【论文研读】【医学图像分割】【BCRNN】Fine-grained Recurrent Neural Networks for Automatic Prostate Segmentation ...
【BCRNN】基于超声波图像的前列腺分割，由于超声波图像不易处理，作者提出Boundary Completion RNN，将笛卡尔坐标转化为极坐标，使用双向LSTM学习，前后向h合并，预测出的结果与原图结合再进行一轮，共三轮。由于序列化的截取可能导致的问题又采用了多视角策略（进行多个角度截取）。
【论文研读】【医学图像分割】【BCRNN】Fine-grained Recurrent Neural Networks for Automatic Prostate Segmentation inUltrasound Images
本文仅仅为个人快速阅读记录。推荐另一篇博客《精细递归神经网络在超声图像前列腺自动分割中的应用（读后感）》
Yang X , Yu L , Wu L , et al. Fine-grained Recurrent Neural Networks for Automatic Prostate Segmentation in Ultrasound Images[J]. 2016.
😄 😆 😊 😃 😏 😍 😘 😚 😳 😌 😆 😁 😉 😜 😝 😀 😗 😙 😛 😴 😟 😦 😧 😮 😬 😕 😯 😑 😒 😅 😓 😥 😩 😔 😞 😖 😨 😰 😣 😢 😭 😂 😲 😱
RNN
Abstract
超声图像中的前列腺自动分割。
- 将边界转化为动态序列数据利用
RNN进行处理。 - 提出多视角融合策略。
- 植入
Auto-Context方案中。
Introduction
Methodology
解决方案总体框架如下图：
"多视角"下的多组数据送入本文提出的BCRNN，然后democratically merge 得到预测值，然后和原图整合再进行一轮…，三轮后得到最终结果。
Shape Inference with BCRNN
将超声图像由笛卡尔坐标系转换为图像中心周围的极坐标系统，生成序列化。如下图所示。
使用了双向LSTM，其中输入输出细节如下。
 |
 |
前后向lstm模块的输出结合进行预测。
Multiple Viewpoint Fusion
作者发现从不同的起始点序列化静态超声图像会导致形状预测略有不同，并将这种现象解释为，从不同的起始点进行序列化，可能会改变上下文相关的序列元素之间的相对距离，从而导致预测略有差异。
如图，第一种序列化方式保留了这三个片段之间的相对空间关系，而第二种方式破坏了片段间的连续性。由此便提出的"多视角融合"（选择从三个不同的角度对原始静态超声图像进行串行化）。
Multiscale Auto-Context for Refinement
 |
 |
Experimental Results
魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。
更多推荐
0
0- 0
已为社区贡献2条内容
所有评论(0)