【论文阅读笔记】Automatic Liver and Lesion Segmentation in CT Using Cascaded Fully Convolutional Neural Net

最新推荐文章于 2024-03-27 15:30:36 发布
最新推荐文章于 2024-03-27 15:30:36 发布
阅读量3.7k 收藏 22
点赞数
CC 4.0 BY-SA版权
分类专栏： 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/cskywit/article/details/80689230
本文介绍了一种自动从腹部CT图像中分割肝脏及其病变的方法。该方法利用级联全卷积网络（U-Net）进行粗到细的数据提取，首先定位肝脏区域，再识别病变部分。为提高精度，还引入了三维条件随机场进行后处理。

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

       本文提出一种从腹部CT片中自动分割肝脏和肝脏病变的方法。

       使用的数据集为3DIRCADb dataSets：http://ircad.fr/research/3d-ircadb-01

       使用的神经网络库为Keras

       训练的模型在github: https://github.com/IBBM/Cascaded-FCN

       流程如图：


      step1:对原始CT片进行数据增强，

      step2:使用级联神经网络的方法对数据进行处理，级联的两个神经网络均为U-Net(U-net: Convolutional networks for biomedical image segmentation)，分别实现Coase to fine的数据提取，即第一个网络从腹部CT片中提取出肝脏区域(ROI)，第二个网络从ROI中提取出肝脏病变部位。

      step3:鉴于CT片具有的三维像素和分辨率各向异性，使用了3D条件随机场(3D CRF:Ecient inference in fully connected crfs with gaussian edge potentials)进行处理，实现了state-of-the-art。

      方法实际效果如图：

     

     

