文摘

在实验分析和计算机辅助设计维持方案中,肝脏和肝损伤细胞的分割一个自动化的方法是一个重要的步骤来进行生物标志物特征实验研究分析和计算机辅助设计支撑方案。患者患者,病变类型取决于大小的变化,成像设备(如设置不同的方法),及病变的时间,所有这些都是不同的。与实用方法,很难确定肝癌的阶段划分的基础上损伤模式。基于训练准确率,目前的算法在某些领域面临许多障碍。建议工作提出了一个系统自动检测肝脏肿瘤和病变的腹部磁共振成像图片用三维仿射不变量和形状参数化方法,以及这项研究的结果。这种点对点的参数化地址相关的常见问题与凹表面通过建立标准模型水平器官表面的整个建模过程。最初,测地线活动轮廓分析方法用于分离肝脏区域与身体的其他部位。建议如下:可以减少错误率在培训业务,这是完全使用级联卷积神经网络(CFCNs)使用的输入分割肿瘤区域。肝脏分割可能有助于减少错误率在训练过程。的阶段分析数据集,这是由训练和测试图片,用于发现和验证其有效性。 The accuracy attained by the Cascaded Fully Convolutional Neural Network (CFCN) for the liver tumour analysis is 94.21 percent, with a calculation time of less than 90 seconds per volume for the liver tumour analysis. The results of the trials show that the total accuracy rate of the training and testing procedure is 93.85 percent in the various volumes of 3DIRCAD datasets tested.

1。介绍

1.1。阶段的肝癌

在疾病的生物标志物的选择,肝脏的解剖研究和可分病变磁共振成像用于疾病生物标志物的选择。诊断阶段,使用继承首次和二次肝肿瘤分析(1]。大部分的初始肿瘤在不同的器官,如肝脏、结肠区,和胰腺地区,通常器官扩散到较小的结构。因此,频繁检查肝脏的病变是必需的,为了确定癌症肿瘤的主要阶段。除了肝细胞癌疾病,感染的肝脏区域存在的另一个主要原因。在肝脏区域,这种疾病被称为原发性肿瘤疾病,这是第六个世界上最普遍的癌症疾病,以及第三个全球癌症患者死亡的最常见原因(2- - - - - -5]。肝细胞癌是一种癌症的遗传和分子在自然界中,它通常是由长期受伤引起的肝脏。

各种肝细胞癌疾病已确定和分成不同的组根据他们的临床表现6]。肝细胞癌的进步发展依赖于组织结构的变化和变异的血管供应。改变组织的结构已经被证明加速肝脏中其他组织的形成,已发现通过使用医学成像(3]。这个过程依赖于肿瘤细胞的结构和形状,以及它们的大小。在临床诊断,CT和MRI扫描是利用检查肝癌,物理或半手工分割方法在这个过程中被使用。这些方法都是手动的,高度运作,主观的,耗时的,他们需要更大的努力。通过自动化的功能,可以减少的时间花在计算机辅助技术的发明和改进放射学家,和建立独特的分割方法。自动分割进行合并后的肝脏和病变区域照片(7)确定病变的程度。之间的低对比度图像不均匀分割肝脏病变部位,已经被证明是一个研究人员面临的重大障碍要克服。当比较超和海波肿瘤,对比水平可能不同,异常病变可能不同的组织发展在不同的大小和数量的病变(8]。不可能部分肝脏区域使用灰度技术因为错综复杂的对比变化见过跨多个测试实例。癌细胞可能有各种各样的形状,减少了计算方法的有效性,部分癌细胞。建议技术区分癌症阶段根据肿瘤的结构和形式的损伤。

1.2。形状参数化

在基于图像的登记方法、形状分析是最重要的组件在分段病变的肿瘤区域地区(4)和确定肿瘤的位置。肿瘤的记忆形式、大小和结构对肝细胞的指标和地标是基于图像的一部分注册方法。图像注册技术这种独特的参数化(9),这是两个物体之间的差异的基础上,集成了形状描述符和照片中的两点不一致在一个单一的步骤。之前它已经表明,表面分析方法可用于医疗设置(5]。人体器官的参数化是一个困难的工作要做在整个细分阶段。在医学影像的分割,特征是腹部地区的星形物体的参数化10]。为了减少缺陷的影响,提出技术采用单射映射在2 d表面,因此消除图像的各个领域11]。医生代表肝脏分割,验证了匹配点,将用于包括统计船舶模型在训练阶段的参数化过程。

