Automated Segmentation of Brain Gray Matter Nuclei on Quantitative Susceptibility Mapping Using Deep Convolutional Neural Network
Tianjin First Central Hospital(天津市第一中心医院);Tianjin Medical Imaging Institute(天津医学影像研究所);Nankai University(南开大学);Wayne State University(韦恩州立大学);Tianjin Huanhu Hospital(天津市环湖医院);Dalian University of Technology(大连理工大学)
脑皮质下核团铁异常蓄积与多种神经退行性疾病相关,定量磁化率成像(QSM)可通过测量其磁化率来检测。为了定量测量磁化率,需要对细胞核进行精确分割,这对临床医生来说是一项繁琐的工作。本文提出了一种基于三维卷积神经网络(CNN)的双分支残差结构U网(DB-ResUNet)来自动分割此类脑灰质核团。为了更好地权衡分割精度和内存效率之间的关系,提出的DB-ResUNet分别将高分辨率图像块和低分辨率但较大视场的图像块送入局部和全局分支。实验结果表明,通过联合使用QSM和T $_\text{1}$加权成像(T $_\text{1}$ WI)作为输入,所提出的方法能够实现更好的分割精度比其单分支对应,以及传统的基于图谱的方法和经典的3D-UNet结构。还测量了磁化率值和体积,这表明所提出的DB-ResUNet的测量结果能够与手动注释的感兴趣区域的值呈现高度相关性。
2020-08-03 cs.CV eess.IV
Knowledge infused cascade convolutional neural network for segmenting retinal vessels in volumetric optical coherence tomography
我们提出了一个级联深度神经网络分割视网膜血管体积光学相干断层扫描(OCT)。两种类型的知识被注入到网络中,以限制搜索区域。(1)组织学。视网膜血管位于人视网膜的内界膜和内核层之间。(2)显像血管内的红细胞向前散射OCT探测光,并在视网膜色素上皮(RPE)层上形成投影阴影,该层是无血管的,因此非常适合在横向平面中定位视网膜血管。定性和定量的比较结果表明,该方法优于最先进的深度学习和基于图的方法。这项工作表明,在图像处理框架的设计中结合适当的先验知识,而不是修改深度网络的架构,可能是处理此类特定任务的有效方法。
2019-10-21 eess.IV
An Efficient Quantitative Approach for Optimizing Convolutional Neural Networks
University of California, Santa Barbara(加州大学圣塔芭芭拉分校);The Ohio State University(俄亥俄州立大学)
随着深度学习的日益普及,卷积神经网络(CNN)在图像分类和目标检测等领域得到了广泛应用,并以其相对于传统统计方法的高精度取得了惊人的成功。为了开发CNN模型的潜力,大量的研究和行业努力都致力于优化CNN。在这些努力中,CNN架构设计由于其在提高模型精度或降低模型复杂度方面的巨大潜力而引起了极大的关注。然而,现有的工作要么在搜索过程中引入了重复的训练开销,要么缺乏可解释的指标来指导设计。为了清除这些障碍,我们提出了3D-Receptive Field(3DRF),这是一种可解释且易于计算的度量,用于估计CNN架构的质量并指导设计的搜索过程。为了验证3DRF的有效性,我们构建了一个静态优化器来改进阶段级和内核级的CNN架构。我们的优化器不仅提供了一个清晰和可重复的过程,而且还减少了架构搜索过程中不必要的训练工作。大量的实验和研究表明,与MobileNet和ResNet等最先进的CNN结构相比,我们的优化器生成的模型可以实现高达5.47%的准确性提高和高达65.38%的参数推导。
2021-09-15 cs.CV cs.LG eess.IV
Towards accurate quantitative photoacoustic imaging: learning vascular blood oxygen saturation in 3D
重要性:2D全卷积神经网络已经被示出能够从简单组织模型的2D模拟图像产生sO $_2$的图。然而,它们在体内产生准确估计的潜力是不确定的,因为当问题本质上是3D时,它们受到训练数据的2D性质的限制,并且它们没有用真实图像进行测试。目标:证明深度神经网络处理整个3D图像并从真实组织模型/图像输出血管sO $_2$的3D图的能力。方法:训练两个独立的完全卷积神经网络,以从组织模型的多波长模拟图像中生成血管血氧饱和度和血管位置的3D图。结果如下:40例样本的真实平均血管sO $_2$与网络输出之间的绝对差平均值为4.4%,标准差为4.5%。结论:3D完全卷积网络被示出能够使用在模拟真实成像场景的条件下生成的3D图像内包含的全部空间信息来产生精确的sO $_2$图。这项工作表明,网络可以处理实像中存在的一些混淆效应,如有限视图伪影,并有可能在体内产生准确的估计。
2020-05-03 eess.IV physics.med-ph
Particle streak velocimetry using Ensemble Convolutional Neural Networks