汇总|医学图像分析领域论文
3D视觉工坊
02-02 4172
作者：Tom Hardy Date：2020-01-09 来源：汇总|医学图像分析领域论文 医学图像分析相关期刊会议汇总1、医学图像分析 (MedIA)2、IEEE 医学图像学报 (IEEE-TMI)3、IEEE 生物医学工程学报(IEEE-TBME)4、IEEE 生物医学与健康信息学杂志 (IEEE-JBHI)5、国际计算机辅助放射学和外科学杂志 (IJCARS)6、医学影像信息处理国际会议...
医学图像分析领域算法汇总
qq_29462849的博客
01-15 5625
前言 本文首发于公众号【3D视觉工坊】，原文请见汇总|医学图像分析领域论文，更多干货获取请关注公众号~ 医学图像分析相关期刊会议汇总 1、医学图像分析 (MedIA) 2、IEEE 医学图像学报 (IEEE-TMI) 3、IEEE 生物医学工程学报(IEEE-TBME) 4、IEEE 生物医学与健康信息学杂志 (IEEE-JBHI) 5、国际计算机辅助放射学和外科学杂志 (IJCARS) 6、医学...
医学分割论文:Automatic Liver and Lesion Segmentation in CT Using Cascaded FCNN and 3D-CRF
jlch5555的博客
06-19 624
医学分割论文:Automatic Liver and Lesion Segmentation in CT Using Cascaded Fully Convolutional Neural Networks and 3D Conditional Random Fields Auther: Ferdinand Christ, Institution:Technische Universitat Munchen, Publish year: 2016 论文地址：https://arxiv.org/abs/16
Automatic Liver and Lesion Segmentation in CT_translate
qq_38565134的博客
07-02 337
基于级联全卷积神经网络和三维条件随机场的CT自动肝脏病变分割
Cascaded-FCN weights
03-05
Cascaded-FCN in caffe step1 weights on automatic Liver and Lesion Segmentation
肝脏分割 Using Cascaded Fully Convolutional Neural Networks and 3D Conditional Random Fields
heavenpeien的博客
05-25 3229
Automatic Liver and Lesion Segmentation in CT Using Cascaded Fully Convolutional Neural Networks and 3D Conditional Random FieldsAbstract. Automatic segmentation of the liver and its lesion is an impo...
3D Deeply Supervised Network for Automatic Liver Segmentation from CT Volumes
u013313168的专栏
02-25 408
【参考】论文笔记：3D Deeply Supervised Network for Automatic Liver Segmentation from CT
医学图像分割文章阅读笔记
Ayu___的博客
04-07 3327
1、Detection-aided liver lesion segmentation using deep learning 2、Automatic Liver and Tumor Segmentation of CT and MRI Volumes Using Cascaded Fully Convolutional Neural Networks https://github.com/IBBM/Cascaded-FCN 一、Method 第一步:数据预处理和神经网络分割的准备。 原始切片的Hou
深度学习：综述：医疗影像数据+CV数据集
热门推荐
weixin_41108334的博客
11-10 1万+
GitHub：https://github.com/albarqouni/Deep-Learning-for-Medical-Applications 医疗数据集：https://blog.csdn.net/Suii_v5/article/details/77920948?locationNum=10&fps=1 乳腺MG数据获取:https://blog.csdn.net/dcxhu...
论文笔记Automatic liver segmentation from abdominal CT volumes using improved convolution neural network
Stark_Z的博客
09-08 293
使用改进的卷积神经网络从腹部 CT 体积自动分割肝脏
Medical-Images-Liver-Segmentation-NIfTI
04-08
医学图像分割 项目目标 生物医学图像项目经常遇到一个问题，即可用的带注释的输入图像数量不足。 另外，医学成像需要定位（例如，每个像素的分类）或医学图像分割。 该项目的目标是复制医学图像分割实验（作者：Soriba Diaby），并学习如何将具有少量样本的数据集用于医学图像分割。 数据集 该项目将使用非常小的3D CT扫描数据集：该数据集包含20例患者（10名女性，10名男性）的3D CT扫描，总共有75％的肿瘤病例。 该数据集还包括肝罩分割。 为了克服数据的稀缺性，使用了将3D图像切片为2D切片的方法。 可通过以下链接以NifTI格式下载数据集3D-IRCADb-01： ://www.dropbox.com/s/8h2avwtk8cfzl49/ircad-dataset.zip?dl 。 模型 经典的U-net体系结构将用于分割任务，如Olaf Ronneberger，Philipp
【论文阅读笔记】论文总结Automated Lesion Detection和PseudoEdgeNet两篇
Hanxy_Robin
10-25 705