1.3。肝脏分割

近年来,研究人员设计了一种有前途的新方法检测癌症和转移。最近的建筑和设计的发展创造了新的转移发展的机会。除此之外,动态双分子的设置各种肿瘤被研究。类型。由于这个原因,我们可以得出这样的结论:有一个因果基因表达水平在不同组织之间的关系。可以有一个更好的了解癌症发展早期的生物分子网络已经连接到正常和病理过程通过调查各种类型的癌症。癌变状态本身是一种癌症。据凌et al .(2014),这个假设一直探索和研究他得出结论,如果有三个不同的基因的mRNA术语之间的联系。

后随机选择的癌症相关基因PIK3C3 PIM3, PTEN,研究人员发现,癌症进展。从那时起,这些系数测试领域的癌症研究。诊断。病人生病时,采取了以下的观察,并决定如何对待他:成立一个实质性的相关性为0.68r1.0被发现之间的变量,表示相关的变量。PIM3在乳腺癌PIK3C3, PIM3和PTEN在乳腺癌、肾、卵巢癌,PIM3和前列腺癌PTEN在肝脏和甲状腺的恶性肿瘤,以及乳房癌和卵巢,与过去PIK3C3和PTEN突变。有一个假设,即早期癌症检测的连接是必要的为了整合癌症的基因表达谱的临床数据网络是可用的。生物标志物包括肿瘤抗原和其他类似的东西。大约10 -百分之十五的人类所有恶性肿瘤是由癌症引起的。病毒还负责某些癌症。被称为大规模并行测序技术已经成功发现恶性肿瘤和正常组织的新发现的病毒和它们之间的交互。

1.4。分析肝肿瘤(1.4)

根据MICCAI,分化在2008年首次提出的问题,在一个时间周期,包括肝肿瘤的分割12,13]。它研发不同的疾病细分策略以及对比改进方法从健康的肝实质肿瘤分割利用计算机断层扫描图像。包含参与者介绍给数据和测量程序。肿瘤分割使用五个半自动和四个自动测试的方法。肝脏差异化竞争的方法是使用等效指标的估计。分离肿瘤(14),标准的图形切割技术和分水岭算法是利用合适的,就像他们对肝脏分割方法,提供最精确的测量工具。同样数量的半自动方法使用;最常见的是自适应阈值和形态,体素识别和传播和像素识别等等。为了段肿瘤、神经网络技术和广告促进教社区由人工智能识别和图象识别最有效的方法是(15]。

1.5。我们的方法

我们将新的自动化技术申请分割肝脏,从而不断提高对比度和成像产物去除,同时减少所需的时间。提出了三维表面的弹性参数用于分割过程中腹部器官图片为了增加两者之间的对比图片。表面上的对象,三维平面的形式表示xy和z设在一个封闭的平面曲线绘制时表面上。这个表示的空间消除了常见的问题与凹的表面参数化对象相关联。为了消除噪声类型描述符分割的过程中,我们使用旋转和弹性的方法。shape-driven测地线活动轮廓是用来改善肝脏分割后第一个细分已被确定(16]。有必要检测和治疗肝肿瘤在早期为了降低死亡率的风险在一个特定的个体。肿瘤候选人检索的特点和支持向量机算法对候选人进行分类。已经确定,建议分割方法优于现有算法相比,可以在许多数据集不同年龄的限制。在肝肿瘤成像的情况下,肝脏的分割和肿瘤测量的计算是困难的。异常患者肝脏可以使用自动追踪下来,发现肝癌分析方法,即使他们的照片图像质量差或不正确标签。

由于有限的医学图像数据,目前访问,以及gpu所强加的限制,开发三维数据在某些情况下可能导致过度拟合的挑战。本研究提出了一种增强的联接和2.5维卷积神经网络联接WGAN从三维数据获取上下文信息,以便实现端到端肝脏图像的分割。增强联接和2.5维卷积神经网络联接WGAN用于实现端到端肝脏图像的分割。他们的主要任务如下:

