（脑瘤分割阅读笔记：二）Automatic Brain Tumor Segmentation usingCascaded Anisotropic Convolutional NeuralNetwork

原创 已于 2022-08-25 11:46:35 修改 · 1.1k 阅读 · 4 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习 #人工智能 #计算机视觉 #神经网络

于 2022-08-22 14:41:20 首次发布
本文提出了一种利用级联的深度学习网络解决脑肿瘤分割问题的方法，将任务分解为三个二进制分割任务，以减少假阳性。网络采用各向异性卷积和空洞卷积降低复杂度，结合多尺度预测融合和多视图融合技术，提高分割精度。尽管该方法依赖上游网络性能，但通过融合不同视图信息，能有效利用3D上下文以增强分割结果。

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

本文只是记录个人阅读论文的感想与思考！难免存在错误！如若理解有误还请各位大佬指出！感谢！

目录

Abstract

Introduction

脑肿瘤分割所面临的挑战

本文贡献

方法（Method）

整体流程

各向异性卷积神经网络

三个CNN网络结构

多尺度预测融合

多视图融合

缺点与不足

Abstract

本文提出的方法是将MRI图像分割成背景和三个分层区域

级联方法旨在根据子区域层次结构将脑肿瘤分割任务分解成三个二进制分割任务。主要分为三个步骤：

Step 1：分割整个肿瘤（WT）区域

Step 2：分割肿瘤核心区域（TC）

Step 3:  分割增强肿瘤核心区域（ET）

网络主要由以下几个核心部分组成：1）多层各向异性卷积滤波器 2）扩张卷积滤波器 3）多视图融合部分

Introduction

脑肿瘤分割所面临的挑战

1）肿瘤大小，形状定位在不同的患者之间存在的较大的差异

2）相邻结构之间的边界通常比较模糊不明确。

本文贡献

1）提出了一个级联的网络，将完整的脑肿瘤分割任务（多类分割问题）分解为3个2类分割问题，从而充分利用肿瘤的子区域，减少假阳性。（为什么可以减少假阳性？答：试想如果脑肿瘤分割任务只分割到

