在线观看www成人影院-在线观看www日本免费网站-在线观看www视频-在线观看操-欧美18在线-欧美1级

0
  • 聊天消息
  • 系統消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發帖/加入社區
會員中心
創作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內不再提示

如何對醫學圖像分割中的置信度進行量化?

智能感知與物聯網技術研究所 ? 來源:通信信號處理研究所 ? 作者:通信信號處理研究 ? 2020-12-25 11:34 ? 次閱讀

在過去的十年里,深度學習在一系列的應用中取得了巨大的成功。然而,為了驗證和可解釋性,我們不僅需要模型做出的預測,還需要知道它在做出預測時的置信度。這對于讓醫學影像學的臨床醫生接受它是非常重要的。在這篇博客中,我們展示了我們在韋洛爾理工學院進行的研究。我們使用了一個基于變分推理技術的編碼解碼架構來分割腦腫瘤圖像。我們比較了U-Net、V-Net和FCN等不同的主干架構作為編碼器的條件分布采樣數據。我們使用Dice相似系數(DSC)和IOU作為評價指標來評價我們在公開數據集BRATS上的工作。

醫學圖像分割

在目前的文獻中主要利用兩種技術成功地解決了醫學圖像的分割問題,一種是利用全卷積網絡(FCN),另一種是基于U-Net的技術。FCN體系結構的主要特點是在最后沒有使用已成功用于圖像分類問題的全連接層。另一方面,U-Net使用一種編碼器-解碼器架構,在編碼器中有池化層,在解碼器中有上采樣層。

貝葉斯神經網絡

這是一種可擴展的避免神經網絡過擬合的方法,同時也給了我們一個不確定性的度量。神經網絡學習給定的數據集的后驗分布的權重,而不是基于點的估計,如下面的公式所示。

14bfd374-4458-11eb-8b86-12bb97331649.png

預測分布可以通過逼近積分來計算,如下式所示。

1566cf08-4458-11eb-8b86-12bb97331649.png

變分推斷

變分推斷通過最大化證據下界來尋找分布的參數。ELBO由前后分布的Kullback-Leibler (KL)散度和負對數似然(NLL)兩項之和構成。需要最小化的KL散度項如下式所示。

15977928-4458-11eb-8b86-12bb97331649.png

KL散度定義如下式。

1747fb58-4458-11eb-8b86-12bb97331649.png

由于上述方程中的積分在本質上是難以處理的,它可以寫成另一種形式。該方程可轉化為優化問題,如下式所示。

17741922-4458-11eb-8b86-12bb97331649.png

隨機不確定性和認知不確定性

有兩種類型的不確定性 —— 隨機不確定性和認知不確定性,其中方差是兩者的總和。對于最終的預測,單個的均值和方差可以估計,如下兩個方程所示。

17a3fca0-4458-11eb-8b86-12bb97331649.png

17de454a-4458-11eb-8b86-12bb97331649.png

方差中的第一項表示隨機不確定性,而第二項表示認知不確定性。

網絡結構

先驗分布有助于整合網絡上的權值學習。我們的模型使用了與VAEs中使用的類似的編碼器解碼器體系結構,編碼器的輸入來自預先訓練好的圖像分割結構。輸入到編碼器只需要表示置信度的條件分布的標準差向量的均值,以此來正確預測像素點。參數經過編碼器后,被轉換為一個潛在表示,再采樣的平均值和標準偏差向量。解碼器隨后將其恢復到原始分布。采用傳統的反向傳播算法進行梯度下降模型的訓練。本工作中使用的模型架構如圖1所示:

1823af86-4458-11eb-8b86-12bb97331649.png

圖1:模型結構

算法

下面是基于隨機梯度下降的訓練網絡的算法。

184ef204-4458-11eb-8b86-12bb97331649.png

數據集

為了評估我們的網絡性能,我們使用BRATS18腦瘤分割數據集。它包含175名惡性膠質瘤和低級別惡性膠質瘤患者的MRI掃描。圖像分辨率為240×240×155像素。ground truth標簽是由神經放射學專家創建的。數據集的一個示例如圖2所示。

圖2:MRI切片的例子以及分割的ground truth

評估指標

評價指標為Dice相似系數(DSC),也稱F1-score和IoU。對應的方程如下所示。

1923b476-4458-11eb-8b86-12bb97331649.png

1966d90e-4458-11eb-8b86-12bb97331649.png

損失函數

采用二元交叉熵和dice損失相結合的方法對網絡進行訓練。第一部分二元交叉熵是分類問題中常用的損失函數,如下式所示:

1b6e0920-4458-11eb-8b86-12bb97331649.png

二元交叉熵損失的問題在于它沒有考慮到類的不平衡,因為背景是占主導地位的類。dice損失解決了這個問題,可以寫成如下公式。

1bc27136-4458-11eb-8b86-12bb97331649.png

這兩個損失項被合并在一個項中,并給予dice損失項更多的權重,因為它能更好地處理類別不平衡問題。這是用下面的公式定義的。

1bfff01a-4458-11eb-8b86-12bb97331649.png

結果

分割所涉及的不確定性如圖3所示。深的顏色表示更自信,而淺的顏色表示模型在這些區域不太自信。

圖3:與ground truth分割相比,測試樣本上的模型預測示例。第一列:輸入圖像,第二列:真值分割,第三列:預測分割,第四列:隨機不確定性,第五列:認知不確定性

總結

在這個博客中,我們提出了一種在醫學圖像分割中量化不確定性的方法。我們的模型基于一個類似于VAEs所使用的編碼器解碼器框架。網絡的權值代表分布而不是點估計,從而在進行預測的同時給出了一種原則性的測量不確定性的方法。編碼器的輸入來自于預訓練的骨干架構,如U-Net, V-Net, FCN,這些架構都是從條件分布中采樣的,代表了像素被正確標記的置信度。我們在公開數據集BRATS上評估我們的結果,使用DSC和IOU指標,我們的網絡優于以前的SOTA的結果。

原文標題:解析丨對醫學圖像分割中的置信度進行量化

文章出處:【微信公眾號:通信信號處理研究所】歡迎添加關注!文章轉載請注明出處。

責任編輯:haq

聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規問題,請聯系本站處理。 舉報投訴
  • 神經網絡
    +關注

    關注

    42

    文章

    4810

    瀏覽量

    102940
  • 深度學習
    +關注

    關注

    73

    文章

    5555

    瀏覽量

    122539

原文標題:解析丨對醫學圖像分割中的置信度進行量化

文章出處:【微信號:tyutcsplab,微信公眾號:智能感知與物聯網技術研究所】歡迎添加關注!文章轉載請注明出處。

收藏 人收藏

    評論

    相關推薦
    熱點推薦

    如何修改yolov8分割程序的kmodel?

    ;#039;''實驗平臺:01Studio CanMV K230說明:實現攝像頭圖像采集顯示-裂縫分割-寬度計算'''
    發表于 04-25 08:22

    DLP4500連接HDMI進行視頻流傳輸模式下投影圖像底部出錯并閃爍,怎么解決?

    進行了代碼的編寫,其中相關配置信息參考了開發者手冊第64頁的內容。測試發現,投影儀可以投影出圖像并觸發攝像頭,但此時投影圖像中大約底部1/5的區域顯示不正常,是類似白色背景的圖案并會發
    發表于 02-19 08:04

    語義分割25種損失函數綜述和展望

    本綜述提供了對25種用于圖像分割的損失函數的全面且統一的回顧。我們提供了一種新穎的分類法,并詳細審查了這些損失函數如何在圖像分割中被定制和利用,強調了它們的重要特征和應用,并
    的頭像 發表于 10-22 08:04 ?1519次閱讀
    語義<b class='flag-5'>分割</b>25種損失函數綜述和展望

    畫面分割器怎么連接

    器的基本原理 畫面分割器的工作原理是通過數字信號處理技術,將多個視頻信號源(如攝像頭、DVR等)的圖像數據進行處理,然后在一個監視器上以分割的形式顯示出來。這些
    的頭像 發表于 10-17 09:29 ?889次閱讀

    計算機視覺圖像融合

    在許多計算機視覺應用(例如機器人運動和醫學成像),需要將多個圖像的相關信息整合到單一圖像。這種圖像
    的頭像 發表于 08-01 08:28 ?1069次閱讀
    計算機視覺<b class='flag-5'>中</b>的<b class='flag-5'>圖像</b>融合

