cnn 深度学习 图像处理 卷积神经网络用于MRI图像中的脑部病变分割

在这项工作中，构建并比较了用于图像分割的四个流行的深度卷积神经网络（U-NET、DeepLab、FCN和SegNet）。这种比较揭示了实现有效分割和分割精度之间的权衡。使用深度学习，特别是卷积神经网络方法来构建和训练模型，可以从MRI图像中识别脑部病变。在模型能够识别脑损伤后，通过调整模型结构、实施数据增强和寻找最佳超参数来改进深度学习模型。我们还详细阐述了实施细节和评估标准，以在原有模型的基础上提高其分割基准和性能。具体代码可在以下网址中找到：https://github.com/673958639/Convolutional-Neural-Network-for-Brain-Lesion-Segmentation-in-MRI-Images

数据集

从TCIA脑部MRI分割数据集中选择数据，该数据集由癌症图像档案馆提供110名患者的脑部MRI图像，共3929张图像正确的标签为了保护隐私，数据将不会被公布。可以从kaggle网站上获取数据集。

公式

像素精度

 Pixel Acc 

\text { Pixel Acc }

 Pixel Acc =

 accurate pixel 

 total pixel 

\frac{\text { accurate pixel }}{\text { total pixel }}

 total pixel  accurate pixel ​

MIoU

M

I

o

U

MIoU

MIoU=

A

∩

B

A

∪

B

=

T

P

F

P

+

F

N

+

T

P

\frac{A \cap B}{A \cup B}=\frac{T P}{F P+F N+T P}

A∪BA∩B​=FP+FN+TPTP​

骰子系数

 Dice 

\text { Dice }

 Dice =

2

×

∣

A

∩

B

∣

∣

A

∣

+

∣

B

∣

\frac{2 \times|A \cap B|}{|A|+|B|}

∣A∣+∣B∣2×∣A∩B∣​

算法架构

Fully Convolutional Networks (FCN)U-NetSegNetDeeplab V3

优化

Resnet Jump LinkTransform Learning 迁移学习Dilated Convolution 空洞卷积

结果

优化前

优化后 可视化及迁移学习效率等具体信息可访问github链接进行共同学习探究。

好文推荐