本研究报告的方法,并提出了其开源实现的定量分析的实验流使用条纹图像和卷积神经网络(CNN)。后者用于从条纹中检索长度和角度,其可用于推断成像流的动能和方向性(高达180 $^{\circ}$模糊度)。我们开发了一种快速方法,用于生成基本上无限数量的训练和验证图像,从而实现有效的训练。此外,我们展示了如何应用CNN的集合来推导估计量的形式不确定性。该方法在常规湍流数值模拟和潮汐天平动流实验中得到了验证。
2019-07-23 eess.IV physics.flu-dyn
A deep convolutional neural network for salt-and-pepper noise removal using selective convolutional blocks
Shiraz University(设拉子大学)
针对现有卷积神经网络在椒盐噪声去除领域研究不足的问题,本文提出含新型选择性卷积块的SeConvNet模型,经多数据集实验验证,其在量化指标和视觉效果上均优于现有最优方法,高噪声密度下优势更显著。
2023-02-10 cs.CV eess.IV
Cascaded Convolutional Neural Network for Automatic Myocardial Infarction Segmentation from Delayed-Enhancement Cardiac MRI
Beihang University(北京航空航天大学)
自动分割心肌轮廓和相关区域,如梗死和无复流是心肌梗死定量评价的重要步骤。在这项工作中,我们提出了一个级联卷积神经网络自动心肌梗死分割延迟增强心脏MRI。我们首先使用2D U-Net专注于切片内信息来执行初步分割。之后,我们使用一个3D的U-网络,利用体积的空间信息进行微妙的分割。我们的方法在MICCAI 2020 EMIDEC挑战数据集上进行了评估,心肌、梗死和无复流的平均Dice得分分别为0.8786、0.7124和0.7851,优于分割竞赛的所有其他团队。
2020-12-28 cs.CV eess.IV
CRNet: Image Super-Resolution Using A Convolutional Sparse Coding Inspired Network
Wuhan University(武汉大学)
卷积稀疏编码(Convolutional Sparse Coding,CSC)由于能够充分利用图像的全局相关性来提高图像在各种计算机视觉应用中的性能,近年来受到了越来越多的关注。然而,很少有研究集中在解决基于CSC的图像超分辨率(SR)问题。因此,在一段时间内,这一领域没有取得重大进展。在本文中,我们利用CSC和卷积神经网络(CNN)之间的天然联系来解决基于CSC的图像SR。具体来说,卷积迭代软阈值保持算法(CISTA)被引入来解决CSC问题,它可以使用CNN架构来实现。然后,我们开发了一种新的CSC的SR框架类似于传统的SC的SR方法。受此框架的启发,提出了两个模型的前/后上采样SR,分别。与最近的国家的最先进的SR方法相比,我们提出的模型表现出优越的性能,在定量和定性测量。
2019-08-03 cs.CV eess.IV
Quantitative perfusion maps using a novelty spatiotemporal convolutional neural network
School of Applied Technology, Shenzhen University(深圳大学应用技术学院);College of Health Science and Environmental Engineering, Shenzhen Technology University(深圳技术大学健康科学与环境工程学院);Department of Biomedical Engineering, Columbia University(哥伦比亚大学生物医学工程系);Zuckerman Institute, Columbia University(哥伦比亚大学扎克曼研究所);College of Medicine and Biological Information Engineering, Northeastern University(东北大学医学与生物信息工程学院);School of Biomedical Engineering, Medical School, Shenzhen University(深圳大学医学院生物医学工程学院);Shanghai Fourth People’s Hospital Affiliated to Tongji University School of Medicine(同济大学医学院附属上海市第四人民医院)
提出融合时空信息并采用物理损失函数的 ST-Net,用于从 DSC-MRI 准确估计 CBV、CBF 和 Tmax,指标接近商业金标准软件。
2023-12-08 cs.CV eess.IV
DeepOrientation: convolutional neural network for fringe pattern orientation map estimation
本文提出基于卷积神经网络和深度学习的局部条纹方向图估计新方法DeepOrientation,实验证明其优于经典组合平面拟合/梯度法,并在活体HeLa细胞定量相位成像中有效引导Hilbert螺旋变换的相位解调。
2023-10-23 eess.IV physics.optics
Testing the robustness of attribution methods for convolutional neural networks in MRI-based Alzheimer's disease classification
