CVPR 18 kabul edilen makale: Tıbbi görüntü segmentasyonunun doğruluğunu artırmak için kantifikasyon kullanma
Leifeng. İzinle yeniden yazdırmaya izin verilmez.
Notre Dame Üniversitesi ve Huazhong Bilim ve Teknoloji Üniversitesi'nden araştırmacılar, tıbbi görüntü segmentasyonu için derin öğrenme modellerinin doğruluğunu iyileştirmek için ağ nicelemesini kullanan bir optimizasyon yöntemi önerdiler. Bu yöntem, ağ modelini tıbbi görüntü segmentasyon derin öğrenme modeline sıkıştırmayı amaçlayan nicel yöntemi yenilikçi bir şekilde uygular Mevcut yöntemlerle karşılaştırıldığında, mevcut en son teknoloji veri seti, mevcut popüler Gland veri seti için geliştirilebilir. Görüntü bölütlemenin doğruluğu% 1-% 7,5 arasında olup sıkıştırılmış derin öğrenme modeli elde edilir. Araştırma CVPR 2018 tarafından kabul edildi.
Kağıt indirme adresi: https://arxiv.org/pdf/1803.04907.pdf
Tıbbi görüntüleme günümüzün tıbbi teşhisinde önemli bir rol oynamaktadır. Bunlar arasında doku, organ ve ilgili biyolojik yapıları elde etmeyi amaçlayan görüntü segmentasyonu, tıbbi görüntülemede en önemli adımlardan biridir ve hastalık teşhisi, cerrahi planlama ve tedavi planı tasarımı için güçlü bir destektir. Geleneksel görüntü bölütleme, çoğunlukla, monoton ve zaman alan bir işlem olan patologlar tarafından manuel olarak gerçekleştirilir. Bununla birlikte, mevcut tıbbi görüntülerin daha da yaygınlaşmasıyla, tıbbi görüntülerin hem sayısı hem de türleri keskin bir şekilde artmıştır ve geleneksel manuel bölümleme, çok sayıda çeşitli tıbbi görüntü türünü etkili bir şekilde işleyememektedir. Otomatik tıbbi görüntü segmentasyonu ortaya çıktı, ancak aynı zamanda iki büyük zorlukla karşılaştı: biyolojik yapının kendi çeşitliliği ve tıbbi görüntüleme teknolojisinin kusurlarından kaynaklanan düşük kontrast ve gürültü sorunları.
Mevcut derin sinir ağı, tıbbi görüntü segmentasyonunda geleneksel yöntemlerden çok daha fazla doğruluk göstermiştir. Unet, DCAN, imalı açıklama vb. Birden çok medikal görüntü veri setinde şaşırtıcı doğruluk iyileştirmeleri elde etti. Bu sinir ağları ya sinir ağının yapısını değiştirir ya da eğitimdeki amaç işlevini değiştirir ya da sinir ağının aşırı uyumunu azaltmak için seçilen eğitim veri setini optimize eder. Aynı zamanda, ağ niceleme, parametre sayısını ve hesaplama miktarını azaltmak için sinir ağlarını sıkıştırmak için yaygın olarak kullanılır. Yazar, bazı durumlarda, ağ ölçümünün, ağın aşırı uyumunu azaltma potansiyeline sahip olan ağın sınıflandırma doğruluğunu da iyileştirebileceğini buldu. Bu nedenle, tıbbi görüntü bölümleme problemi göz önüne alındığında, yazar, derin sinir ağının aşırı uyumunu azaltmak için nicelendirmeyi kullanır ve böylece doğruluğunu arttırır.
Bu belgedeki çalışma mevcut çalışmaya dayanmaktadır. Eğitim çerçevesinin tamamı Şekil 1'de gösterilmektedir. Eğitimin tamamı iki adıma bölünmüştür: eğitim setinin çıkarılması (QSA) ve ağ eğitimi (QNT). Bu iki adım için, yazar aşırı uyumu azaltmak için ağ miktar tayini kullanır. Ekstraksiyon eğitim setinde, uygun bir niceleme yöntemi seçilerek, eğitilmiş çoklu ağların (FCN) yabancılaşma derecesi iyileştirilir, böylece seçilen eğitim setinin kendisinin daha yüksek bir temsilcisi vardır (Şekil 2'de gösterildiği gibi). Ağ eğitiminde yazar, aşırı uydurmayı azaltmak ve ağın doğruluğunu daha da iyileştirmek için miktar tayini kullanır.