在这一步中,使用两个卷积核与输入的堆栈系列及其上、下相邻切片,切片和输出相对应的分割图中央片充分提取intralayer和层间的信息将用于3 d肝脏模型。(1)输入的堆栈及其上、下相邻切片,切片和输出相对应的分割图中央片尽管细分精度仍然很高,地理因素可以帮助减少内存使用,所需的计算。(2)为了充分利用网络的高层和低层特征,连锁残余池模块添加到联接网络的long-skip链接结构为了最大化使用高级和低级的特性。这使得更详细的语义信息的积累以及增加肝脏分割的准确性。(3)边界损失函数合并到基本WGAN发电机网络来弥补缺乏关注的骰子的边缘像素精度损失函数在前面一步包括损失函数的边界。包括复合损失函数的边界和骰子加权融合到方程,模型的分割能力是增强区域和边界,分别。

能力随机的输入并生成相应的输出,以及执行高效的推理和学习过程,通过充分显示了卷积级联网络。逆境是生活的一部分。通过使用这种方法,函数是评价在整个图像帧。Patch-based方法以及分割对象,也在利用这个应用程序。处理补丁,而是网络流程整个图片,减少花费在网络上的时间和要求选择肥沃的地区为了减少重复繁殖的数量估计当补丁重叠,导致最终图片的大小的增加。美国众议院通过了一项决议。此外,许多尺度集成通过连接在一起的方式,结合最新的检测具有较高分辨率的较低层次。这些测量是通过结合大量的尺度。这种融合可以创建的形状和大小。这个过程生成一个热图的损伤,这可能是用于诊断,如果必要的。

以下是本文作出的一些重要贡献:(我)我们的目的是提供级联卷积神经网络,将用于肝癌的检测和分割。(2)这是正在开发的协助下深入学习系统有效地分割和分类。肝脏肿瘤的分类是基于他们在哪里发现的身体。(3)实验结果表明,该HFCNN成功,它利用数据集达到较高的整体性能。

还可以预见建议的方法将协助个人与肿瘤细胞的速度发展,这将有助于癌症的早期识别和诊断。以下部分包括在提交的论文。部分2包含一系列相似的工作,讨论了上下文的背景研究,和部分3包含的方法提出的工作。部分4讨论了实验考试,部分5总结研究结果,并讨论未来的研究机会。

2。相关的工作

在肝脏和肝损伤,CT成像有许多技术分段的器官已经发展互动和自动化的方法。(17)两个基准进行了肝脏和肝损伤分割在2007年和2008年MICCAI会话,都发表在[18]。统计模型形式是整个研讨会重点讨论的问题。此外,车间集中在灰色的水平和病变纹理分析(18),进行了讨论。首先进行分割的方法,最近流行图切割和水平设置在肝癌的照片。然而,由于水平上升速度和强度,以及穷人对比CT数据,这些方法还没有常规应用于临床设置。交互式方法不断被开发来解决这些缺陷,加强他们对未来攻击的防御。目标识别、分类和分割是计算机视觉问题,学术界越来越关注,由于算法等尖端技术,深卷积神经网络(CNN) (19),用于完成这些任务。最重要的是,CNN技术已被证明是最友好、最新颖的方法肝癌的CT图像的分割以及病变在CT图像的分割,并且他们现在使用最广泛的。

根据朱荣et al。20.),一个图像处理过滤器的应用一种改进的各向异性扩散了,表明各向异性扩散过滤器是最常见的策略来降噪。这项研究描述了一个更高效的各向异性扩散滤波方法,它可以用来把盐和胡椒噪音从照片。拉维年代,et al。21)开发的形态学操作对图像处理、理解和应用,加以实施。目的是去除图片中的任何缺陷可能存在的结构。Wassim阿和他的同事们(22]“肝肿瘤的分割使用图像处理”是指区分肝脏的特定部分的过程腹部CT扫描。当涉及到从CT扫描获取肿瘤的位置,已研制出的一种新方法。Verma阿米特和他的同事们,23)”的技术检测肿瘤使用数字图像分割的背景分析肿瘤细胞提供的调查。“如果你比较其他现有方法该方法的性能,它是最有效的发现和分类癌症。据金山唐et al。24),一个可调节各向异性降噪滤波器在图像了,先生,这是建议一种自适应阈值范围中使用向前走各向异性扩散滤波。透明与各向异性扩散probability-pushed存储系统提出了解决在过滤问题,选择一个组织和整个形而上学的影响从大量可能的选项。拟议的技术一直在测试真实照片,先生,结果很出色。

