基于深度卷积神经网络的图像分割

基于多级深度卷积网络的胰腺自动分割

摘要：器官自动分割是医学图像分析的一个重要而具有挑战性的问题。胰腺是腹部具有非常高的解剖变异性的器官。 用之前肝肾脏或者心脏的分割方法很难达到很高的精确度。在本文中，我们提出了一个用多级卷积网络基于概率的自下而上的方法对腹部CT图像的胰腺进行自动分割。我们提出并评估几个深度卷积网络在分层上的变异，在图像块和区域上的粗到细的分类器例如超像素。首先我们通过(P-ConvNet)卷积网络和近邻融合方法呈现出一个局部图像块的密集标签。然后我们描述一个局部卷积网络（R1-ConvNets）即在不同规模的缩小的区域中的围绕每一个图像超像素采集一系列边界框。（我们的卷积网络学会为每个胰腺的超像素区域分配类概率）。最后，我们利用CT强度的连接空间和P-ConvNet密度概率图学习一个堆叠的R2-ConvNets。3D的高斯去噪和2D的条件随机场用来后处理的预测。我们用4倍交叉验证评价82个病人的CT图像。我们实现了戴斯相似系数在训练时83.6±6.3%在测试时71.8±10.7%。 1、引言

胰腺的分割是计算机辅助诊断系统(CADx)的前提提供了器官单元的量化分析，例如糖尿病患者。精确分割对于计算机辅助诊断发现胰腺癌也是

基于多级深度卷积网络的胰腺自动分割

摘要：器官自动分割是医学图像分析的一个重要而具有挑战性的问题。胰腺是腹部具有非常高的解剖变异性的器官。 用之前肝肾脏或者心脏的分割方法很难达到很高的精确度。在本文中，我们提出了一个用多级卷积网络基于概率的自下而上的方法对腹部CT图像的胰腺进行自动分割。我们提出并评估几个深度卷积网络在分层上的变异，在图像块和区域上的粗到细的分类器例如超像素。首先我们通过(P-ConvNet)卷积网络和近邻融合方法呈现出一个局部图像块的密集标签。然后我们描述一个局部卷积网络（R1-ConvNets）即在不同规模的缩小的区域中的围绕每一个图像超像素采集一系列边界框。（我们的卷积网络学会为每个胰腺的超像素区域分配类概率）。最后，我们利用CT强度的连接空间和P-ConvNet密度概率图学习一个堆叠的R2-ConvNets。3D的高斯去噪和2D的条件随机场用来后处理的预测。我们用4倍交叉验证评价82个病人的CT图像。我们实现了戴斯相似系数在训练时83.6±6.3%在测试时71.8±10.7%。 1、引言

胰腺的分割是计算机辅助诊断系统(CADx)的前提提供了器官单元的量化分析，例如糖尿病患者。精确分割对于计算机辅助诊断发现胰腺癌也是

1对深度学习的国内外研究现状值得一看；2讲了神经网络和卷积神经网络的基础知识；3深度学习在车标上的应用基于卷积神经网络的深度学习算法与应用研究摘要深度学习（ＤＬ，ＤｅｅｐＬｅａｒｎｉｎｇ）是计算机科学机器学习（ＭＬ，ＭａｃｈｉｎｅＬｅａｒｎｉｎｇ）领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标一人工智能（ＡＩ，ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ）。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。它在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。将深度学习与各种实际应用研究相结合也是一项很重要的工作。本文整理和总结了国内外关于深度学习的发展历程和最新的研究成果，对人工神经网络及经典的卷积神经网络所涉及到