文章目录Automated Lesion Detection by Regressing Intensity-Based Distance with a Neural NetworkMotivationResultPseudoEgdeNet: Nuclei Segmentation only with Point AnnotationsMotivationMethodResult Automate...
医学图像预处理——3D CT肝脏dicom图像预处理学习记录（3D-IRCADB）
weixin_43259626的博客
03-27 2485
得到了各轴实际对应的空间大小后，可以根据重采样后期望各体素在某个轴上单位体素对应的空间大小，算各种重采样后的体素总数。结果如下：x轴数据的空间大小为512 * pixdim[1] = 451.07199mm，y轴数据的空间大小为512 * pixdim[2] = 451.07199mm，z轴数据的空间大小为81 * pixdim[3] = 405mm。作用是读取data_path中的文件，放入到image_slices中，得到一个129个大小的list，每一个list元素表示一个切片的全部信息。
3Dircadb数据集使用unet分割肝脏
qq_44779888的博客
05-19 2069
【代码】3Dircadb数据集使用unet分割肝脏。
3D Deeply Supervised Network for Automatic Liver Segmentation from CT Volumes-笔记
sunyao_123的博客
04-30 1351
网络结构：   网络改进的地方是通过反卷积（核大小为3X3X3，步长为2）中间层，使得和输入大小相同，然后通过label计算loss，和最终loss一起进行梯度更新。中间反卷积层输出的loss可以防止梯消失。（深度监督DSN）   由于最终输出是通过反卷积得到的，只通过阈值生成结果，有时后边缘会不精确。所以在横断面又使用了CRF。 观察了中间层的输出：证明该论文的中间层学习到的表达相关性...
肝脏分割 Detection-aided liver lesion segmentation using deep learning
heavenpeien的博客
05-29 4331
A fully automatic technique for segmenting the liver and localizing its unhealthytissues is a convenient tool in order to diagnose hepatic diseases and assess theresponse to the according treatments. ...
论文笔记3
weixin_45679003的博客
03-15 320
3、基于图像对图像网络的肝脏自动分割 三维医学图像中的肝脏自动分割在肝脏疾病的病理诊断、手术计划和术后评估等临床应用中具有重要意义。然而，由于背景复杂、边界模糊、肝脏形态多样等原因，肝脏移植仍然是一项极具挑战性的工作。本文提出了一种自动、高效的肝脏三维CT分割算法。 首先采用一种结合多级特征拼接和深度监控的卷积编解码结构，部署一个深度图像到图像网络（DI2IN）来生成肝脏分割。 然后在训练过程中利...
论文笔记（二）Breast Tumor Segmentation in DCE-MRI Using Fully Convolutional Networks
weixin_42402739的博客
08-30 1309
论文地址：Breast Tumor Segmentation in DCE-MRI Using Fully Convolutional Networks 摘要 提出了一种通过完全卷积网络（FCN）进行乳腺肿瘤分割的掩模引导分层学习（MHL）框架。达到0.72的平均Dice相似系数（DSC）。 作者提出，在定量肿瘤分析中，通常采用几种成像特征来表征原始DCE-MR图像，例如肿瘤形态，纹理和增强动力...
【深度学习】收藏 | 医学图像开源数据集汇总
fengdu78的博客
10-30 780
3D-IRCADB 脏器分割数据集数据集链接：http://m6z.cn/6x5OSn3D-IRCADb-01 数据库由 10 名女性和 10 名男性 75% 的肝肿瘤患者的 3D CT 扫描组成。20个文件夹对应20个不同的患者，可以单独下载也可以联合下载。下表提供了图像信息，例如肝脏大小（宽度、深度、高度）或根据 Couninaud 分割的肿瘤位置。它还表明肝脏分割软件可能遇到的主要困难是由于...
US-Cut: Interactive Algorithm for Rapid Detection and Segmentation of Liver Tumors in Ultrasound Acquisitions
最新发布
03-15
<think>好的，我需要帮助用户了解或实现用于快速检测和分割超声图像中肝肿瘤的交互式算法。首先，我应该先理清用户的需求。用户提到的是“交互式算法”，这意味着算法需要允许用户输入或调整参数，实时反馈结果，可能涉及图形界面或实时处理。接下来是“快速检测和分割”，超声图像通常噪声较多，对比度低，所以需要有效的图像处理方法来提高准确性，同时保证速度。 首先，我需要回顾超声图像处理的基本步骤。通常包括预处理、特征提取、分割和后处理。预处理可能包括去噪、增强对比度等。分割方法可能有阈值法、区域生长、边缘检测、基于机器学习的方法等。但用户需要的是交互式，所以可能需要结合用户的输入，比如手动标记一些区域，然后算法根据这些标记进行分割。 接下来，我需要考虑现有的交互式分割算法。比如Graph Cut、GrabCut、Active Contour模型（Snakes）、Random Walks等。这些算法允许用户通过提供初始标记（如前景和背景）来引导分割过程。例如，Graph Cut利用图论中的最小割最大流算法，将图像分割问题转化为能量最小化问题。用户交互提供的前景和背景信息作为能量函数的约束条件，从而优化分割结果。 不过超声图像有其特殊性，比如斑点噪声、低对比度和模糊的边界。因此，可能需要针对这些特点进行算法优化。例如，结合各向异性扩散滤波去噪，或者使用局部纹理特征来增强肿瘤区域的特征。此外，实时性要求高，所以算法复杂度需要控制，可能需要使用多尺度处理或GPU加速。 另外，基于深度学习的方法现在在医学图像分割中表现很好，比如U-Net。但用户提到的是“交互式”算法，可能需要将深度学习与用户交互结合。例如，用户提供少量标注，算法进行精细调整，或者使用深度学习模型进行初步分割，再允许用户交互修正。 