CV_Daily Issue 19

CV_Daily Issue 19

author: xyang

Detection

• [检测+卫星图像] Detecting Parking Spaces in a Parcel using Satellite Images

遥感来自卫星的图像已被用于各种领域，用于检测和理解地面上的结构。
在这项工作中，卫星图像用于使用基于RCNN的神经网络架构来定位给定地块的停车位和停车场中的车辆。
来自USGS图像存档的包裹形状文件和光栅图像用于开发训练和测试的图像。
基于特征金字塔的掩模RCNN使停车位和车辆的平均等级精度达到97.56％

• [检测+白细胞计数]Automated Blood Cell Detection and Counting via Deep Learning for Microfluidic Point-of-Care Medical Devices

自动体外细胞检测和计数已成为人工和智能生物分析的关键主题，如活组织检查，药物分析和死亡诊断。
随着微流体技术和芯片实验室技术的快速发展，体外活细胞分析已成为研究和工业界的关键任务之一。
然而，从众多微观视频和图像中获取并预测活细胞的精确信息是一项巨大的挑战。
在本文中，我们使用深度神经网络研究了白细胞的体外检测，并讨论了最先进的机器学习技术如何满足医学诊断的需要。
我们在本研究中使用的方法基于更快的基于区域的卷积神经网络（更快的RCNN），并且应用转移学习过程将该技术应用于血细胞的显微检测。
我们的实验结果表明，通过自动显微成像快速有效地分析血细胞可以获得比传统应用方法更好的准确性和更快的速度，这意味着该技术的有希望的未来将应用于微流体即时医疗设备。

• [Reinforcement Learning 医学图像增强]Reinforcing Medical Image Classifier to Improve Generalization on Small Datasets

随着深度学习的出现，使得具有复杂判别模型的改进的图像分类成为可能。
然而，这种复杂性增加的深度模型需要大量标记样本来概括训练。
由于训练数据有限，这种分类模型在应用于医学图像时可以容易地过度拟合，这是医学图像分析领域中的常见问题。
本文提出并研究了一种强化分类器，用于在一些可用的训练数据下改进泛化。
部分遵循强化学习的思想，所提出的分类器使用来自训练数据的子集的泛化反馈来更新其参数，而不是仅使用关于训练数据的传统交叉熵损失。
我们通过将其应用于针对配备有现有过度拟合防止技术的标准深度分类器的三种不同分类问题来评估所提出的分类器的改进。
除了分类性能的整体提高外，所提出的分类器显示出广义学习的显着特征，在医学分类任务中具有很大的潜力。

Segmentation

• [Cardiac Segmentation + Multi-sequence MR Image]An Automatic Cardiac Segmentation Framework based on Multi-sequence MR Image

LGE CMR是一种检测梗塞心肌的有效技术。
LGE中有效且客观的心室分割方法可以有益于梗塞心肌的位置。
在本文中，我们提出了一种LGE图像分割的自动框架。
只有5个标记的LGE卷，每个卷大约有15个切片。
我们采用直方图匹配（旋转配准方法的不变量）对其他标记模态进行有效增强训练数据。
通过留一法策略，基于增强的训练数据训练CNN分割模型。
模型的预测结果遵循每个类的连通分量分析，以作为最终分割结果保持最大的连通分量。
我们的模型通过2019年多序列心脏MR分割挑战进行评估。
Dice评分，Jaccard评分，表面距离和Hausdorff距离的40个测试体积的平均测试结果分别为0.8087,0.6976,2.8727mm和15.6387mm。
实验结果表明该框架具有令人满意的性能。