X-Net Brain Stroke Lesion Segmentation Based on DSC and Long-range Dependencies

最新推荐文章于 2022-09-28 12:54:16 发布
最新推荐文章于 2022-09-28 12:54:16 发布
阅读量596 收藏 2
点赞数
CC 4.0 BY-SA版权
分类专栏： 医学图像处理 文章标签： 深度学习 pytorch 神经网络 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Stack_Alan/article/details/113409417
本文探讨了深度可分离卷积（DSC）网络在脑卒中病灶分割中的应用，包括逐通道卷积和逐点卷积的原理与优势。DSC网络通过DepthwiseConvolution和PointwiseConvolution减少计算量，提高效率。同时介绍了FSM结构和X-block结构在网络中的作用，它们旨在捕获长程依赖关系，提升病灶分割的准确性。深度学习在医疗影像分析中的进步，为临床诊断提供了有力支持。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

基于深度可分卷积和长程依赖关系的脑卒中病灶分割

  • 深度可分离网络DSC

    原文参考：https://zhuanlan.zhihu.com/p/92134485

    ​ 设输入为5×5×3，每个filter包括3×3的kernel

    • 逐通道卷积Depthwise Convolution

      一个卷积核负责一个通道，一个通道只被一个卷积核卷积。是二维操作。

      输入通道数，卷积核个数，feature maps数量相同

      参数个数为 N_depthwise=3 × 3 × 3 = 27

      没有有效的利用不同通道在相同空间位置上的feature信息，因此需要Pointwise Conv将这些feature map进行组合生成新的feature map

    • 逐点卷积Pointwise Convolution

      与常规卷积类似，卷积核尺寸为1 × 1 × M，M为上一层通道数，卷积运算将上一步的map在深度方向上进行加权组合，生成新的feature map。生成feature map个数与卷积核个数相同