Şekil 1 Nicel eğitim çerçevesi
Şekil 2 Niceleme, daha yüksek ağ yabancılaştırma elde edebilir ve ardından daha temsili veri setleri elde edebilir
Yazar, Gland veri kümesinde bu yöntemle ilgili birçok deney yaptı. Yazar, farklı kantifikasyon yöntemlerini karşılaştırarak, Şekil 3'te gösterildiği gibi, uygun kantifikasyonun çoğu zaman en iyi doğruluğu elde edebileceğini bulmuştur, çünkü kantifikasyon yapmama aşırı uyuma neden olacaktır ve çok yüksek bir kantifikasyon yetersiz uyuma neden olacaktır. Tablo 1'de gösterildiği gibi, mevcut çalışma ile karşılaştırıldığında, bu çalışma en iyi doğruluğu elde edebilir. Altı karşılaştırmada, çalışma beş birinci ve bir saniye mükemmel performans kazandı.
Şekil 3 Farklı kantifikasyon yöntemlerinin doğruluk farkı: uygun kantifikasyon en iyi doğruluğu elde edecektir
Tablo 1 Mevcut çalışma ile karşılaştırma
O. Ronneberger, P. Fischer ve T. Brox. U-net: Biyomedikal görüntü segmentasyonu için evrişimli ağlar. Tıbbi Görüntü Hesaplama ve Bilgisayar Destekli Müdahale Uluslararası Konferansı'nda, sayfa 234241. Springer, 2015.
H. Chen, X. Qi, J.-Z. Cheng, P.-A. Heng, ve diğerleri. Nöronal yapı segmentasyonu için derin bağlamsal ağlar. AAAI, sayfa 1167-1173, 2016.
H. Chen, X. Qi, L. Yu ve P.-A. Heng.Dcan: Doğru bez segmentasyonu için derin konturaware ağları Bilgisayar Görüsü ve Örüntü Tanıma üzerine IEEE konferansının Bildirileri, sayfalar 24872496, 2016.
L. Yang, Y. Zhang, J. Chen, S. Zhang ve D.Z. Chen. Önerilen ek açıklama: Biyomedikal görüntü segmentasyonu için derin bir aktif öğrenme çerçevesi. ArXiv ön baskı arXiv: 1706.04737, 2017.
S. Han, H. Mao ve W. J. Dally. Derin sıkıştırma: Budama, eğitimli nicemleme ve huffman kodlama ile derin sinir ağlarını sıkıştırma. ArXiv ön baskı arXiv: 1510.00149, 2015.
A. Zhou, A. Yao, Y. Guo, L. Xu ve Y. Chen. Artımlı ağ nicemleme: Düşük hassasiyetli ağırlıklarla kayıpsız cnns'ye doğru. ArXiv ön baskı arXiv: 1702.03044, 2017.
K. Sirinukunwattana, JP Pluim, H. Chen, X. Qi, P.-A. Heng, YB Guo, LY Wang, BJ Matuszewski, E. Bruni, U. Sanchez, ve diğerleri Histoloji görüntülerinde bez segmentasyonu: Kolon histoloji görüntüleri: Kolon glas challenge yarışması. Tıbbi görüntü analizi, 35: 489502, 2017.
Y. Xu, Y. Li, M. Liu, Y. Wang, M. Lai, I. Eric ve C. Chang. Derin çok kanallı yan denetim ile bez örnek segmentasyonu Uluslararası Tıbbi Görüntü Hesaplama ve Bilgisayar Destekli Müdahale Konferansı'nda , sayfa 496504. Springer, 2016.
Y. Xu, Y. Li, Y. Wang, M. Liu, Y. Fan, M. Lai ve E. Chang. Derin çok kanallı sinir ağlarını kullanarak Gland örnek segmentasyonu.Biyomedikal Mühendisliği IEEE İşlemleri, 2017.