Charité – Universitätsmedizin Berlin(柏林夏里特医学院);Freie Universität Berlin(柏林自由大学);Humboldt-Universität zu Berlin(柏林洪堡大学);Berlin Institute of Health (BIH)(柏林健康研究所)
归因方法是一种易于使用的工具,用于调查和验证机器学习模型。文献中提出了多种方法,但尚不清楚哪种方法最适合特定任务。在这项研究中,我们测试了四种属性方法的鲁棒性,即梯度 * 输入,引导反向传播,逐层相关传播和遮挡,用于阿尔茨海默病分类的任务。我们使用相同的训练设置反复训练卷积神经网络(CNN),以分离阿尔茨海默病患者和健康对照的结构MRI数据。之后,我们为测试数据中的每个受试者制作了归因图,并在模型和归因方法之间进行了定量比较。我们表明,视觉比较是不够的,一些广泛使用的归因方法产生高度不一致的结果。
2019-09-19 cs.CV eess.IV
Evaluation Kidney Layer Segmentation on Whole Slide Imaging using Convolutional Neural Networks and Transformers
Vanderbilt University(范德堡大学);Tongji University(同济大学);Shanghai Tenth People’s Hospital(上海市第十人民医院);Vanderbilt University Medical Center(范德堡大学医学中心)
本文评估了六种深度学习模型(含CNN和Transformer)在小鼠肾脏全切片图像皮质层分割中的性能,发现Transformer模型总体优于CNN,为肾脏病理自动化分析提供了可行方案。
2023-09-05 cs.CV eess.IV
Automated Segmentation of Computed Tomography Images with Submanifold Sparse Convolutional Networks
University of Cambridge(剑桥大学);University of Cincinnati(辛辛那提大学)
定量癌症图像分析依赖于肿瘤的准确描绘,这是一项非常专业且耗时的任务。由于这个原因,近年来已经广泛开发了用于在医学成像中自动分割肿瘤的方法,计算机断层扫描是所探索的最流行的成像模式之一。然而,典型扫描中的大量3D体素对于在常规硬件中一次分析整个体积是禁止的。为了克服这个问题,当在医学成像中使用传统的卷积神经网络时,通常实现下采样和/或重新采样的过程。在本文中,我们提出了一种新的方法,该方法引入了输入图像的稀疏化过程和子流形稀疏卷积网络作为下采样的替代方案。作为概念证明,我们将这种新方法应用于肾癌患者的计算机断层扫描图像,获得了与以前方法竞争的肾脏和肿瘤分割性能(~84.6% Dice相似系数),同时实现了计算时间的显着改善(每个训练时间2-3分钟)。
2022-12-06 cs.CV eess.IV
Relaxometry Guided Quantitative Cardiac Magnetic Resonance Image Reconstruction
Delft University of Technology(代尔夫特理工大学)
针对传统定量MRI重建网络忽略弛豫测量先验的问题,提出弛豫测量引导的重建框架,融合数据空间先验与物理弛豫先验,经主流骨干网络验证取得优异重建效果。
2024-05-01 cs.CV eess.IV
Deep Convolutional Sparse Coding Networks for Image Fusion
Xi’an Jiaotong University(西安交通大学)
图像融合在包括数字摄影、计算成像和遥感等许多领域都是一个重要的问题。最近,深度学习已经成为图像融合的重要工具。本文提出了三种深度卷积稀疏编码(CSC)网络,用于三种图像融合任务(即,红外和可见光图像融合、多次曝光图像融合和多模态图像融合)。CSC模型和迭代收缩阈值算法被推广到字典卷积单元。因此,所有超参数都是从数据中学习的。我们广泛的实验和全面的比较揭示了所提出的网络在定量评估和视觉检查方面的优越性。
2020-05-18 cs.CV cs.MM eess.IV
MAGIC: Manifold and Graph Integrative Convolutional Network for Low-Dose CT Reconstruction
低剂量CT扫描虽然可以有效地缓解辐射问题,但会降低成像质量。在本文中,我们提出了一种新的LDCT重建网络,展开的迭代方案,并在图像和流形空间。由于医学图像的补丁流形具有低维结构,我们可以从流形构建图。然后,我们同时利用空间卷积从图像中提取局部像素级特征,并结合图卷积来分析流形空间中的非局部拓扑特征。实验表明,我们提出的方法优于国家的最先进的方法的定量和定性方面。此外,在投影损失分量的帮助下,我们提出的方法在半监督学习方面也表现出了优异的性能。该网络可以去除大部分噪声,同时仅保留10%(40个切片)的标记训练数据的细节。
2020-08-02 eess.IV physics.med-ph
Model-based Convolutional De-Aliasing Network Learning for Parallel MR Imaging
University of Chinese Academy of Sciences(中国科学院大学);Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);Nanchang University(南昌大学)
