基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
目的 海马体积很小,对比度极低,传统标记融合方法选用手工设计的特征模型,难以提取出适应性好、判别性强的特征.近年来,深度学习方法取得了极大成功,基于深度网络的方法已应用于医学图像分割中,但海马结构复杂,子区较多且体积差别较大,特别是CA2和CA3子区体积极小,常见的深度网络无法准确分割海马子区.为了解决这些问题,提出一种结合多尺度输入和串行处理神经网络的海马子区分割方法.方法 针对海马中体积差距较大的子区,设计两种不同的网络,结合多种尺度图像块信息,为小子区建立类别数量均衡的训练集,避免网络被极端化训练,最后,采用串行标记的方式对海马子区进行分割.结果 在Tail,SUB和PHG子区上的准确率达到了0.865,0.81,0.773,较现有的多图谱子区分割方法有较大提高,并且将体积较小子区CA2,CA3上的准确率分别提高了6%和9%.结论 该算法将基于卷积神经网络的分类方法引入到标记融合阶段,根据海马子区特殊的灰度及结构特点,设计两种针对性网络,实验证明,该算法能提取出适应性好、判别性强的特征,提高了分割准确率.
推荐文章
基于卷积神经网络改进的图像自动分割方法
图像分割
卷积神经网络
多尺度特征融合
残差连接
三维重建
结合卷积神经网络和超像素聚类的细胞图像分割方法
细胞分割
卷积神经网络
超像素聚类
染色校正
乳腺细胞图像
基于U-Net卷积神经网络的轮毂缺陷分割
轮毂缺陷分割
自动分割
深度学习
神经网络
深度卷积神经网络在放射治疗计划图像分割中的应用
深度学习
卷积神经网络
医学影像分割
相似度系数
放射治疗
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 串行处理卷积神经网络的海马子区分割
来源期刊 中国图象图形学报 学科 工学
关键词 海马子区分割 多尺度 卷积神经网络 串行分割 多图谱
年,卷(期) 2018,(1) 所属期刊栏目 医学图像处理
研究方向 页码范围 74-83
页数 10页 分类号 TP391
字数 6090字 语种 中文
DOI 10.11834/jig.170334
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 刘志文 北京理工大学信息与电子学院 104 745 15.0 21.0
2 时永刚 北京理工大学信息与电子学院 16 113 7.0 9.0
3 郝华胤 北京理工大学信息与电子学院 1 4 1.0 1.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (16)
共引文献  (6)
参考文献  (12)
节点文献
引证文献  (4)
同被引文献  (9)
二级引证文献  (1)
1999(1)
  • 参考文献(0)
  • 二级参考文献(1)
2006(2)
  • 参考文献(0)
  • 二级参考文献(2)
2007(1)
  • 参考文献(0)
  • 二级参考文献(1)
2010(2)
  • 参考文献(1)
  • 二级参考文献(1)
2011(3)
  • 参考文献(1)
  • 二级参考文献(2)
2012(2)
  • 参考文献(0)
  • 二级参考文献(2)
2013(5)
  • 参考文献(2)
  • 二级参考文献(3)
2014(1)
  • 参考文献(0)
  • 二级参考文献(1)
2015(6)
  • 参考文献(3)
  • 二级参考文献(3)
2016(2)
  • 参考文献(2)
  • 二级参考文献(0)
2017(3)
  • 参考文献(3)
  • 二级参考文献(0)
2018(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2019(3)
  • 引证文献(3)
  • 二级引证文献(0)
2020(2)
  • 引证文献(1)
  • 二级引证文献(1)
研究主题发展历程
节点文献
海马子区分割
多尺度
卷积神经网络
串行分割
多图谱
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
中国图象图形学报
月刊
1006-8961
11-3758/TB
大16开
北京9718信箱
82-831
1996
chi
出版文献量(篇)
5906
总下载数(次)
17
总被引数(次)
131816
  • 期刊分类
  • 期刊(年)
  • 期刊(期)
  • 期刊推荐
论文1v1指导