Deep Poincare Map for Robost Medical Image Segmentation 论文阅读

最新推荐文章于 2024-11-26 01:42:39 发布

原创

最新推荐文章于 2024-11-26 01:42:39 发布 · 500 阅读

1 ·

CC 4.0 BY-SA版权

本文介绍了Deep Poincare Map方法，用于解决医疗图像分割问题。该方法结合了动态系统理论和卷积神经网络，通过预测点的运动向量形成分割轨迹，对初始化和噪声具有较高鲁棒性。尽管存在半自动化和初始化限制，但实验证明其在噪声、旋转不变性和效率方面表现出色。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Deep Poincare Map for Robost Medical Image Segmentation于17年3月份发表在arXiv上，作者来自帝国理工学院。
这篇文章提出了一种半自动方法（需要初始点和初始向量，但并不是过分依赖），将分割问题看成动态系统，用CNN来预测动态系统的演变，也是属于深度学习和传统方法结合的类型。

Motivation

分割问题作为基本任务，目前解决方案主要有relu-based和data-driving两种。然而医学图像与自然图像不同，由于获取设备导致的低信噪比以及本身固有的稀缺性，使得深度学习这种数据驱动的方法在应用时受到限制。因此为了从较少的数据中建立深度学习模型，提出本文框架。

主动轮廓法是分割的常用模型，但是不管是参数化主动轮廓还是几何主动轮廓，都容易被一些局部最小点所困扰。同时其迭代次数往往是给定的，图像质量较差时应用起来有较大困扰。
因此，为了克服ACM的缺点，Image segmentation based on the Poincare map method提出一种内旋吸引流模型，并利用Poincare Map来检测。这种方法的缺点是对于初始化和噪声较敏感。
Deep Active Contour是近来将神经网络和ACM结合的文章，但是有以下缺点：
1. 初始化轮廓必须和目标轮廓很接近；
2. 目标轮廓中高曲率的点检测不准；
3. 正则化方法需要仔细选择。