并行成像已成为加速MR成像的基本技术。然而,由于与欠采样重建相关联的病态和挑战,加速率仍然有限。在本文中,我们提出了一种基于模型的卷积去混叠网络,具有自适应参数学习,以实现从多线圈欠采样k空间数据的准确重建。主要贡献有三点:提出了去混叠重建模型,通过深度学习探索空间冗余和多线圈相关性来加速并行MR成像;开发了分裂Bregman迭代算法来有效求解模型;并且与依赖于估计的多线圈灵敏度的准确性的大多数现有并行成像方法不同,所提出的方法可以从欠采样数据执行并行重建,而无需显式的灵敏度计算。在具有各种欠采样模式和不同加速因子的\emph{in vivo}脑数据集上进行评估。我们的研究结果表明,这种方法可以实现优越的性能,在定量和定性分析,相比,三个国家的最先进的方法。
2019-08-06 cs.CV eess.IV
Tubule segmentation of fluorescence microscopy images based on convolutional neural networks with inhomogeneity correction
Purdue University(普渡大学);Indiana University(印第安纳大学)
荧光显微镜已成为研究体内组织或细胞的各种生物结构的广泛使用的工具。然而,这些生物结构的定量分析仍然是一个挑战,因为它们的复杂性,这是加剧了由透镜像差和光散射引起的失真。此外,这种图像体积的手动量化是一个棘手的和容易出错的过程,使得需要自动图像分析方法至关重要。本文描述了一种基于数据增强和非均匀性校正的卷积神经网络的荧光显微图像管状结构分割方法。与其他显微镜分割方法的分割结果进行了视觉和数值比较。实验结果表明,与其他方法相比,该方法在正确分割和识别多个管状结构方面具有更好的性能。
2018-02-10 cs.CV cs.LG eess.IV
Deep Generative Adversarial Residual Convolutional Networks for Real-World Super-Resolution
University of Udine(乌迪内大学)
目前大多数基于深度学习的单图像超分辨率(SISR)方法都专注于设计更深/更宽的模型,以从大量配对(LR/HR)训练数据中学习低分辨率(LR)输入和高分辨率(HR)输出之间的非线性映射。他们通常假设LR图像是HR图像的双三次下采样版本。然而,这样的降级过程在现实世界的设置中是不可用的,即固有的传感器噪声、随机噪声、压缩伪影、图像降级过程与相机设备之间的可能失配。由于真实世界的图像损坏,它显着降低了当前SISR方法的性能。为了解决这些问题,我们提出了一个深度超分辨率残差卷积生成对抗网络(SRResCGAN),通过对抗训练模型,在HR域中从其生成的LR对应物中进行像素监督,来跟踪真实世界的退化设置。该网络通过使用强大的图像正则化和凸优化技术最小化基于能量的目标函数来利用残差学习。我们在定量和定性实验中证明了我们提出的方法,这些实验可以鲁棒地推广到真实输入,并且很容易部署到其他降尺度运营商和移动/嵌入式设备。
2020-05-03 cs.CV eess.IV
Chest X-ray Image Phase Features for Improved Diagnosis of COVID-19 Using Convolutional Neural Network
Rutgers University(罗格斯大学);Rutgers New Jersey Medical School(罗格斯新泽西医学院);Rutgers Cancer Institute of New Jersey(罗格斯新泽西癌症研究所);Rutgers Robert Wood Johnson Medical School(罗格斯罗伯特·伍德·约翰逊医学院)
近期,新型冠状病毒病2019(COVID-19)大流行的爆发严重危及人类健康和生命。由于检测试剂盒的可用性有限,对辅助诊断方法的需求增加。最近的研究显示,COVID-19患者的X光摄影,如CT和X光,包含有关COVID-19病毒的重要信息,可用作替代诊断方法。胸部X射线(CXR)由于其快速成像时间,广泛的可用性,低成本和便携式获得了广泛的关注,并成为非常有前途的。需要具有高精度和鲁棒性的计算方法来快速分类患者并帮助放射科医生解释所收集的数据。在这项研究中,我们设计了一种新的多特征卷积神经网络(CNN)架构,用于从CXR图像中对COVID-19进行多类改进分类。使用基于局部相位的图像增强方法来增强CXR图像。增强后的图像与原始CXR数据一起用作我们提出的CNN架构的输入。使用消融研究,我们显示了增强图像在提高诊断准确性方面的有效性。我们对两个数据集进行定量评估,并为目视检查提供定性结果。对由8,851例正常(健康)、6,045例肺炎和3,323例Covid-19 CXR扫描组成的数据进行定量评估。在Dataset-1中,我们的模型对COVID-19病例的三类分类达到了95.57%的平均准确率,99%的精确率,召回率和F1得分。对于Dataset-2,我们获得了94.44%的平均准确率,以及95%的精确度,召回率和F1分数用于检测COVID-19。与单特征CNN相比,我们提出的多特征引…
2021-04-14 cs.CV eess.IV
Fully Automated 3D Segmentation of MR-Imaged Calf Muscle Compartments: Neighborhood Relationship Enhanced Fully Convolutional Network
Iowa Institute for Biomedical Imaging(爱荷华生物医学成像研究所);University of Iowa(爱荷华大学)
