RAAGR2-Net:一种使用多个空间帧的并行处理的脑肿瘤分割网络

RAAGR2-Net: A brain tumor segmentation network using parallel processing of multiple spatial frames

  • RAAGR2-Net:一种使用多个空间帧的并行处理的脑肿瘤分割网络
    • 背景
    • 贡献
    • 实验
      • N4 bias-field-correction 数据预处理
      • Z-score and re-sampling Z-score归一化,重采样
    • 方法
      • Residual Atrous Spatial Pyramid Pooling (RASPP) module(残差空间金字塔模块)
      • Attention gate (AG) module(注意力门控模块)
      • Recursive residual (R2) block(递归残差块)
    • 损失函数
    • Thinking

RAAGR2-Net:一种使用多个空间帧的并行处理的脑肿瘤分割网络

Computers in Biology and Medicine【2023】

背景

脑瘤是最致命的癌症之一。磁共振成像(MRI)是一种非侵入性方法,它提供包含有关肿瘤的重要信息的多模式图像。许多当代技术采用四种模式:T1加权(T1)、T1对比度加权(T1c)、T2加权(T2)和流体衰减反转恢复(FLAIR),每种模式都为每个肿瘤的定位提供了独特而重要的特征。尽管几种现代程序在多模式脑肿瘤图像分割基准(BraTS)数据集上提供了不错的分割结果,但当在MRI图像的所有区域上同时评估时,它们缺乏性能。此外,由于参数限制和计算复杂性,仍有改进的空间。因此,在这项工作中,提出了一种新的基于编码器-解码器的架构来有效分割脑肿瘤区域。数据预处理是通过应用N4偏置场校正z-score0到1重采样来执行的,以便于模型训练。为了最大限度地减少不同模块中位置信息的丢失,提出了一种残差空间金字塔池(RASPP)模块。RASPP是一组使用扩张卷积的平行层。此外,注意力门(AG)模块用于有效地强调和恢复提取的特征图中的分割输出。所提出的模块试图通过组合来自不同特征图的知识并保留其局部信息来获取丰富的特征表示。在BraTS基准上评估了所提出的基于RASPP、AG和称为RAAGR2-Net的递归残差(R2)块的深度网络的性能。

贡献

由于具有不规则边界的病变区域的密集和连续分布,脑肿瘤的自动分割在鲁棒性方面仍然是一项艰巨的任务。只有少数几个网络可以同时对病变区域进行分割和分类。此外,这种网络通常需要大量的内存和计算开销,因为分割技术的复杂性很高[15,16]。此外,这些网络面临训练和优化挑战,这通常是由高调整成本和宽的超参数调整设计范围引起的[17]。为了解决上述缺点,在这项工作中,我们构建了一个易于扩展的网络,可以提供多个空间帧的并行处理。与当前最先进的模型相比,这使得网络能够在更短的时间内获得最优最小值。这项工作的主要贡献如下:

  1. 提出了一种预处理算法,使模型能够从数据集中学习肿瘤区域的洞察力和重要特征。
  2. 介绍了一种基于编码器和解码器配置的分割模型,该模型利用所提出的CNN架构的优化模块考虑到不同脑瘤区域之间的高度差异,设计了这样的模块,以最大限度地减少所提出的RAAGR2-Net中深度特征提取过程中的信息损失。
  3. 本工作探索并提出了用于脑肿瘤分割的深度卷积
  4. 在图像重建过程中,跟踪肿瘤区域的精确位置至关重要,因此所使用的模块有助于防止这些信息的丢失。

实验

在这里插入图片描述
BraTs 数据集的肿瘤类别
数据集:BraTs 17 18 19,在BraTS(2017、2018和2019)数据集中,不同类别肿瘤之间的区域占有率差异非常高。因此,数据不平衡导致了问题,并且通过增加另外两类,即一类背景区域和另一类非肿瘤区域,进一步缓解了不平衡问题。

N4 bias-field-correction 数据预处理

MRI图像可能包含由于患者运动或MR扫描仪硬件本身引起的伪影。通常,图像的亮度是局部调整的,即使用低频信息使图像更亮或更暗[48]。这被称为MRI的强度不均匀性问题,通过人体解剖信号捕获的数据会导致病变特征模糊的问题,这可能会导致神经网络分割架构的学习过程出现问题[49]。由于强度不均匀性问题,应用N4偏置场校正来均匀地表示MRI。在这项工作中,通过非参数和非均匀归一化(N3)方法解决了强度不均匀性问题,该方法通过使用高斯公式应用强度直方图的B样条来配置场,并校正图像形状。然而,N3方法应用宽的B样条距离,导致更高的频率调制。为了解决这个问题,可以看出,与N3正则化相比,该系统的性能有所提高,方法是减少样条的距离,以多分辨率对其进行并行化,并使用N4在强度不平衡方面应用卷积重叠正则化。因此,应用于训练的数据集通过N4偏置场校正进行了归一化。