然后，我需要考虑具体步骤。一个可能的流程是：预处理（滤波、增强）→ 用户交互标记肿瘤和背景区域 → 基于标记进行分割（如Graph Cut或改进的算法） → 后处理（形态学操作去除小区域，平滑边界）→ 实时显示结果并允许用户调整。 在实现方面，可能需要使用图像处理库如OpenCV，以及交互式界面开发，如PyQt或Python的Tkinter。对于算法部分，Graph Cut的实现需要构建图结构，计算最小割，这可能比较复杂。或者使用现有的库，如OpenCV中的GrabCut，但需要调整参数以适应超声图像的特点。 可能的挑战包括处理超声图像的高噪声、提高分割的准确性，以及保证实时交互的速度。需要针对超声图像优化预处理步骤，可能需要比较不同的去噪方法，如非局部均值滤波、小波去噪等。在分割阶段，可能需要结合多种特征，比如纹理、边缘强度等，来改进传统算法。或者结合深度学习的预训练模型作为特征提取器，辅助分割。 另外，评估分割结果的方法也很重要，需要金标准（如医生标注的数据）来计算Dice系数、Hausdorff距离等指标，以验证算法的有效性。 现在，用户可能需要具体的步骤或代码示例。例如，使用OpenCV的GrabCut算法，结合用户交互，进行肿瘤分割。或者使用PyQt创建一个界面，让用户绘制矩形或点，然后触发分割算法。 总结来说，解决方案可能包括以下几个步骤： 1. 预处理：减少噪声，增强肿瘤区域。 2. 用户交互：让用户输入初始标记。 3. 分割算法：结合交互信息进行快速分割。 4. 后处理：优化分割结果。 5. 实时反馈：允许用户调整并重新分割。 现在需要将这些步骤具体化，并提供实现建议和相关代码示例。</think>### 交互式肝肿瘤超声图像检测与分割算法实现 #### 1. 算法核心思路 交互式分割通常结合用户标记与图像特征，例如基于**Graph Cut**或**GrabCut**的改进方法。针对超声图像特点，需重点关注噪声抑制与边缘增强。以下流程结合传统图像处理与交互式分割： $$E(L) = \lambda \sum_{i} R_i(L_i) + \sum_{(i,j)\in N} B_{i,j} \cdot \delta(L_i \neq L_j)$$ 其中$R_i$为区域项，$B_{i,j}$为边界项，$\lambda$为权重系数[^1]。 #### 2. 实现步骤与代码示例 ##### 预处理阶段 ```python import cv2 import numpy as np def preprocess(us_image): # 非局部均值去噪 denoised = cv2.fastNlMeansDenoising(us_image, h=15) # 对比度受限自适应直方图均衡化 clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8,8)) enhanced = clahe.apply(denoised) # 各向异性扩散滤波 return enhanced ``` ##### 交互式分割（基于改进GrabCut） ```python def interactive_segmentation(img, rect): mask = np.zeros(img.shape[:2], np.uint8) bgd_model = np.zeros((1,65), np.float64) fgd_model = np.zeros((1,65), np.float64) # 用户提供的初始矩形区域 cv2.grabCut(img, mask, rect, bgd_model, fgd_model, 5, cv2.GC_INIT_WITH_RECT) # 生成二值掩模 mask = np.where((mask==2)|(mask==0), 0, 1).astype('uint8') return mask ``` ##### 后处理优化 ```python def postprocessing(mask): # 形态学闭操作 kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5)) closed = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) # 去除小区域 contours, _ = cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours: if cv2.contourArea(cnt) < 100: cv2.drawContours(closed, [cnt], 0, 0, -1) return closed ``` #### 3. 关键技术优化 1. **噪声处理**：采用小波变换与自适应阈值结合的方法 $$T = \mu + k\sigma$$ 其中$\mu$为局部均值，$\sigma$为标准差，$k$为自适应系数 2. **边缘增强**：使用相位一致性检测真实边缘 $$PC(x) = \frac{\sum_{n} \sqrt{(e_n(x)^2 + o_n(x)^2)}}{\epsilon + \sum_{n} (A_n(x))}$$ 3. **实时交互**：通过多分辨率金字塔实现快速迭代 $$I_{l} = \downarrow(I_{l-1} \ast G_{\sigma})$$ 其中$G_{\sigma}$为高斯核，$\downarrow$表示下采样 #### 4. 性能评估指标 | 指标 | 公式 | 临床意义 | |------|------|----------| | Dice系数 | $\frac{2|X \cap Y|}{|X|+|Y|}$ | 体积重叠度 | | HD距离 | $\max(\sup_{x\in X}d(x,Y), \sup_{y\in Y}d(y,X))$ | 边界吻合度 | | ASD | $\frac{1}{2}(\frac{1}{|X|}\sum_{x\in X}d(x,Y)+\frac{1}{|Y|}\sum_{y\in Y}d(y,X))$ | 平均表面差异 | #### 5. 系统集成建议 建议采用PyQt框架构建交互界面，核心功能模块： 1. DICOM图像加载模块 2. 实时标注工具（画笔、橡皮擦、矩形框） 3. 多视图同步显示（原始图像、分割结果、三维重建） 4. 参数调整面板（阈值、迭代次数、平滑系数）
评论 1
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