    醫學影像存儲與傳輸系統源碼,PACS系統源碼

    ?醫學影像存儲與傳輸系統,PACS部分主要提供醫學影像獲取、影像信息網絡傳遞、大容量數據存儲、影像顯示和處理、影像打印等功能。RIS主要提供分診登記、叫號、檢查報告生成和打印等功能。影像存儲與傳輸
    的頭像 發表于 07-18 16:31 ?670次閱讀
    <b class='flag-5'>醫學</b>影像存儲與傳輸系統源碼,PACS系統源碼

    圖像語義分割的實用性是什么

    圖像語義分割是一種重要的計算機視覺任務,它旨在將圖像的每個像素分配到相應的語義類別。這項技術在許多領域都有廣泛的應用,如自動駕駛、
    的頭像 發表于 07-17 09:56 ?834次閱讀

    圖像分割和語義分割的區別與聯系

    、亮度等。圖像分割的目的是將圖像感興趣的部分與背景分離,以便進行進一步的處理和分析。 1.1 圖像
    的頭像 發表于 07-17 09:55 ?1777次閱讀

    圖像分割與目標檢測的區別是什么

    的區別。 定義 圖像分割是將圖像劃分為若干個區域或對象的過程,這些區域或對象具有相似的屬性,如顏色、紋理或形狀。圖像分割的目的是將
    的頭像 發表于 07-17 09:53 ?2247次閱讀

    圖像識別技術在醫療領域的應用

    的應用已經成為推動醫療技術發展的重要力量。 二、醫學影像診斷 醫學影像診斷是圖像識別技術在醫療領域應用最為廣泛和成熟的領域之一。醫學影像診斷主要包括X射線、CT、MRI、超聲等影像技術
    的頭像 發表于 07-16 10:48 ?1928次閱讀

    機器學習的數據分割方法

    在機器學習,數據分割是一項至關重要的任務,它直接影響到模型的訓練效果、泛化能力以及最終的性能評估。本文將從多個方面詳細探討機器學習數據分割的方法,包括常見的
    的頭像 發表于 07-10 16:10 ?3021次閱讀

    圖像分割與語義分割的CNN模型綜述

    圖像分割與語義分割是計算機視覺領域的重要任務,旨在將圖像劃分為多個具有特定語義含義的區域或對象。卷積神經網絡(CNN)作為深度學習的一種核心模型,在
    的頭像 發表于 07-09 11:51 ?1807次閱讀

    機器人視覺技術中常見的圖像分割方法

    機器人視覺技術圖像分割方法是一個廣泛且深入的研究領域。圖像分割是將圖像劃分為多個區域或對象的
    的頭像 發表于 07-09 09:31 ?1286次閱讀

    機器人視覺技術圖像分割方法有哪些

    機器人視覺技術是人工智能領域的一個重要分支,它涉及到圖像處理、模式識別、機器學習等多個學科。圖像分割是機器人視覺技術的一個重要環節,它的目標是從一幅
    的頭像 發表于 07-04 11:34 ?1605次閱讀

    卷積神經網絡在圖像醫學診斷的優勢

    通過模擬人腦視覺皮層的工作機制,實現對圖像數據的高效處理,特別是在圖像分類、目標檢測、圖像分割以及醫學
    的頭像 發表于 07-01 15:59 ?1974次閱讀
    主站蜘蛛池模板: 亚洲综合在线观看一区www | www.操操操.com| 久久精品人人爽人人爽快 | 成色网| 国产资源视频 | 深爱五月网 | 四虎影院.com | 操白虎美女 | 色丁香六月| 亚洲高清日韩精品第一区 | 亚洲伊人tv综合网色 | 免费三级pq | 色婷婷影院在线视频免费播放 | 在线一区二区观看 | 久久福利青草精品资源站免费 | 最新天堂 | 色婷婷丁香 | 在线观看视频在线观看 | 亚洲黄色天堂 | 午夜手机福利视频 | 成人欧美网站 | 在线观看视频一区二区 | 日本有色视频 | 一级特黄aa大片一又好看 | 性高清| 丁香六月婷婷激情 | 日日干夜夜欢 | 日本黄a| 天天干天天日天天射天天操毛片 | 天天操狠狠操 | 日韩毛片免费线上观看 | 人人插视频 | 日本黄色大片免费观看 | 国产91色综合久久免费分享 | 88xx成人永久免费观看 | 亚洲网站色| qvod高清在线成人观看 | 久久www免费人成看片色多多 | 欧美成人精品福利网站 | 欧美一区二区三区在线观看 | 天天操夜夜操美女 |