计算机视觉学习记录（十二）：医疗影像分割

杨利霞

! j% r8 G& ]1 O4 A
. \) z; Y' w( f. T
6 B( B) o1 V1 A文章目录
8 s# X7 g: `7 z$ {; e7 a9 P1. 医学影像种类与存储
2 S, d5 Q! s  P8 `/ p1.1 医学影像
6 D& H$ X' _3 H' E- w$ v) e; Z1.2 主流存储方式
2. 医学影像分割任务
) _7 Q/ q1 x4 J6 U& ^* r* e2.1 深度学习图像分割算法：U-Net
2.2 3D U-Net
2.3 V-Net
! Z. S. S2 l- Z6 c2.4 DenseNet
2.5 FC-DenseNet
5 M7 J1 N/ H1 o! }1. 医学影像种类与存储
1.1 医学影像
X线设备：是通过测量透过人体的X线来实现人体成像的，即利用人体各组织的密度和厚度不同，X线穿过后的衰减程度不同，来显示身体内部的形态影像；
  y: ^' _! L$ N# J磁共振成像设备：是通过测量构成人体组织元素的原子核发出的磁共振信号来实现人体成像。MRI可反映人体分子水平的生理、生化等方面的功能特性；
超声成像设备：分为利用超声回波进行探测、超声诊断仪根据其显示方式不同，可分为A型、B型、D型（多普勒成像）、M型等；
医用内镜：是能够直观地观察人体内部器官的形态的设备，相对其他影像设备其诊断准确性更高。最常见的有光导纤维内镜和电子内镜；
计算机断层扫描(CT)，根据所采用的射线不同可分为：X射线CT（X-CT）、超声CT（UCT）以及γ射线CT（γ-CT)等；
1.2 主流存储方式
DICOM
DICOM（医学数字成像和通信标准）是Digital Imaging and CommunicationsinMedicine的英文缩写；
1 q* M+ i* e7 ODICOM被广泛应用于放射医疗，心血管成像以及放射诊疗诊断设备（X射线，CT，核磁共振，超声等）；
DICOM标准的推出与实现，大大简化了医学影像信息交换的实现，推动了远程放射学系统、图像管理与通信系统（PACS）的研究与发展，并且由于DICOM的开放性与互联性，使得与其它医学应用系统（HIS、RIS等）的集成成为可能；
MHD/RAW
5 m& V. v! x% O/ p" Kmhd/raw格式是另一种数据格式，来源于(LUNA2016)。其中mhd文件里面包含的是raw文件（原始影像信息）的一些头信息（元数据）,比如图片大小，拍摄日期等；
- ]! R& f% @" m4 m6 d8 {Mhd文件很小；但raw文件通常较大，包含着三维的图像信息；
NRRD
( C" o8 r) q( h0 S/ k" KNrrd格式包含元数据和RAW信息，并进行了压缩；
' o/ v' K& G1 y/ Y: B0 k2. 医学影像分割任务
对MRI影像中的前列腺组织进行分割，即判断出影像中的每一个像素点属于或不属于前列腺组织；
2.1 深度学习图像分割算法：U-Net
) P  l2 o2 U' Q( O4 r4 n8 R
. I) b8 ]3 g+ g! R* {
$ o: d% J! c; g! ]0 Y4 _' C曲率驱动的图像去噪
0 `2 q4 q+ _" H5 x- |在图像去噪领域，由于高斯低通滤波对图像所有高频成分不加区别地减弱，从而在去噪的同时也使边缘模糊化；
  W& J2 H$ i. V自然图像中的物体所形成的等照度线(包括边缘)应该是足够光顺的曲线，即这些等照度线的曲率的绝对值应该足够小．当图像受到噪音污染后，图像的局部灰度值发生随机 起伏，导致等照度线的不规则振荡，形成局部曲率很大的等照度线；
  R. g" l" Q7 o! Y8 R/ ^根据这一原理，可以进行图像去噪；
0 p& L: e# F8 p* H8 k. A! P; i$ XU-Net是一种用于生物影像分割的深度学习模型；
它是一个全卷积神经网络，输入和输出都是图像，没有全连接层；
0 O  o7 Z; P$ D8 e" M
# ~6 \5 |$ A  [1 x6 k% A4 N+ O
8 p' z2 A4 h* }8 O1 L' C
U-Net的未能解决的一些问题
4 r2 ~, g/ _* t1 e8 v" M组织器官的顶层截面和底层截面与中部截面差异过大而不易识别；
不同扫描影像之间有较大的外观变异而不易识别；
磁场不均匀性引起的伪影和畸变，导致不易识别；
2.2 3D U-Net
3维影像数据在生物医学数据分析中广泛存在，但这样的数据与分割标签的注释却很困难；
/ l1 o& l, L; E6 M" \, [8 X因此，以逐片方式对大量3维影像进行注释是繁琐的而低效的，因为相邻的切片显示几乎相同的信息；
1 P: T. T4 B$ k) W) }! x! R3D影像数据的完全标注不是创建丰富训练数据集的有效方法；


! n# `; H- P. a- ^& M
: W5 U; S. `% O, {+ ~) `  b9 V
2.3 V-Net
8 e+ N: B; e: `) Y' O5 {% z: BV-Net是U-Net的另一个3D版本；





2.4 DenseNet
DenseNet则是从feature入手，通过对feature的极致利用达到更好的效果和更少的参数；
" v% O* x  E( y9 |DenseNet的几大优点
* U* P8 D/ \* n8 a减轻了vanishing-gradient（梯度消失）；
! Z+ k1 }$ x% U, g0 j5 y+ O! i. M加强了feature的传递性，更有效地利用了feature；
$ J& d( k$ W% g4 q1 `一定程度上减少了参数数量；
) y) j# A. ]2 K3 h强调参数有效性，参数使用效率高；
隐式深层监督，short paths；
抗过拟合，尤其是训练数据匮乏时；

2.5 FC-DenseNet
! |1 w6 \/ G. C, S) h( M( r8 n
2 A( \/ M  h8 ]; j6 n


狸狸Arina
; Y" f, D2 o: e( i( X9 o9 B1 l关注
1 m  t% \/ J; @' i
————————————————
版权声明：本文为CSDN博主「狸狸Arina」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
/ [$ {4 h1 D. P0 G% ]2 s- G0 A原文链接：https://blog.csdn.net/weixin_45013904/article/details/126440606