从3D磁共振(MR)图像中自动分割个体小腿肌肉区室对于开发肌肉疾病进展及其预测的定量生物标志物至关重要。由于肌肉形状和MR外观的巨大变化,实现临床可接受的结果是一项具有挑战性的任务。尽管深度卷积神经网络(DCNN)在各种图像分割任务中实现了更高的准确性,但某些问题(如利用远程信息和纳入高级约束)仍未解决。我们提出了一种新的全卷积网络(FCN),称为FilterNet,它利用大邻域中的上下文信息,并为单个小腿肌肉隔室分割嵌入边缘感知约束。一个具有灵活的骨干块的编码器-解码器架构用于系统地扩大卷积感受野并在所有分辨率下保留信息。从FCN输出肌肉概率图导出的边缘位置在端到端优化框架中使用基于核的边缘检测来显式正则化。我们的FilterNet通过4重交叉验证在10名健康受试者和30名患病受试者的40张T1加权MR图像上进行了评估。5个肌间室的DICE系数平均为88.00%~ 91.29%,表面定位误差平均为1.04--1.66mm。
2020-12-21 cs.CV eess.IV
Speckle2Void: Deep Self-Supervised SAR Despeckling with Blind-Spot Convolutional Neural Networks
Politecnico di Torino(都灵理工大学)
合成孔径雷达(SAR)图像中的相干斑噪声严重影响了图像信息提取,因此相干斑抑制是场景分析算法中的一个重要步骤。深度学习最近的成功设想了新一代的去斑技术,可以超越经典的基于模型的方法。然而,目前用于去斑的深度学习方法需要监督训练,而不可能获得干净的SAR图像。在文献中,这个问题是通过诉诸合成斑点的光学图像,表现出不同的属性,相对于真正的SAR图像,或多时相SAR图像,这是很难准确地获取或融合。在本文中,最近的工作的盲点去噪网络的启发,我们提出了一个自监督贝叶斯去斑方法。所提出的方法是训练只使用噪声SAR图像,因此可以学习真正的SAR图像,而不是合成数据的功能。实验表明,该方法的性能是非常接近的监督训练方法的合成数据和真实数据的定量和视觉评估的优越性。
2020-07-04 cs.CV eess.IV
Skin Cancer Segmentation and Classification with NABLA-N and Inception Recurrent Residual Convolutional Networks
University of Dayton(代顿大学)
在过去的几年中,深度学习(DL)在不同形式的生物医学图像分析中表现出卓越的性能。已经提出了几种DL架构用于医学成像和计算病理学中的分类、分割和检测任务。在本文中,我们提出了一种新的DL架构,NABLA-N网络,具有更好的特征融合技术,在解码单元皮肤镜图像分割任务。NABLA-N网络在分割任务方面有一些进步。首先,该模型确保了更好的特征表示语义分割与低到高级别的特征图的组合。其次,与其他方法相比,该网络在相同或更少的网络参数下显示出更好的定量和定性结果。此外,初始递归残差卷积神经网络(IRRCNN)模型用于皮肤癌分类。建议的NABLA-N网络和IRRCNN模型在国际皮肤成像合作组织2018(ISIC-2018)的基准数据集上进行皮肤癌分割和分类评估。实验结果表明,与递归残差U-网(R2 U-网)相比,该算法在分割任务上具有更好的性能。分类模型在ISIC 2018数据集上显示皮肤镜皮肤癌分类的测试准确率约为87%。
2019-04-25 cs.CV eess.IV
Learned Proximal Networks for Quantitative Susceptibility Mapping
Johns Hopkins University(约翰斯·霍普金斯大学);Kennedy Krieger Institute(肯尼迪·克里格研究所)
定量磁化率映射(QSM)通过解决不适定的偶极子反演问题,从磁共振(MR)相位测量中估计组织磁化率分布。传统的单方向QSM方法通常采用正则化策略来稳定这样的反演,但是可能遭受条纹伪影或过度平滑。多方向QSM,如计算磁化率通过多方向采样(COSMOS)可以得到良好的条件反演和伪影自由的解决方案,但有昂贵的采集成本。另一方面,卷积神经网络(CNN)在医学图像重建方面显示出巨大的潜力,尽管通常具有有限的可解释性。在这里,我们提出了一个学习近端卷积神经网络(LP-CNN),用于以迭代近端梯度下降的方式解决不适定的QSM偶极反演问题。这种方法结合了数据驱动的恢复先验的优势和迭代求解器的清晰可解释性,可以考虑偶极卷积的物理模型。在训练过程中,我们的LP-CNN通过它的近端学习一个隐式正则化器,从而实现重建算法中的前向算子和数据驱动参数之间的解耦。更重要的是,这个框架被认为是第一个深度学习QSM方法,可以自然地处理任意数量的相位输入测量,而不需要任何特别的旋转或重新训练。我们证明,与传统和深度学习方法相比,LP-CNN提供了最先进的重建结果,同时在重建过程中具有更大的灵活性。
2020-08-11 cs.CV cs.LG eess.IV
A Deep Attentive Convolutional Neural Network for Automatic Cortical Plate Segmentation in Fetal MRI
Shenzhen University(深圳大学);Harvard University(哈佛大学)
胎儿大脑皮质板的分割是定量分析胎儿大脑发育和皮质折叠的基础。皮质板的手动分割或自动分割的手动细化是繁琐且耗时的。另一方面,皮质板的自动分割受到以下挑战:与皮质板的薄结构相比,重建的胎儿脑MRI扫描的分辨率相对较低,部分体积化,以及随着大脑在妊娠期间成熟,皮质板的形态变化范围很广。为了减少手动细化分割的负担,我们开发了一种新的强大的深度学习分割方法。我们的方法在一个完全卷积神经网络架构中利用了新的深度关注模块,该架构利用了深度监督和剩余连接。我们评估了我们的方法定量的基础上,几个性能指标和专家的评价。结果表明,我们的方法优于几种最先进的深度分割模型,以及最先进的多图谱分割技术。我们实现了平均Dice相似系数为0.87,平均Hausdorff距离为0.96 mm,平均对称表面差异为0.28 mm,对胎龄范围为16至39周的胎儿进行了MRI扫描。每个胎儿大脑的计算时间不到1分钟,我们的方法可以促进和加速对正常和改变的胎儿大脑皮层成熟和折叠的大规模研究。