      参数个数为 N_pointwise= 1 × 1 × 3 × 4 = 12

  • 网络结构

  • FSM结构

  • X-block结构

Image Translation for Medical Image Generation Ischemic Stroke Lesion Segmentation——论文翻译
Momoko_W的博客
11-25 7068
摘要 ​ 基于深度学习的疾病检测和分割算法有望改善许多临床过程。然而，此类算法需要大量带注释的训练数据，而由于数据隐私、法律障碍和非统一的数据获取协议，这些数据通常在医疗环境中不可用。带有注释病理的合成数据库可以提供所需数量的训练数据。我们以缺血性中风为例证明，基于深度学习的增强技术在病灶分割方面的改进是可行的。为此，我们训练不同的图像到图像的翻译模型，从语义分割图合成有和没有脑卒中病灶的脑体素磁共振图像。此外，我们训练生成对抗网络，以生成合成病变mask。随后，我们结合这两个组件来构建一个大的合成卒中图
论文笔记（四）Dense Multi-path U-Net for Ischemic Stroke Lesion Segmentation in Multiple Image Modalities
weixin_42402739的博客
09-24 1806
论文地址：Dense Multi-path U-Net for Ischemic Stroke Lesion Segmentation in Multiple Image Modalities 这篇文章中对比了CT和MRI。早期缺血性中风在CT中显示为低密度区域，使得它们难以用这种方式定位。 MRI序列，如T1加权，T2加权，液体衰减反转恢复（FLAIR）和弥散加权成像（DWI），提供比CT更清晰...
White matter hyperintensity and stroke lesion segmentation and differentiation using cnn_part2_2017
sunyao_123的博客
08-08 820
4.2 Comparison to state-of-the-art 作者和当前最好的方法进行了比较，LST（http://www.statistical-modelling.de/lst.html）工具里边LPA算法和LGA 算法。LPA只用到FLAIR图像，LGA用到了FLAIR图像和T1加权图像。进行比较的还有DeepMedic。还有一些参数设置。 表2展示了自动分割和专家
论文笔记X-Net:Multi-branch UNet-like network for liver and tumor segmentation from 3D abdominal CT scans
Stark_Z的博客
08-22 1631
X-Net：用于从3D腹部CT扫描中分割肝脏和肿瘤的多分支UNet网络
远程依赖项
shrak_12的专栏
02-09 988
今天读文章看到一个词：远程依赖项。查了一下文献，查找文献如下： 远程依赖的定义： Long-range dependencies make the difference—Comment on “A stochastic model for EEG microstate sequence analysis” Long Range Dependence - Cornell University 在阅读Coordination attention时了解到空间位置信息之间的远程依赖关系，经查询了解到ORDNET
医学图像分割 （MICCAI 2019）
ReaFly的博客
04-15 1万+
一.头部 2.《FocusNet: Imbalanced Large and Small Organ Segmentation with an End-to-End Deep Neural Network for Head and Neck CT Images》 针对 Head and Neck(HaN) CT images 数据集来源：非公共数据集 和 MICCAI Head and Neck ...
Blood-brain barrier and cerebral blood flow: Age differences in hemorrhagic stroke
02-22
Neonatal stroke is similar to the stroke that occurs in adults and produces a significant morbidity and long-term neurologic and cognitive deficits. There are important differences in the factors, ...
SAE J1817-2023 Long-Stroke Air-Brake Actuator Marking.pdf
02-13
SAE J1817-2023 Long-Stroke Air-Brake Actuator Marking.pdf
css text-stroke 文字描边
352328759的博客
12-22 3496
text-stroke 不是标准的 css 属性, 所以本篇读者可以视为娱乐 text-stroke 是复合属性, 包括 text-stroke-width, text-stroke-color 因为不是标准属性, 大多数情况要加上前缀 text-stroke-width 指描边的宽度, 该属性的描边风格是居住描边(内边, 外边各占一半), 且只有居中描边一种 结合 absolute 定位, 用未描边的内容, 遮盖已描边的内容, 可以实现只描外边的效果 demo <!DOCTYPE html>
SR领域概念整理个人笔记
Cinnamon23的博客
09-28 1758
lxy个人看论文时候遇到的生词记录
【今日CV 计算机视觉论文速览 第144期】Wed, 17 Jul 2019
TomRen
07-21 6732
第144期 视觉论文速览 --残差金字塔深度估计 --通道，空间特征提升模块 --感知评价 --动作数据集Kinetics-700 --细粒度食物数据集Foodx-251 --场景文字合成渲染
变化检测DASNet论文介绍
qq_43428929的博客
09-01 6466
DASNet: Dual Attentive Fully Convolutional Siamese Networks for Change Detection in High-Resolution Satellite Images论文介绍
Transformer-XL
qq_37008037的博客
12-15 486
https://blog.csdn.net/magical_bubble/article/details/89060213 要正确理解一篇文章，有时需要参考出现在几千个单词后面的一个单词或一个句子。 这是一个长期依赖性(long-range dependence)的例子，这是序列数据中常见的现象，处理许多现实世界的任务都必须理解这种依赖。 虽然人类很自然地就会这样做，但是用神经网络建模长期依赖关系仍然很具挑战性。基于Gating的RNN和梯度裁剪(gradient clipping)技术提高了对长期依
经典网络和问题
无左无右的博客
04-25 349
1.senet SE模块主要为了提升模型对channel特征的敏感性，这个模块是轻量级的，而且可以应用在现有的网络结构中，只需要增加较少的计算量就可以带来性能的提升。https://zhuanlan.zhihu.com/p/65459972/https://www.cnblogs.com/bonelee/p/9030092.html SENet是一个通道注意力机制网络，它的核心思想在于通过损失函...
读书笔记10：Non-local Neural Networks
b224618的博客
08-22 3622
摘要中，作者开门见山，强调卷积神经网络和循环神经网络的操作都是局域化的操作，在本文中，我们提出非局域化的操作（non-local operation），作为抓取长程相互关系的一个一般性的模块（a generic family of building bolcks for capturing long-range dependenices）。也即第一句话给出问题的背景，第二句话概述自己的方法。之后便...
生成对抗网络_SAGAN：自注意力生成对抗网络
weixin_39774905的博客
12-16 2235
原论文下载地址：Self-Attention Generative Adversarial Networks该文章作者为：Han ZhangGitHub代码实现：pytorch实现摘要部分：本文提出了Self-Attention Generative Adversarial Networks，在注意力机制，远距离依赖(long-range dependency)下来实现了图片生成任务。(...
通俗易懂的RNN总结（包含LSTM/GRU/BPTT等）
chen_mushi的博客
03-17 3861
1、RNN介绍： RNN的基本想法是如何采用序列信息。在传统神经网络中我们假设所有的输入和输出都是相互独立的，但对于很多任务这样的假设并不合适。如果你想预测一个句子的下一个单词，的则需要知道之前的words包括哪些。 RNN被称为循环因为它们对句子的每个元素都执行相同的任务，输出依赖于之前的计算；另一个理解RNN的方法是假设他们用记忆能够获取之前计算过的信息。理论上RNN能够利用任意长的句子，但是...
机器学习中使用的神经网络第七讲笔记
Marcovaldong的博客
05-18 9564
Geoffery Hinton教授的*Neuron Networks for Machine Learning*的第六讲介绍了循环神经网络（recurrent neural network, RNN）和Long Short Term Memory。 Modeling sequences: A brief overview在这一小节，我们将对应用于序列（sequences）的不同类型的模型做一个概括。我们从最简单的模型
NetBeans简介和简单使用
热门推荐
weixin_34138377的博客
07-31 2万+
1、什么是NetBeans？ 　　NetBeans IDE：可以使开发人员利用Java平台能够快速创建Web、企业、桌面以及移动的应用程序； 　　支持语言：PHP、Ruby、JavaScript、Groovy、Grails和C/C++； 　　NetBeans：包括开源的开发环境和应用平台，是Sun公司（2009年被甲骨文收购）在2000年创立的开放源代码供开发人员和客户社区的家园，旨在构建世...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值