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

1. 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
2. 110名患者的脑部MRI图像，共3929张图像
3. 正确的标签
4. 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

$\text{ Pixel Acc }$=$\frac{\text{ accurate pixel }}{\text{ total pixel }}$

MIoU

$MIoU$=$\frac{A\cap B}{A\cup B}=\frac{TP}{FP+FN+TP}$

骰子系数

$\text{ Dice }$=$\frac{2\times |A\cap B|}{|A|+|B|}$

算法架构

• Fully Convolutional Networks (FCN)
• U-Net
• SegNet
• Deeplab V3

优化

• Resnet Jump Link
• Transform 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。