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
发表评论