此前是一种各向异性扩散滤波用于取消噪声输入图片中的整个处理步骤。r·林和e·k·黄(25开发”对象限代表图像形态学操作”,其中包括一系列指南执行直接对方形由图像形态学操作以及创建扩张和侵蚀抓拍代表基于方形象限。Ruchika昌德尔et al。26)定义了分割算法和技术用于插图化身的滤波器和平滑,以及平滑算法和技术”图像的平滑图像滤波算法和技术,也被称为图像平滑算法和技术,是一个最重要的图像分配技术是广泛使用的。根据n .霍华德和他的同事们(27)”、“小说完全自动化的肝脏和肿瘤碎片与形态学操作系统”是为一个数值肝癌检测方法开发的高灵敏度和低比在其成像。目前系统得出的结论是,分割使用二维照片不太准确,需要更多的时间来分析比三维图像。

什么之前,是很重要的部分肝脏肿瘤的CT图像可以适当分段。肿瘤的分割,和更多的肿瘤的分割结合肝脏,远远比乍一看似乎更加复杂。全科医生(GPs)会有一个强硬的时间在视觉上区分从其他不受欢迎的肝脏和肿瘤细胞和附近的器官,如果他们在这方面没有具体的培训。当CT图像低对比度、动态尺寸、强度不均匀,和各种各样的文物,分割肝脏和肿瘤更加具有挑战性,即使对于一个有经验的放射科医生或医生。然而,尽管分割由专业人士是准确的,它需要投入大量的时间和精力。除此之外,专家在肝癌有能力执行准确和精细的分割是罕见的,并且他们对贫困国家的人民,尤其难以接近,肝癌是更频繁的问题。更准确和有效的肿瘤分割的算法,以及算法评估肿瘤的大小,形状,和位置,由于这些问题的存在。各种半自动、手动程序已经发展为了段在肝脏肿瘤并确定其位置。考虑到这些系统是依赖于人机交互,他们都是容易受到用户错误,在特征选择个人偏见,时间差。一个完全自动的分割技术,能够分割肝脏和肿瘤在一个运行,为了做到这一点是必要的。 In this way, a doctor or radiologist may reduce reading time, increase detection sensitivity, enhance diagnostic accuracy, and discover malignancies early in the process without interfering with the patient’s health. Following extensive testing, these technologies may also be used in instances where there is a paucity of competence in liver imaging. In recent years, researchers have concentrated their efforts on creating a wholly automated system that can generate accurate and timely forecasts of liver tumours while saving a large amount of time and effort on the part of the researcher. The benefit of entirely automated approaches is that they evolve over time as a consequence of their output as well as the absorption of diverse conditions and inputs into the system as the system matures. A large number of research that have lately been published provide credence to this notion.

当使用三维图片的测地线活动轮廓的方法,建议的方法提高了准确率,同时减少了分割处理时间,因此消除这些缺陷。

3所示。方法和材料

3.1。概述我们的提出的分割处理

380名患者贡献2012 CT图像,这是收集到的398人。三百三十三例成人肝细胞癌患者发现,导致591 CT图片;三百二十五例儿童肝细胞癌患者识别,生成1421 CT图像为了建立这些照片的最后诊断,在没有手术治疗,病变的结果利用建立的事实,所以使数据被认为是可靠的。另外一个合格的医生改变了窗口宽度和窗口的上面所示的CT扫描保证癌症组织仍然可以清楚地看到在每一个图像。使用这些修改,癌组织在每个图像清楚地看到。医学数字成像和通信(DICOM)数据是利用构造已经正常化后的最终图像的灰度图像灰度值0 - 255根据适当的窗口宽度和窗口的水平。GIF文件包括jpg扩展,即灰度图片格式。使用专业医师的手,肝脏的形状区域成立于CT图像。预期的工作将分为三个主要阶段。第一阶段涉及数据的预处理和分割。 The graph cut approach is used in the second phase to gather features based on the segmented area of lesions that have been identified. In the final third stage, two cascaded fully convolutional neural networks with Training and Testing pictures are used to solve the problem.