2021-04-02 cs.CV eess.IV q-bio.QM
Convolutional neural networks model improvements using demographics and image processing filters on chest x-rays
目的:本研究的目的是通过基于14种病理的年龄、性别和图像预处理过滤器创建不同的二进制分类模型,观察卷积神经网络(CNN)模型在胸部放射学图像上的准确性变化(正确分类与总预测的比率)。方法:这是一项定量研究,探索CNN模型准确性的变化。放射学胸部图像按年龄和性别划分,并通过各种图像处理滤波器进行预处理。调查结果:我们发现部分支持增强模型的准确性,隔离建模图像的年龄和性别,并应用图像处理过滤器,即使图像处理过滤器有时被认为是信息过滤器。研究局限性:这项研究可能有偏见,因为它是基于另一项研究的放射性图像,该研究使用未经人工检查的自动化过程标记图像。实际影响:研究人员可能希望专注于创建按人口统计数据隔离的模型,并使用图像处理过滤器对建模图像进行预处理。开发用于胸部诊断的辅助技术的从业者可以从结合人口统计学和同时采用具有不同统计可能性的多个模型中受益。独创性/价值:本研究使用人口统计学模型创建,并利用图像处理过滤器,以提高模型性能。保留字:卷积神经网络(CNN)、胸部X线、胸部X线14、肺、肺不张、心脏肥大、实变、水肿、积液、肺气肿、浸润、肿块、坏死、胸膜增厚、肺炎、气胸
2019-11-30 cs.CV eess.IV
Pan-sharpening via High-pass Modification Convolutional Neural Network
Wuhan University(武汉大学);University of Arkansas(阿肯色大学);Wuhan Institute of Technology(武汉工程大学)
针对现有的基于深度学习的泛锐化方法普遍存在频谱失真和空间纹理增强不足等问题,提出了一种基于高通修正块的泛锐化卷积神经网络。与现有方法不同的是,所提出的块被设计为学习高通信息,从而增强多光谱分辨率图像中每个波段的空间信息。为了便于产生视觉上吸引人的泛锐化图像,我们提出了一个感知损失函数,并进一步优化模型的基础上,在近红外空间的高层次功能。实验表明,所提出的方法相比,国家的最先进的泛锐化方法,定量和定性的优越性能。拟议的模型在https://github.com/jiaming-wang/HMB上开源。
2021-05-24 cs.CV cs.LG eess.IV
QSMGAN: Improved Quantitative Susceptibility Mapping using 3D Generative Adversarial Networks with Increased Receptive Field
University of California, San Francisco(加州大学旧金山分校)
定量磁敏感性成像(QSM)是一种功能强大的MRI技术,在许多神经系统疾病的组织易感性定量方面显示出巨大的潜力。然而,固有的不适定偶极子反演问题极大地影响了磁化率图的准确性。我们建议QSMGAN:基于3D U-Net架构的3D深度卷积神经网络方法,与输出相比,输入相位的感受野增加,并使用具有梯度惩罚训练策略的WGAN进一步细化网络。我们的方法产生准确的QSM地图从单一方向相位图有效地和执行显着优于传统的非学习为基础的偶极子反演算法。通过将该算法应用于一个看不见的病理-脑肿瘤患者辐射诱导的脑微出血,验证了该算法的泛化能力。
2019-10-29 cs.LG eess.IV stat.ML
PCONet: A Convolutional Neural Network Architecture to Detect Polycystic Ovary Syndrome (PCOS) from Ovarian Ultrasound Images
University of Rochester(罗切斯特大学)
多囊卵巢综合征(PCOS)是一种内分泌功能障碍,在育龄妇女中普遍存在。多囊卵巢综合征是由女性体内雄激素(一组性激素)过量引起的综合征。多囊卵巢综合征可引起痤疮、脱发、多毛、高雄激素血症、排卵过少等综合征。它也是女性不孕症的主要原因。据估计,全球约有15%的育龄妇女受到PCOS的影响。由于其有害影响的严重性,早期检测PCOS的必要性不能被夸大。在本文中,我们开发了PCONet -卷积神经网络(CNN)-从卵巢超声图像中检测多胎卵巢。我们还通过利用转移学习方法对多囊卵巢超声图像进行分类,对InceptionV 3进行了微调,InceptionV 3是一个预先训练的45层卷积神经网络。我们比较了这两个模型的各种定量性能评估参数,并证明PCONet是这两个之间的准确性为98.12%,而微调的InceptionV 3展示了测试图像的准确性为96.56%。
2022-10-02 cs.CV cs.LG eess.IV
Two-stage Contextual Transformer-based Convolutional Neural Network for Airway Extraction from CT Images