Z-score and re-sampling Z-score归一化,重采样

在这里插入图片描述
在这里插入图片描述

预处理对实验精度影响很大

方法

在这里插入图片描述
在这里插入图片描述

Residual Atrous Spatial Pyramid Pooling (RASPP) module(残差空间金字塔模块)

在这里插入图片描述
可以防止数据丢失。与ASPP不同,RASPP模块包括附加的残差分支,该残差分支将原始特征连接到来自不同膨胀比的提取特征。此外,ASPP模块中有两个1×1卷积层,而RASPP模块中只有一个1×1卷积层,这最大限度地减少了计算量和数据损失。

Attention gate (AG) module(注意力门控模块)

在这里插入图片描述
简单的卷积激活,相乘,用xf和gi对xf进行加权

Recursive residual (R2) block(递归残差块)

在这里插入图片描述
现有的神经网络大多是前馈神经网络,隐藏层的系数被应用于输出层的方向。然而,递归神经网络不仅具有通过激活函数将系数传递到输出层的特性,而且还具有将系数传递给隐藏层的下一次操作的输入的特性,因此在应用卷积之前,它在校正现有图像方面具有优异的性能。

所提出的深度模型基于编码器-解码器架构,其中编码器提取特征图,解码器通过强调的特征恢复原始大小的图像。当前技术的缺点是,在编码过程中提取特征图的过程导致数据位置信息的丢失,这导致性能降低。现有技术的另一个缺点是,随着模型变得更大,在训练模型的过程中,参数增加,批量大小减小,导致性能下降。为了解决上述问题,提出了最大限度地减少位置信息丢失的RASPP模块。在解码阶段,通过在现有图像的各层中强调特征点,应用注意力技术来最小化位置信息值的损失。此外,在卷积层中使用了深度可分离的Conv2D,而不是使用通用的Conv2D,通过在很大程度上减少参数数量来提高学习速度,从而最大限度地减小批量大小。利用数据扩充和预处理技术对所提出的体系结构进行了评估。实验结果表明,所提出的RAAGR2Net架构具有良好的性能,可以通过将3D数据切片为2D图像来分割大脑MRI图像。这有助于减少参数数量、批量大小和计算费用。未来,我们打算将该架构的范围扩展到MRI的3D分割。

损失函数

在这里插入图片描述

Thinking

空洞卷积,可分离卷积,特征金字塔,注意力机制,千篇一律。。。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/155271.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

redis高可用---持久化

redis高可用 在集群当中有一个非常重要的指标,提供正常服务的时间的百分比(365天) 99.9%,redis高可用含义更广泛,支持服务是指标之一,数据容量扩展,数局的安全性。(容量、安全性) redis中实现高…

【蓝桥杯软件赛 零基础备赛20周】第4周——简单模拟1

文章目录 什么是简单模拟简单模拟和编程能力刷题 什么是简单模拟 正在学编程语言(C/C、Python、Java),或者刚学过语言,还没有开始学数据结构和算法的同学,有一些疑问:如何快速入门算法竞赛?如何…

数据仓库模式之详解 Inmon 和 Kimball

目录 一、前言 二、企业信息工厂(Inmon) 2.1 概念 2.2 主要组件 2.3 流程 三、多维数据仓库(Kimball) 3.1 概念 3.2 核心组件 3.3 流程 四、异同及用途对比 4.1 异同对比 4.2 特征比较 一、前言 大部分关于数据仓库构建…

小微初创企业,如何利用媒体宣传快速成长

传媒如春雨,润物细无声,大家好,我是51媒体网胡老师。 对于小微初创企业来说,利用媒体宣传可以快速提升品牌知名度、扩大影响力,进而促进企业的成长。 1.确定宣传目标:是增加销售、提升品牌知名度、还是推…

JVM对象创建与内存分配

对象的创建 对象创建的主要流程: 类加载推荐博客:JVM类加载机制详解 类加载检查 虚拟机遇到一条new指令时,首先将去检查这个指令的参数是否能在常量池中定位到一个类的符号引用,并且检查这个符号引用代表的类是否已被加载、解析…