在图1,我们可以看到建议的工作流程,这是所有的各种处理单元组成。为了执行早期发现肝癌,训练和测试阶段进行。

3.2。参数化分析和表面形状

作为形状函数,一个3 d等效曲线的特点是利用等同封闭的平面曲线,以发现结构性差异数据。年代的截面积的内部,在给定的点“种子”p平面曲线,进一步的细节(一个球体集中在p)。如果两条曲线的瞬时参数化充足,S曲线C可以用于区域和全球对比的两条曲线,两条曲线假设足够参数化(在任何相应的位置在两个匹配曲线)。Var是C-intersection的体积,半径r种子球体半径匹配C-intersection的大小。数字产品的涌入担任安慰元素的情况。模式描述符是不变的体系结构和弹性的噪音。

我们的方法是点对点的比较在众多表面通过组织整个类的物质,见图2,我们称之为planar-convex安排。我们认为肝脏都包含在这一类。飞机P O被定义为一个planar-convex对象O在Rn,被定义为一个停止表面存在一组等价的超平面P时,使我们获得一个独特的封闭的平面曲线任意截面的飞机P O .这就是我们指的是任何收集的超平面平行于O为“凸性的飞机。“我们平衡两件事通过协调原则组件,我们东方的对称点的顶点集合广场集中在对象的最主要成分协调他们的主成分。使用这种方法,我们可以找到许多套相同的平面,与法线相交的对象跨整个半球同样;我们抽样一个十二面体,32个顶点来演示这个概念。后来,我们决定主要的飞机(x,y,或z飞机)更成功地映射平行平面,所表示的方程(1)和(2);

每架飞机的链接到肝脏,以及定期的相关运作,是下一个彻底的分析。这种方法将确定最小的可能的求和平均机制轴/平面的两个化合物。结果,两个相同的对象之间的位置匹配的凸性平面P(正如前面指定)肝脏分割和检测病人的CT扫描,从CT扫描和癌症的病人可以建立。(28)每个凸性平面的表面采样使用用户定义的分歧,以及这些分区的点投影到目标的表面,与每个分区代表一个点表面的目标。在演示中,你将显示肝脏参数的一个示例。当比较两个项目或生活,这些评估,也被称为“参数化点,相对于另一个。为了研究结果,我们计算函数在每个参数化点和形式转移它的值在每个实体的表面,这样的后果可能会看到。当年代产生的协调准备表面,两端是平均,0和1之间的正常化的0到1。使用最基本的参数化,这是如图3。

3.3。分割的肝肿瘤和病变

第一个肝脏分割显示区域表面的肝脏,有一个不确定的结构基于匹配的表面点在第一步训练的结果。0.5年代的截止,成分分析是用来给每个不确定位置独特的标志,允许任何程度的intra-patient变化适应的研究。因为肝脏主要由原来的分段的方法,种子被放置在中心的标签,和快速标记水平被用来“折痕”分割基于CT图像的乙状结肠(29日),种子被放置在中心的标签。测地线与动态几何改进分割轮廓。技术是重复直到体积变化的年代0.5或直到迭代之间的体积变化。形容胆小肝群众,graph-cut肝脏分段方法加以利用,作为推荐的过程中,部分肝脏。图最简单的版本,削减的影响缩小偏差问题,尤其分割问题的扩大和微小结构如血动脉和一些肿瘤的形状。肿瘤和静脉例子的情况非常不同,和腹部器官的分割与岩层有所改善的结果图。肿瘤,另一方面,常常是椭圆和弯曲30.]。有必要计算肿瘤血管和blob使用方程(2)和(3)。

我们有图片的大小减少了分段使用限制增加血管,肿瘤不透明度,黑森形状。这允许我们强调小细长的静脉和圆形肿瘤在几个量表使用我们的分割图像。黑森的值(p1 >p2 >p3)点p突出主要类型的限制,可用于增强血管分割,降低假阳性肿瘤检测的数量。图中描述,以下力条件下利用描述图。改善肝动脉被移除之前肿瘤分割以减少假阳性肿瘤检测。通过标准化的整体体积肝脏肿瘤的总数量是计算每个病人为了测量施加的压力肿瘤,转移性肝肿瘤的进展(31日]。

3.4。修正肝脏分割

我们有图片的大小减少了分段使用限制增加血管,肿瘤不透明度,黑森形状。这允许我们强调小细长的静脉和圆形肿瘤在几个量表使用我们的分割图像。黑森的值(p1 >p2 >p3)点p突出主要类型的限制,可用于增强血管分割,降低假阳性肿瘤检测的数量。图中描述,以下力条件下利用描述图。改善肝动脉被移除之前肿瘤分割以减少假阳性肿瘤检测。通过标准化的整体体积肝脏肿瘤的总数量是计算每个病人为了测量施加的压力肿瘤,转移性肝肿瘤的进展(31日]。