Northeastern University(东北大学);Shenyang University of Technology(沈阳工业大学);The Chinese University of Hong Kong(香港中文大学);Second Affiliated Hospital of Dalian Medical University(大连医科大学附属第二医院);Central Hospital Affiliated to Shenyang Medical College(沈阳医学院附属中心医院)
从计算机断层扫描(CT)图像中准确提取气道是规划导航支气管镜检查和气道相关慢性阻塞性肺疾病(COPD)定量评估的关键步骤。现有的方法由于受限于标签的限制,难以对气道尤其是高代气道进行充分分割,无法满足COPD的临床应用。我们提出了一种新的两阶段的三维上下文变换为基础的U-Net气道分割CT图像。该方法包括两个阶段,执行初始和精细的气道分割。两阶段模型共享相同的子网络,不同的气道面罩作为输入。在子网络的编码器和解码器路径中执行上下文Transformer块,以有效地完成高质量的气道分割。在第一阶段中,将总气道掩模和CT图像提供给子网络,并且在第二阶段中将肺内气道掩模和对应的CT扫描提供给子网络。然后将两阶段方法的预测合并为最终预测。在内部和多个公共数据集上进行了广泛的实验。定量和定性分析表明,我们提出的方法提取了更多的分支和长度的树,同时实现了最先进的气道分割性能。该代码可在https://github.com/zhaozsq/airway_segmentation上获得。
2022-12-15 cs.CV cs.LG eess.IV
Subject-specific quantitative susceptibility mapping using patch based deep image priors
Harvard Medical School(哈佛医学院)
定量磁化率映射是一种参数成像技术,用于根据MRI相位测量来估计生物组织的磁化率。估计磁化率图的这个问题是不适定的。正则化的恢复方法利用信号特性,如平滑度和稀疏度,改善重建,但遭受过平滑的文物。深度学习方法已经显示出巨大的潜力,并生成具有减少伪影的地图。然而,对于合理的重建和网络泛化,它们需要大量的训练数据集,从而增加了数据采集时间。为了克服这个问题,我们提出了一个主题特定的,基于补丁的,无监督的学习算法来估计的易感性地图。我们通过使用深度卷积神经网络来利用地图补丁上的冗余来使问题良定。我们制定了恢复的磁化率地图作为一个正规化的优化问题,并采取了交替最小化策略来解决it.We测试的3D invivo数据集上的算法,定性和定量,证明了改进的重建竞争的方法。
2022-10-10 cs.CV cs.LG eess.IV
Self supervised convolutional kernel based handcrafted feature harmonization: Enhanced left ventricle hypertension disease phenotyping on echocardiography
Yonsei University College of Medicine(延世大学医学院);Ontack Health;Seoul National University Bundang Hospital(首尔大学盆唐医院)
本研究提出一种基于自监督卷积核的预处理方法,将图像转换为特征图以实现手工特征协调,在超声心动图左心室肥厚疾病诊断中展现出更优的分类性能。
2023-11-22 cs.CV cs.LG eess.IV
A Convolutional Neural Network for the Automatic Diagnosis of Collagen VI related Muscular Dystrophies
Institut de Robòtica i Informàtica Industrial, UPC-CSIC(加泰罗尼亚理工大学-西班牙国家研究委员会机器人与工业信息技术研究所);Institut Pediàtric de Malalties Rares, Hospital de Sant Joan de Déu(罕见病儿科研究所,圣若安·德乌医院);Hospital de Sant Joan de Déu(圣若安·德乌医院)
用于诊断罕见疾病的机器学习系统的开发具有挑战性,主要是由于缺乏研究它们的数据。尽管存在这一挑战,本文提出了一个系统的计算机辅助诊断(CAD)的低患病率,先天性肌营养不良症的共聚焦显微镜图像。所提出的CAD系统依赖于卷积神经网络(CNN),其对平铺输入图像的非重叠补丁执行独立分类,并生成汇总查询图像上的补丁的个体决策的总体决策。该决策方案指出了输入图像中可能存在问题的区域,并提供了对患者状态的全局定量评估,这对于诊断和监测治疗效率至关重要。
2019-01-30 cs.CV cs.LG eess.IV
SAPSAM - Sparsely Annotated Pathological Sign Activation Maps - A novel approach to train Convolutional Neural Networks on lung CT scans using binary labels only
NIHR Imperial Biomedical Research Centre(英国国家健康研究所帝国生物医学研究中心);Imperial College London(帝国理工学院);NHLI(英国国家心肺研究所);Columbia University(哥伦比亚大学);Royal Brompton and Harefield NHS Foundation Trust(皇家布朗普顿与哈菲尔德国民保健服务基金会信托)