Failed to load resource: net::ERR_UPLOAD_FILE_CHANGED 谷歌浏览器就会有这个问题 其他的浏览器没有

Failed to load resource: net::ERR_UPLOAD_FILE_CHANGED 10 10: Difficulties in file uploading through all browsers and applications

whisper finetuning

Vaibhavs10/fast-whisper-finetuning (github.com)

mac添加Chrome插件的方法

如果是.crx的插件 更改后缀crx为zip 后续步骤同下文.zip文件 如果是.zip的插件 使用终端进行解压 注意不要用解压工具解压,一定要用终端,命令行解压 // 进入到“插件名.zip”文件的目录下,输入下面命令: unzip 插件名.zip -…

2.6文件服务器

2.6文件服务器 一、Ftp 介绍 文件传输协议(File Transfer Protocol,FTP),基于该协议FTP客户端与服务端可以实现共享文 件、上传文件、下载文件。 FTP 基于TCP协议生成一个虚拟的连接,主要用于控制FTP连接信息&#x…

「ResNet-18」70 个犬种的图片分类

✅作者简介:人工智能专业本科在读,喜欢计算机与编程,写博客记录自己的学习历程。 🍎个人主页:小嗷犬的个人主页 🍊个人网站:小嗷犬的技术小站 🥭个人信条:为天地立心&…

LeetCode【45】跳跃游戏2

题目: 思路: 注意和跳跃游戏【55】不同的是,题目保证可以跳到nums[n-1];那么每次跳到最大即可 代码: public class LeetCode45 {public static int jump(int[] nums) {int jumps 0;int currentEnd 0;int farthest 0;for(int…

20. Spring源码篇之@Lookup详解

简介 Lookup注解可能平时开发中大家接触的少,但是又确实挺有用的,比如我们一个单例Bean注入了一个原型Bean,原型Bean的效果其实是会失效的,因为单例Bean一开始就实例化好了,后面也不会再变化,但我们可能需…

类型体系与基本数据类型(题目)

目录 1. 本章讨论了标签的用法。在我们经常使用的标准模板库(STL)中也存在标签的概念。STL将迭代器进行了划分,为不同的迭代器赋予了不同的标签(如双向迭代器、随机访问迭代器等)。在网络上搜索一下相关的概念&#x…

Android Serializable / Parcelable

Serializable 序列化,将对象转为二进制序列 Parcelable 不是序列化,属于进程间通信,不需要IO/操作,没有拷贝内存的操作, Object -> ShareMemory -> Object 不需要IO,使用内存共享等方式 Kotlin inline fun 内联函数 TCP协议将数据包拆分,进行发送,保证网络数据的可…

基于纹理特征的kmeas聚类的图像分割方案

Gabor滤波器简介 在图像处理中,以Dennis Gabor命名的Gabor滤波器是一种用于纹理分析的线性滤波器,本质上是指在分析点或分析区域周围的局部区域内,分析图像中是否存在特定方向的特定频率内容。Gabor滤波器的频率和方向表示被许多当代视觉科学…

二十一、数组(3)

本章概要 Arrays的setAll方法增量生成 Arrays的setAll方法 在Java 8中, 在RaggedArray.java 中引入并在 ArrayOfGenerics.java.Array.setAll() 中重用。它使用一个生成器并生成不同的值,可以选择基于数组的索引元素(通过访问当前索引&…

00、计算机视觉入门与调优简介

写在前面 每天更新1篇文章,共更新100篇以上 相关代码会放在gitee上 中间会按进度和反馈安排视频讲解 预计2023-11-11开始推送文章,持续3个月左右 专栏简介 本专栏带你从头开始入门计算机视觉。 内容会比之前写的文章更专业更全面,并且你…

Android项目更新依赖和打包步骤和问题汇总

目录 1、Android 项目打包,32位包升级到64位包问题一:ERROR: Conflicting configuration : armeabi-v7a,x86-64,arm64-v8a,x86 in ndk abiFilters cannot be present when splits abi filters are set : x86,armeabi-v7a,arm64-v8a 2、Android项目依赖升…

docker部署excalidraw画图工具(银角大王课堂使用的画图软件搭建)

环境搭建 安装docker(不过多说,可以参照他人文档) 安装docker-compose 运行以下命令以下载 Docker Compose 的当前稳定版本: sudo curl -L "https://github.com/docker/compose/releases/download/v2.2.2/docker-compose…

pytest-base-url插件之配置可选的项目系统URL

前言 ①当我们的自动化代码完成之后,通常期望可以在不同的环境进行测试,此时可以将项目系统的URL单独拿出来,并且可以通过pytest.ini配置文件和支持pytest命令行方式执行。 ② pytest-base-url 是一个简单的pytest插件,它通过命…