还包括在方程(4通过方程()6文物的立体像素强度和概率,以及周围的场,欧几里得距离,和正常的波动图像噪声等。新的语言在这个配方是指当地认为惩罚体素不遵守不同的和稳定的肝实质分享更好的肿瘤模型,定义的培训。我们的索引鼓励微暗的斑点在肝脏内被称为肿瘤由于肝脏是一个更好的选择比癌症的生存。培训期间不同的肝癌,健康之间的关系(背景)肝脏和病变(对象)肝脏改变结果的培训。 指定的值强度,强度的值指定的上下文,强度(B)。我们相信手术并不打算段肝血管由于改进是不寻常的在我们的情况下。传统的测地线活动轮廓模型是利用模拟肿瘤的小细分为了最大化分割使用速度传播五参数和两个半的曲率参数。总量的正常化肝脏、肿瘤的总量估计为每个病人为了测量施加的压力肿瘤,转移性肝肿瘤的进展。肿瘤负担之间的绝对差估计手动和自动计算误差是用来计算肿瘤负担。人工高斯噪声的影响和身体旋转的轴向平面报道并与地面现实为了调查评估肿瘤负担的重现性的影响下图像噪声和耐心的位置变化来研究估计肿瘤负担的再现性。强调循环时,多尺度肿瘤,黑森类型是必需的。黑森的原则提供一定形式的限制,可用于增强肿瘤部门同时减少假阳性的肿瘤。Eqn。7有以下能源方面,在图中图形所示。

我们相信手术并不打算段肝血管改善以来在我们的情况下是不寻常的。传统的测地线活动轮廓是利用模拟肿瘤的小细分为了最大化他们的分割速度传播参数5和2和5的曲线参数,分别。当整个肝脏体积正常,肿瘤的总量计算为每个病人为了测量肿瘤压力和遵循转移性肝肿瘤的进展。为肿瘤负担错误,手工计算肿瘤之间的绝对差计算负荷和自动计算肿瘤负荷。轴向水平表面上,假高斯刺耳和身体与地面旋转记录和比较现实为了调查评估肿瘤负荷的重复性的图像噪声和病人位置改变。

3.5。肿瘤的特性和分类

一组157年的特点是自动分析单个肿瘤申请者进行分类检测。这涉及到规模、开发3 d形式,三维纹理见表1。

功能表的集合1太老了保存的理想结合组件独立积极准确检测的假阳性检测(TP),因为大量的分类特征,采用(FP)。由于各种皮肤纹理可能重叠并连接在一起,分类器必须确定最深刻和独特的特征。我们可以污染或损害的具体细节中发现这些特性如果我们量化运动样本之间的相关性,这可能导致分类精度低。如果我们量化运动样本之间的相关性,这可能导致分类精度低,我们可以污染或损害的具体细节中发现的这些特性。我们进行了测试与功能的集合,使用最小冗余和最大应用程序的方法,在这方面(mRMR)。mRMR特征选择的工具,是最先进的生物医学领域的数据处理。选择基于常识和减少重复的特征属性之间根据统计依赖性最大标准是两个使用这种方法的好处。

3.6。从AlexNet U-Net

使用一个完全卷积网络设计语义分割,长et al。32开发了第一个这样的架构。创建由像素密度预测,研究人员使用一个完全共同进化的层结构来取代过去的完全分类网络的链接的图层,如AlexNet,完全共同进化的层次。最后完全共同进化的层次进行调整以适应输入测量的AlexFCN(完全卷积网络)改进了先前的研究工作允许预计pixel-wise全尺寸医学片而不是patch-wise。使用3 d CAD数据集,AlexFCN训练曲线(没有结合类)。所有训练的收敛曲线迅速稳定状态发生时,培训和评估重叠。AlexFCN相当过剩的两类平衡训练曲线,与骰子重叠在肝脏检查运动知识90%和60%的事故,在AlexFCN分别。