最低0.47元/天 解锁文章

200万优质内容无限畅学
【BraTS】Brain Tumor Segmentation 脑部肿瘤分割1（数据篇）
钱多多先森
04-24 1万+
BraTS2015数据 官方网址：http://www.braintumorsegmentation.org/ 下载地址：https://aistudio.baidu.com/aistudio/datasetdetail/26367
【BraTS】Brain Tumor Segmentation 脑部肿瘤分割2（UNet的复现）
钱多多先森
05-11 4597
1、复线unet 2、构建训练数据流 3、浅谈思路
Boundary-Aware Fully Convolutional Network for Brain Tumor Segmentation论文理解
静静地玛尼石
10-27 2152
本文模型的代码是基于keras和Theana上完成，但是好像并没有进行开源          我们提出一种新颖的，多任务的全卷积网络（FCN）架构，用于脑肿瘤的自动分割。 该网络通过连接从多模MR图像提取的分层特征表示来提取多级上下文信息。 通过在损失函数中直接加入边界信息，实现了分割性能的提高。 该方法在BRATS13和BRATS15数据集上进行了评估，并
Automatic Brain Tumor Segmentation using Cascaded Anisotropic Convolutional Neural Networks
moshiyaofei的博客
02-15 1792
理解论文  Automatic Brain Tumor Segmentation using Cascaded Anisotropic Convolutional Neural Networks   一、摘要 1.提出了一种级联的全卷积神经网络来分割多模态 脑肿瘤 MRI，分割的脑肿瘤是：whole tumor, tumor core and enhancing tumor core。 2...
脑肿瘤分割论文打卡2：E1D3 U-Net for Brain Tumor Segmentation
qq_38296005的博客
10-21 4511
E1D3 U-Net for Brain Tumor Segmentation: Submission to the RSNA-ASNR-MICCAI BraTS 2021 challenge 【E1D3 U-Net 用于脑肿瘤分割】Abstract1 Introduction2 Realted Works3 Methodology3.1 E1D3 U-Net :One Encoder, Three Decoders3.2 Training3.3 Testing4Experiments4.1 System
Image Segmentation Using Deep Learning: A Survery
Fantastic
09-23 4004
图像分割综述–论文翻译 论文地址：https://arxiv.org/pdf/2001.05566.pdf 摘要 图像分割是图像处理以及计算机视频的关键内容，其应用场景非常广泛，如场景理解、医学图像分析、机器人感知、视频监控、增强显示和图像压缩等。目前关于图像分割的算法论文数量非常多。最近，由于深度学习模型在计算机视频任务中的出色表现，大量的图像分割研究工作都在开发深度学习模型在图像分割中的应用。在本次调查综述中，我们提供全面的图像分割的文献综述，涵盖了语义分割和实例分割的广泛开创性工作，其中包括全卷机像素
（二十八：2021.01.10）MICCAI 2019 追踪之论文纲要（中）
Jojo论文基地
01-09 3455
讲在前面 暂时先更新PART I, 持续更新。 论文目录 PART I Optical Imaging（光学影像） 概要 1.Enhancing OCT Signal by Fusion of GANs: Improving Statistical Power of Glaucoma Clinical Trials通过GAN融合增强OCT信号：提高青光眼临床试验的统计能力 2.A Deep Reinforcement Learning Framework for Frame-by-Fr
（二十九：2021.01.10）MICCAI 2019 追踪之论文纲要（下）
Jojo论文基地
01-11 2621
讲在前面 这部分是PART V和PART VI。 论文目录 PART V Computer-Assisted Interventions（计算机辅助干预） 概要 1.Robust Cochlear Modiolar Axis Detection in CTCT中稳健的耳蜗轴轴检测 2.Learning to Avoid Poor Images: Towards Task-aware C-arm Cone-beam CT Trajectories学习避免不良图像：迈向任务感知型C型臂锥束
（三十一：2021.01.12）MICCAI 2018 追踪之论文纲要（下）
Jojo论文基地
01-11 1816
讲在前面 这部分是PART III和PART IV。 论文目录 PART III Diffusion Tensor Imaging and Functional MRI: Diffusion Tensor Imaging（扩散张量成像和功能性MRI：扩散张量成像） 概要 1.Multimodal Fusion of Brain Networks with Longitudinal Couplings纵向联轴器脑网络多峰融合 2.Penalized Geodesic Tractograp
[深度学习论文笔记]Brain tumor segmentation with self-ensembled,deeply-supervised 3D U-net neural networks
Slientsake的博客
07-20 2939
论文： Brain tumor segmentation with self-ensembled,deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution. 使用自集成、深度监督的3D U-net神经网络的脑肿瘤分割:BraTS 2020挑战解决方案 论文：https://arxiv.org/abs/2011.01045 代码：https://github.com/lescientifik/open brats20
