx06013。

引用

1. 郭z, y, y, y气,和j . Yu”与两级图像质量改善手持超声设备生成对抗的网络,”IEEE生物医学工程,卷67,不。1,第311 - 298页,2020。视图:出版商的网站|谷歌学术搜索
2. a .他m . Goyal d·古普塔a Khanna f . Al-Turjman ibsen Pinheiro p . r .,”甘CovidGAN:数据增加使用辅助分类器改进covid-19检测”IEEE访问,8卷,第91923 - 91916页,2020年。视图:出版商的网站|谷歌学术搜索
3. d . l . y . b . Yu Wang Wang沈,和l .周“通过深度学习医学图像合成,”实验医学和生物学的发展卷。1213年,23-44,2020页。视图:出版商的网站|谷歌学术搜索
4. c . Galvan卡萨斯a . Catala g . Carretero埃尔南德斯et al .,”分类的皮肤表现COVID必经19:快速前瞻性全国共识研究在西班牙就有375例,“英国皮肤病学杂志》,卷183,不。1,第77 - 71页,2020。视图:出版商的网站|谷歌学术搜索
5. n, s . h .妈,j . y . Li y . p . Zhang和l . f .张“多级关注图像修复网络”模式识别,第106卷,第107448页,2020年。视图:出版商的网站|谷歌学术搜索
6. x y l .太阳,j . Wang黄叮,h·格林斯潘和j·佩斯利,”一个敌对的学习方法对损伤检测、医学图像合成”IEEE生物医学和卫生信息学杂志》上,24卷,不。8,2303 - 2314年,2020页。视图:出版商的网站|谷歌学术搜索
7. 格拉汉姆·古德费勒,j . Pouget-Abadie m . Mirza et al .,“生成敌对的网,先进的神经信息处理系统27卷,第2680 - 2672页,2014年。视图:谷歌学术搜索
8. a . Chartsias t·乔伊斯m . v . Giuffrida和s . a . Tsaftaris”通过modality-invariant潜在的多通道合成先生表示,“IEEE医学成像,37卷,不。3、803 - 814年,2018页。视图:出版商的网站|谷歌学术搜索
9. j . m . Wolterink a . m . Dinkla m·h·f·Savenije et al .,“深CT综合使用未配对的数据,先生”《国际研讨会在医学成像仿真和合成5,页,魁北克,加拿大,2017年9月。视图:谷歌学术搜索
10. x, j .赵y羌族et al .,”甘Radiomics-guided肝脏肿瘤的分割,没有造影剂,”《医学影像计算和计算机辅助Intervention-Miccai,页237 - 245,深圳,中国,2019年10月。视图:谷歌学术搜索
11. ·t·藤冈,县政府m . Mori k .日本久保田公司et al .,“乳腺超声图像合成使用深卷积生成对抗的网络,”诊断,9卷,不。4 p。176年,2019年。视图:出版商的网站|谷歌学术搜索
12. d .聂r . Trullo j .连et al .,“医学图像合成与上下文感知生成对抗网络”《医学影像计算和计算机辅助介入的国际会议魁北克市,页417 - 425年,加拿大,2017年9月。视图:谷歌学术搜索
13. j . t . Guibas t . s . Virdi p·s·李,“从双重生成对抗网络合成医学图像,”2017年,http://arxiv.org/abs/1709.01872。视图:谷歌学术搜索
14. h·康,js。公园,k .赵,D.-Y。康”,视觉和大脑淀粉样蛋白的定量评价PET图像合成与生成对抗的网络,”应用Sciences-Basel,10卷,不。7,2628年,页2020。视图:出版商的网站|谷歌学术搜索
15. 黄y l . Shao, a . f . Frangi”同时超分辨率和交叉模式合成的三维医学图像使用weakly-supervised联合卷积稀疏编码,”《30 IEEE计算机视觉与模式识别会议火奴鲁鲁,页5787 - 5796年,美国,2017年7月,你好。视图:谷歌学术搜索
16. J.-Y。朱,t .公园,p .伊索拉,a . a .埃“未配对image-to-image翻译使用cycle-consistent敌对的网络,”学报2017年IEEE计算机视觉国际会议,第2251 - 2242页,威尼斯,意大利,2017年10月。视图:谷歌学术搜索
17. 即domingue、p h·阿伯和j·桑托斯”BI-RADS乳腺癌的分类:一个新的预处理管道深度模型的训练,”学报2018年25日IEEE国际会议上图像处理,页1378 - 1382年,雅典,希腊,2018年10月。视图:谷歌学术搜索