当谈到考试场合,24%的病变骰子相当于一个坏的结果。它宣称类平衡并不需要为了解决他们的问题与自然图像分割。使用AlexNet重量训练的实际照片,例如,也许可以解释为什么模型利用pre-trained放在第一位。训练和测试的照片,来自ImageNet是利用的数据。然而,许多医疗应用需要的就业类平衡因为pre-trained网络真正的图片不够利用和因为关注较少的类包含在数据集比其他类。准备和监测肝脏和骰子的病变都温和改善,78%的肝脏和38%的病变被成功地完成了第一次尝试。此外,U-Net有更好的模式跳过连接神经网络在不同的阶段,除了19-layer广度。在当前阶段的激活,空间意识可以在早期阶段的神经网络。空间信息传递给语义信息通过神经网络在随后的水平,价格的特定知识的某些结构的位置。使用原始U-Net设计,例如,一个388×388的输入图像,否则一个瓶颈是减少到28日×28输出图像。 As subsequent stages will merge geographic data from above with neural networks, skip-links will be used to assure later point utilisation and transfer of spatial and semantic data. In later phases, the neural network may make use of semantics and spatial sequencing to make deductions.

3.7。从完全卷积网络级联卷积网络

在柔软的标记概率地图P,我们一直使用U-Net架构作为一个框架。U-Net设计允许精确的像素估计通过结合时空数据的协同进化网络架构可以训练成19-layer U-Net曲线的3 d CAD数据集和合并成一个单一的网络体系结构的结果。此外,累积损伤分割有效性已增至53%,据研究骰子。U-Net已经掌握的能力区分肝脏和病变在同一时间。我们最重要的创新之一是FCN的级联培训学习独特的功能只有一次在训练为了完成一个细分任务,从而提高了分割效率。开发的方法是由于这一事实U-Nets和其他形式的cnn确认输入数据的层次结构。而不是规划human-crafted面对分离的外表截然不同的组织类型,神经网络的成堆的调整层对选择的数据驱动的方式分类,而不是用手。通过级联两U-Nets U-Net学习从一个普通CT腹部扫描过滤特定的识别和分割肝脏,而不是从一般腹部CT扫描过滤。图2显示U-Net放在一起的过滤过程来识别损伤肝脏的同时前面的图。此外,肝脏的ROI有助于根除病灶。我们教学一个网络的腹部肝、专门(步骤1)。它是唯一强调的这个网络的研究来识别和调查liver-background分割识别特征。之后,我们训练一个网络段病变的肝脏图像,我们已获得(步骤2)。在步骤1中被分割后,肝脏是剪裁和re-sampled在步骤2中为了获得一个输入适用于级联U-Net维度。可能第二U-Net将集中精力学习识别属性分割肝脏的损伤,而不是历史。初始化分割过程首先分割图像的特性让x特性的像素 是神经元层而x功能> 然后 结束在哪里每一层代表一系列卷积操作。表示层的输出在哪里卷积内核重量,偏移量的值,然后呢是卷积操作。

3.8。类平衡的影响

FCN训练中最重要的步骤之一是平衡所需的类和类在数据后的像素频率目标。与[33),我们发现准备系统段病变等微观结构不是可行的没有类互补,由于大量的阶级不平等,通常在1%的范围病变像素,因此没有类互补并不可行。因此,我们有一个额外的损失函数加权元素叉lFCN。

π代表体元的可能性我属于中心,代表地位的事实。我们选择课上我是页我1我- - - - - -如果= 1(见图4)。

4所示。实验结果

我们发现,初始分割方法比之前报道[不太成功34因为肿瘤和其他物品在我们的数据,以及冲突检索增强对比度的照片。使用liver-to-liver参数化与测地线主动轮廓明显减少体积分数的错误在这两种情况下的严重分裂失败和那些需要适度调整。分割从artifact-free事件的一个例子,有些错误的分割,和大量的细分故障都是显示在图5照片和相应类型,以及它们的性能在最终修复。与我们的方法,我们可以加强与肿瘤的重要实例的分割,同时最小化错误在well-secreted肝脏。以来第一次和以前的分割,没有算术不同分割肝脏自第一和之前的分割。

手工分割14实例上执行时,通常的肝脏肿瘤病毒被发现在6.6%到9.0%和7.1%的情况下自动进行分割。根据Wilcoxon rank-sum测试,测量之间的没有统计上的显著差异。图6描述了肝脏和肿瘤体积的变化随着时间的推移,以及肿瘤负荷,这对许多患者具有重要意义。

