解剖标记点检测——Two-Stage Task-Oriented DNN

最新推荐文章于 2024-05-05 13:20:13 发布

原创

最新推荐文章于 2024-05-05 13:20:13 发布 · 2.2k 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#T2DL #a patch based CNN mo #end-to-end

本文介绍了T2DL，一种针对有限医学影像数据的两阶段任务导向深度学习方法，用于实时检测大量解剖标记点。T2DL由两个DCNN组成，先使用基于互信息的3D线性配准对图像进行预处理，然后通过两阶段模型进行检测。第一阶段是基于patch的CNN，学习局部图像与标记点的关系；第二阶段采用端到端的全卷积网络进行全局整合。实验表明，T2DL在标记点检测上的表现优于其他方法，如Multi-Atlas、Random Forest等。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

《Detecting Anatomical Landmarks From Limited Medical Imaging Data Using Two-Stage Task-Oriented Deep Neural Networks》

Jun Zhang, Mingxia Liu, Dinggang Shen

这篇论文主要介绍了一个缓和有限训练数据的深度学习方法，就是T2DL（Two-Stage Task-Oriented Deep Learning），这个方法用于在有限的训练数据上实时地检测大量的解剖标记点。T2DL由两个DCNN组成，也就是我们所说的Two-stage，由局部到全局的定向任务。

在介绍T2DL模型之前，我们先来了解一下端到端（end-to-end）的深度学习，这个方法可以在有限的数据上，实时地检测大量的标记点。基于下图可以帮助我们理解这个方法。具体来说，所有训练和测试图像首先使用基于互信息的3D线性配准并使用转换矩阵，线性对齐到公共模板空间中。然后，用线性对齐的训练图像和标记点训练两阶段面向任务的深度学习（T 2 DL）模型进行标记点检测。在测试阶段，给出测试图像，同样先对应到公共模板，再用T 2 DL方法使用其对应的线性对齐图像来检测其标记点；最后，使用在线性注册过程中估计的相应变换矩阵的逆，就可以很容易地获得测试图像的原始空间中的最终标记点位置。

上图中蓝色区域的“Two-stage Task-Oriented Deep Learning Model for Landmark Detection”对应的CNN框架如下图，即T2DL的构成图，T2DL的第一阶段是一个基于回归模型的CNN，使用了大量image patch作为输入，目的是去学习local image patches和target anatomical landmarks之间固有的关系；第二阶段进一步抽离出了image patc