8月26日计算机视觉理论学习笔记——医疗影像分割

---

前言

本文为8月26日计算机视觉理论学习笔记——医疗影像分割，分为六个章节：

• 影像存储方式；
• 医学影像任务；
• 改进的 U-NET；
• 3D U-NET；
• V-Net；
• FC-DensNet。

---

一、影像存储方式

1、DICOM 医学数字成像和通信标准

应用于：

• 放射医疗；
• 心血管成像；
• 放射诊疗诊断设备。

2、MHD/RAW

MND 文件里包含：

• RAW 文件——原始影像信息的头信息，比如：图片大小、拍摄日常；

3、NRRD

包含元数据和 RAW 信息，并进行了压缩。

二、医学影像任务

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是否属于前列腺组织。

三、改进的 U-NET

• 用于生物影响分割的深度学习模型；
• 全卷积神经网络，输入和输出都是图像，没有全连接层。

1、目标函数-Dice 系数

Dice 距离用于度量两个集合的相似性，可用于计算两个字符串的相似度和图形掩码区域的差异，取值范围为 0 到 1：
$$s=\frac{2|X\cap Y|}{|X|+|Y|}$$

2、U-NET 未能解决的一些问题

1. 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；
2. 不同扫描影响之间有较大的外观变异；
3. 磁场不均匀引起的伪影和畸变。

四、3D U-NET

以 3D 数据作为输入，并用相应的操作来处理数据，包括3D 卷积、3D 最大池和3D 向上卷积层。

• 假设：
  • 输入数据的维度为：$[a1,a2,a3]$；
  • 通道数：$c$；
  • 过滤器大小：$f$；
  • 过滤器维度：$f\times f\times f\times c$；
  • 过滤器数量：$n$；
  • 三位卷积的最终输出为：$[a1-f+1,a2-f+1,a2-f+1,a3-f+1,n]$。

五、V-Net

U-NET 的另一个 3D 版本。

• 残差学习机制：
  1. 把缩小端的底层特征送入放大端的相应位置帮助重建高质量图像，并且加速模型收敛；
  2. 每一个 stage 中也使用了跃层连接。

六、FC-DensNet

• Dense block 结构：
  • 第一层输入：$x_0$ 有 m个特征图；
  • 第一层输出：$x_1$ 有 k个特征图；
  • k个特征图与 m个特征图串联，作为第二层的输入；
  • 重复 n次；
  • 第 n层的 layer 输出后与前面的 layer 输出合并，共有 n×k 个特征图。

---