当我们使用3 d CRF分割问题,我们能够证明显著提高分割的质量。正因为如此,调优hyperparameters如3 d CRF需要大量的努力和时间。与无意的搜索,很难找到一套hyperparameter与多样化的结构上可以隐藏财产在图外,如肝细胞损伤。3 d CRF也成功完成了各种脑损伤的治疗。引入新的CRF hyperparameter学习训练阶段取得圆满成功。当该方法结合附加词包括问题的先验知识,CRF的性能,工作可能会增强。

完全一个级联卷积神经网络对肝脏肿瘤检测和分割提出了第一次,它预计将广泛应用于未来。系统中,有一个训练阶段以及测试步骤的每个神经网络。数据增强技术在整个训练阶段的使用有助于提高整体质量的CT数据聚集。接下来需要喂扩大信息输入到神经网络系统,以获得一个合格的框架。这个过程被称为输入数据。特征提取策略由CNN层的测试范围,以建立一个更有效的特征提取网络,最终成功。本研究旨在克服的局限性呈现空间三维信息识别的神经网络,它不是完全探索在刚出版的时候。在提案阶段,现场已经生成的想法从金字塔结构为了捕捉不同大小的病变。

这种方法被称为投资回报率(ROI)。相比之下,它已经建立在这个级别,纹理分类器可以利用区分正常和病理肝损伤在研究期间收集的roi。肝细胞癌(HCC)、肝囊肿、肝血管瘤不规则肝损伤一直在专有使用抽象函数的分类检测阶段,以及在分类检测阶段和分类检测阶段,分别。这个项目的训练阶段包括迭代次数,是为了得到一个更准确的模型结构。在测试阶段,系统最终评估基于收集的数据从另一批CT成像。

很明显从表2各种分割策略有一个变量的分类准确率。转移学习使用神经网络模型已经在深度学习训练是一个频繁的想法。培训的新工作时,如医疗体积分割,神经网络(8]培训之前的任务,如自然图像分类的数据集,可以用作起点网络权重的训练。这些发现的基本前提是,很多任务的初始层神经网络或数据集发现一个类似的概念来观察至关重要的系统,如blob和路边,基于相同的理论。使用pre-trained模型时,这些想法不是从头教从一开始。我们雇佣pre-trained U-Net模型一直在训练有素的细胞分割数据来帮助我们的研究人员创建他们的准备(7)我们的研究,其中包括一个博学的肝损伤的概念。我们取得了教模型肝脏和损坏分割可供下载(6]。

根据不同的电流算法,见图7,提出Unet架构率精度最高(94.025%),以及最低的利率敏感性和特异性(0.5%)。由于其他电流法所需的计算时间越长,系统的准确率下降。

根据图8,当它来识别肝癌,敏感性和特异性分别为77.8%和94.4,分别比其他测试。使用一个AUC的0.8070和28.35的阈值,肝癌诊断的敏感性和特异性分别为83.3%和77.8%,分别显示测试既高度敏感和特定的疾病。

根据分类阶段,人的栖息地最影响肝癌的发展。预测的一个人在他们的日常生活如图9分别对他们的年龄和环境。酗酒会增加患肝癌的风险,这将是非常危险的。这个诊断工具可以检测肝癌的早期阶段,这将帮助减少死亡率。

5。结论

级联FCNs和3 d CRFs训练自动化CT体积位置和协调的体积分泌疾病和损伤,以得到最优的结果。尖端科技,我们建议使用。我们正在使我们的排位赛模型可用的开源许可下为了进一步医学应用CT数据8。此外,我们建立了密度和评估3 d CRF后处理措施检查深医学图像基于学习为了调查深基于学习的医学图像。此外,我们建议技术,其中包括无数FCN层叠,有可能适用于许多器官的环节。使用额外的瀑布FCNs作为病变以识别潜在工作ROI的恶性病变和高级操作。增加不利的使用网络有助于提高分割的准确性。可以单独的CT和DW-MRI异构数量不同的扫描仪和指定的方法分成更小的组低于100。让我们结束这个。肝脏进行自动分析和相关的病变,CFCNs承诺方法在临床实践。 They are also being studied extensively in medical research [32,35- - - - - -42]。

数据可用性

的数据支持本研究的发现可以在请求从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

作者扩展他们的升值研究者支持项目数量(RSP-2021/384)沙特国王大学,利雅得,沙特阿拉伯。