18. i c . Moreira Amaral, domingue, a·卡多佐m·j·卡多佐和j·s·卡多佐,“INbreast:向一个细致的数字乳腺数据库”,放射学学术,19卷,不。2、236 - 248年,2012页。视图:出版商的网站|谷歌学术搜索
19. n . k . Batmanghelich b Taskar, c . Davatzikos“Generative-discriminative学习基础医学成像,”IEEE医学成像没有,卷。31日。1,51 - 69,2012页。视图:出版商的网站|谷歌学术搜索
20. b . h . Menze a . Jakab美国鲍尔et al .,“多通道脑肿瘤图像分割基准(小鬼)”Ieee医学成像,34卷,不。10日,1993 - 2024年,2015页。视图:出版商的网站|谷歌学术搜索
21. “问:Huynh-Thu和m . Ghanbari对路透PSNR值的有效性范围在图像/视频质量评估,”电子信件,44卷,不。13日,800 - 801年,2008页。视图:出版商的网站|谷歌学术搜索
22. z, a·c·Bovik h·r·谢赫和e . p . Simoncelli“图像质量评估:从错误的可见性结构相似,“IEEE图像处理,13卷,不。4、600 - 612年,2004页。视图:出版商的网站|谷歌学术搜索
23. e . p . Simoncelli z . Wang, a·c·Bovik“多尺度结构相似度的图像质量评价,”学报Thrity-Seventh艾斯洛玛尔会议信号,系统和电脑,卷2,页1398 - 1402,太平洋格罗夫,CA,美国,2003年11月。视图:谷歌学术搜索
24. s . Chikkerur诉《m . Reisslein, l . j .卡拉姆反对“客观视频质量评估方法:分类、评论,和性能比较,”IEEE广播卷,57号2、165 - 182年,2011页。视图:出版商的网站|谷歌学术搜索
25. n Ibtehaz和m . s .拉赫曼MultiResUNet:反思U-Net架构多通道生物医学图像分割”神经网络卷,121年,第87 - 74页,2020年。视图:出版商的网站|谷歌学术搜索
26. 杨y, j .吴g . et al .,“空间模糊聚类迭代3 d脑磁共振图像supervoxel分割,“神经科学杂志》上的方法卷。311年,17-27,2019页。视图:出版商的网站|谷歌学术搜索
27. h·博·m·斯科特·m·巴兹et al .,“完全自动化的3 d主动脉细分4 d流核磁共振血流动力学分析使用深度学习,”磁共振医学,卷84,不。4、2204 - 2218年,2020页。视图:出版商的网站|谷歌学术搜索
28. d . Kingma和j·j·c·e·巴,”亚当:随机优化方法,”2014年,http://arxiv.org/abs/1412.6980v9。视图:谷歌学术搜索
29. y l . b . Yu, l . Wang,抚顺石油化工研究院,上j . p . Bourgeat,“Ea-GANs: edge-aware生成对抗网络交叉模式图像合成,先生”IEEE医学成像,38卷,不。7,1750 - 1762年,2019页。视图:出版商的网站|谷歌学术搜索
30. 高p . a . Yushkevich y, g . Gerig”ITK-SNAP:交互式工具多模医学图像的半自动分割”学报2016年第38届国际会议的IEEE在医学和生物学社会工程奥兰多,页3342 - 3345,美国,2016年8月。视图:谷歌学术搜索
31. a . m . Ismael和a .Şengur”深度学习方法COVID-19检测胸部x光图像的基础上,“专家系统与应用程序,第164卷,第114054页,2021年。视图:出版商的网站|谷歌学术搜索
32. x Yu:曾庆红,s . Liu和Y.-D。张,“利用DenseNet201诊断乳房异常,“机器视觉和应用程序,30卷,不。7 - 8,1135 - 1144年,2019页。视图:出版商的网站|谷歌学术搜索
33. l .温、李x和l .高,“转会卷积神经网络故障诊断基于ResNet-50,”神经计算和应用,32卷,不。10日,6111 - 6124年,2020页。视图:出版商的网站|谷歌学术搜索
34. r . Kohavi和g·h·约翰,”包装特征子集的选择。”人工智能,卷97,不。1 - 2、273 - 324年,1997页。视图:出版商的网站|谷歌学术搜索
35. 瞿z z . Liu, j . et al .,“Radiomics multiparametric MRI的预处理病理完全缓解的预测在乳腺癌新辅助化疗:一项多中心研究中,“临床癌症研究,25卷,不。12日,第3547 - 3538页,2019年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021佳乐盾等。这是一个开放的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。