改进的连续型最大流算法脑肿瘤磁核共振成像三维分割
02-12
针对脑肿瘤磁核共振成像(MRI)中噪声、低对比度、脑肿瘤边界模糊等原因造成脑肿瘤分割不足的问题，提出一种改进的连续型最大流算法脑肿瘤MRI三维分割方法。针对Flair、T1C和T2三种模态MRI图像使用中值滤波和快速模糊C均值聚类进行预处理得到预处理图像；按照大量实验统计确定的融合比例5∶1∶4(Flair、T1C和T2三种模态)，对各预处理图像进行线性融合得到三维融合图像；采用快速模糊C均值算法对三维融合图像进行聚类得到三维欠分割图像；使用本文提出的算法对三维欠分割图像进行精准分割，即通过分析三维欠分割图像的结构特征和统计特征，提取参数实现改进的连续型最大流算法，去除散点后得到最终分割结果。实验表明，相对金标准的相似系数为0.90，正确率为0.94，召回率为0.86。使用本文提出算法进行脑肿瘤MRI三维分割能够自动、准确地分割出三维脑肿瘤区域，可以满足医学临床需要。
Anisotropic Convolutional Networks（AIC:各向异性卷积神经网络）
qinxin_ni的博客
11-16 4226
论文原文： Automatic Brain Tumor Segmentation using Cascaded Anisotropic Convolutional Neural Networkshttps://link.zhihu.com/?target=https%3A//arxiv.org/abs/1709.00382
[翻译+分析总结] nnU-Net for Brain Tumor Segmentation
搬砖猛女的啃书历程
03-14 1671
摘要 我们将nnU-Net应用于BraTS 2020挑战赛的细分任务。 未经修改的nnU-Net基准配置已经取得了可观的结果。 通过合并有关BraTS的特定修改，这些修改涉及后处理，基于区域的培训，更具综合性的数据扩充以及对nnU-Net管道的一些较小修改，我们能够大幅提高其分割性能。 此外，我们还重新实施了BraTS排名方案，以确定哪种nnU-Net变体最适合它所强加的要求。 我们的方法在BraTS 2020竞赛中名列第一，全肿瘤，肿瘤核心和增强肿瘤的Dice评分分别为88.95、85.06和82.03，
Brain tumor segmentation using deep learning +HybridResUnet脑胶质瘤分割BraTs +论文解读
h201601060805的博客
05-07 3148
Brain tumor segmentation using deep learning 下载地址 摘要 Brain tumor is one of the deadliest forms of cancer and as all cancer types, early detection is very important and can save lives. By the time sym...
（脑肿瘤分割阅读笔记：一）Brain Tumor Segmentation with Deep Neural Networks
weixin_43921949的博客
08-21 1008
基于深度神经的脑肿瘤分割论文阅读笔记
[深度学习论文笔记]A Two-Stage Cascade Model for MRI Brain Tumor Segmentation
Slientsake的博客
05-18 1931
[深度学习论文笔记] A Two-Stage Cascade Model with Variational Autoencoders and Attention Gates for MRI Brain Tumor Segmentation 磁共振脑肿瘤分割的变分自动编码器和注意门两阶段级联模型 论文：https://arxiv.org/abs/2011.02881 代码：https://github.com/shu-hai/two-stage-VAE-Attention-gate-BraTS2020 发表时
综述：CNN在脑肿瘤分类的应用(2015-2022)
qq_45807235的博客
12-14 3968
该论文使用CNN架构使用MR图像的脑肿瘤进行分类的研究进行全面回顾，目的是确定该技术发展的有用策略和可能的障碍。对于每篇文章，提取了关于训练数据、目标问题、网络架构、验证方法和报告的定量性能标准的数据。然后评估这些研究的临床相关性，通过考虑卷积神经网络的优点来确定局限性，以及为了促进CNN算法的临床应用和发展需要解决的剩余挑战。最后，为生物医学和机器学习领域的研究人员讨论了未来研究的可能方向。共确定并回顾了83项研究。它们在目标的精确分类问题和用于构建和训练所选CNN的策略方面有所不同。
（脑肿瘤分割笔记：十七）基于分级Dice Loss的精细全卷积神经网络的脑肿瘤分割
weixin_43921949的博客
08-31 809
基于分级DiceLoss的精细全卷积神经网络脑肿瘤分割论文笔记
Wang G , Ourselin S , Vercauteren T , et al. Automatic Brain Tumor Segmentation using Cascaded Anisotropic Convolutional Neural Networks[C]// Medical Image Computing and Computer-Assisted Intervention. 2017.
05-18
这篇论文介绍了一种使用级联各向异性卷积神经网络（CNN）进行自动脑肿瘤分割的方法。该方法将三维MRI图像分为块，并使用一个三维卷积神经网络来对每个块进行分类，以确定其中是否存在肿瘤。然后，对肿瘤区域进行进一步分割，使用另一个三维卷积神经网络进行二分类。最终，将两个CNN级联起来，以实现完整的肿瘤分割。该方法在BRATS2013数据集上进行了测试，并取得了良好的结果。
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