慢性肺曲霉菌病(CPA)是由曲霉菌感染引起的一种复杂的肺部疾病。在疑似和确诊疾病的患者中经常需要计算机断层扫描(CT)图像,但CT上的放射学体征难以量化,使得准确的随访具有挑战性。我们提出了一种新的方法来训练卷积神经网络只使用区域标签的病理迹象的存在,不仅检测CPA,但也在空间上定位病理迹象。我们使用Hounsfield单位(HU)值的不同范围内的平均强度投影,将输入的3D CT扫描转换为2D RGB样图像。CNN架构针对分层任务进行训练,从而产生病理模式的精确激活图。对352例受试者的队列研究结果表明,分类准确度、定位精度和2年生存率的预测能力较高。这种工具为药物治疗下的CPA患者分层和CPA病理体征的定量随访开辟了道路。
2019-02-06 cs.LG eess.IV stat.ML
Deep Graph-Convolutional Image Denoising
Politecnico di Torino(都灵理工大学)
针对卷积神经网络未融合非局部自相似性先验的问题,提出采用动态图卷积层、引入轻量级边条件卷积的端到端去噪网络,在合成与真实噪声任务上均达到SOTA性能。
2019-07-19 cs.CV cs.LG cs.MM
Multi-scale Dynamic Graph Convolutional Network for Hyperspectral Image Classification
Nanjing University of Science and Technology(南京理工大学);National University of Defense Technology(中国人民解放军国防科技大学);Wuhan University(武汉大学)
卷积神经网络(CNN)已经证明了令人印象深刻的能力,表示高光谱图像,并取得了可喜的结果,在高光谱图像分类。然而,传统的CNN模型只能对具有固定大小和权重的规则正方形图像区域进行卷积运算,因此不能普遍适应具有各种对象分布和几何外观的不同局部区域。因此,它们的分类性能仍有待提高,特别是在类边界。为了克服这一缺点,我们考虑采用最近提出的图卷积网络(GCN)的高光谱图像分类,因为它可以进行任意结构的非欧数据的卷积,并适用于不规则的图像区域表示的图形拓扑信息。与常用的GCN模型工作在固定图上不同,我们使图能够随着图卷积过程而动态更新,因此这两个步骤可以相互受益,逐渐产生有区别的嵌入特征以及细化的图。此外,为了全面部署高光谱图像继承的多尺度信息,我们建立了具有不同邻域尺度的多个输入图,以广泛利用多个尺度下的多样化光谱-空间相关性。因此,我们的方法被称为“多尺度动态图卷积网络”(MDGCN)。在三个典型的基准数据集上的实验结果证明了MDGCN在定性和定量方面都优于其他最先进的方法。
2019-05-14 cs.LG eess.IV stat.ML
Unsupervised inter-frame motion correction for whole-body dynamic PET using convolutional long short-term memory in a convolutional neural network
Yale University(耶鲁大学);Siemens Medical Solutions USA, Inc.(美国西门子医疗解决方案公司)
在全身动态PET中,受试者运动会引入帧间失配,严重影响参数成像。传统的非刚性配准方法通常计算量大且耗时。深度学习方法在快速实现高准确性方面很有希望,但尚未考虑示踪剂分布变化或全身范围进行研究。在这项工作中,我们开发了一个基于无监督自动深度学习的框架来纠正帧间身体运动。运动估计网络是具有组合的卷积长短期记忆层的卷积神经网络,充分利用动态时间特征和空间信息。我们的数据集包含27名受试者,每名受试者接受90分钟FDG全身动态PET扫描。通过9倍交叉验证,与传统和深度学习基线相比,我们证明了所提出的网络在增强参数$K_{i}$和$V_{b}$图像之间的定性和定量空间对齐方面获得了优异的性能,并且显著降低了参数拟合误差。我们还展示了所提出的运动校正方法用于影响估计参数图像的下游分析的潜力,提高了区分恶性与良性高代谢感兴趣区域的能力。一旦经过训练,我们提出的网络的运动估计推理时间比传统的配准基线快460倍左右,显示出其在临床环境中易于应用的潜力。
2022-06-13 cs.CV cs.LG eess.IV
A Multiscale Graph Convolutional Network for Change Detection in Homogeneous and Heterogeneous Remote Sensing Images
National University of Defense Technology(国防科技大学)
遥感图像变化检测是一个不断发展的研究领域。到目前为止,虽然已经提出了许多方法,使用各种技术,准确地识别变化仍然是一个很大的挑战,特别是在高分辨率或异构的情况下,由于难以有效地建模的功能,从地面对象与不同的模式。本文提出了一种基于图卷积网络和多尺度对象技术的均匀和非均匀图像CD方法。首先,通过预训练的U-网和多尺度分割获得对象方面的高级特征。将每个地块视为一个节点,可以形成图形表示,然后将其馈送到所提出的多尺度图卷积网络中,每个通道对应于一个尺度。多尺度GCN将标签信息从少量已标记的节点传播到其他未标记的节点。此外,为了综合利用多尺度GCN输出通道的信息,利用尺度间的父子关系设计了一种融合策略。光学,SAR和异构光学/SAR数据集上的实验表明,所提出的方法优于一些国家的最先进的方法在定性和定量评估。此外,还讨论了一些因素对该过程的影响.
2021-02-16 cs.CV cs.IT eess.IV