计算机研究与发展ＤＯＩ：１０．７５４４／ｉｓｓｎｌ０００

ＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏｐｍｅｎｔ

１２３９．２０１４．２０１４０２６６

１９００，２０１４

５１（９）：１８９１

基于卷积神经网络的正则化方法

吕国豪

罗四维

黄雅平蒋欣兰

北京

１０００４４）

（北京交通大学交通数据分析与挖掘北京市重点实验室（１ｖｇｕｏｈａｏ＠ｂｊｔｕ．ｅｄｕ．ｃｎ）

ＡＮｏｖｅｌＲｅｇｕｌａｒｉｚａｔｉｏｎ

Ｍｅｔｈｏｄ

ａ

ａ

Ｂａｓｅｄ

ｏｎ

ＣｏｎｖｏｌｕｔｉｏｎＮｅｕｒａｌＮｅｔｗｏｒｋ

ＬｎＧｕｏｈａｏ，ＬｕｏＳｉｗｅｉ。ＨｕａｎｇＹ耐

Ｘ．¨ｄａｍ

诧ｇ

，

（ＢｅｉｊｉｎｇＫｅｙ

Ｌａｂｏｒａｔｏｒｙ

ｏｆＴｒａｆｆｉｃ

Ｄ以

嗜ｍ，以≯｜Ⅲｎ㈨盯ｄ曙Ｍ

ｉｓ

●Ｂｅ

ｇ

∞＿宝

ｇ

Ｕｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１０００４４）

ｉｎｖｅｒｓｅ

Ａｂｓｔｒａｃｔ

Ｒｅｇｕｌａｒｉｚａｔｉｏｎ

ｍｅｔｈｏｄ

ｗｉｄｅｌｙ

ｕｓｅｄｉｎ

ｓｏｌｖｉｎｇ

ｔｈｅ

ｐｒｏｂｌｅｍ．Ａｎ

ａｃｃｕｒａｔｅ

ｒｅｇｕｌａｒｉｚａｔｉｏｎｍｏｄｅｌ

ｐｌａｙｓｔｈｅｍｏｓｔ

ｉｍｐｏｒｔａｎｔｐａｒｔｉｎｓｏｌｖｉｎｇｔｈｅｉｎｖｅｒｓｅ

ｐｒｏｂｌｅｍ．Ｔｈｅｅｎｅｒｇｙ

ｃｏｎｓｔｒａｉｎｔｓ

生物图像分割的卷积网络U-Net: Convolutional Networks for Biomedical Image SegmentationOlaf Ronneberger, Philipp Fischer, and Thomas Brox Computer Science Department and BIOSS Centre for Biological Signalling Studies,University of Freiburg, Germany

周东浩

浩

论文的优势深度网络的成功训练需要大量的样本 本论文中使用数据增长策略来提高数据的利用率 包含一个收缩路径来捕捉内容 包含一个扩张路径来实现精准定位 两个路径是对称的，形成一个u形，我们称这种方法 是u-net

优点：使用的样本少，速度快，效果更好 (对比滑窗卷积网络)

Company Logo

滑窗法的原理：滑窗法是将一个像素的局部区域作为 输入来预测像素的类标签 优点：①能够定位 ②局部区域法输入的训练数据比训练图像数目 大得多 缺点：①很慢，因为网络要为每个块运行，重叠的块 导致冗余信息很多 ②定位和获得图像信息不能兼得

Company Logo

u-net

Com

维普资讯 http://www.77cn.com.cn

印 l卷 8

20 0 8年 7月

第 7期

计算机技术与发展C OM PUTER TECHNOL OGY AND DEVELOPMENT

V0 . 8 No 7 11 .

J1 2 0 u. 0 8

基于微粒群算法和脉冲耦合神经网络的图像分割算法卢桂馥刘金飞2王勇，易文，,窦(. 1安徽工程科技学院计算机科学与工程系，安徽芜湖 2 10; 4 002 .芜湖天创技术创新服务有限公司，徽芜湖 210 )安 400摘要：冲耦合神经网络 (u e ol erl e okP N在图像处理中得到了十分广泛的应用，脉 P l C u dN u N t r,C N) s e a w但是其多个参数的

设置给实际应用造成很大的困难。尤其是在图像分割中，同类型的图像要求不同的分割参数，同的参数对图像分割不不的结果影响很大。而微粒群优化算法 (at￣S r pi ztn P 0具有对参数自动寻优的优势， Prc wa O t ao,S ) i m mi i为此， P O和 P .将 S CN N相结合，以改进的最大熵函数为适应度函数，出了一种基于 P O和 P N算法的图像自动分割算法。实验仿真结提 S CN

果验证了该

卷积神经网络CNN代码解析

deepLearnToolbox-master是一个深度学习matlab包，里面含有很多机器学习算法，如卷积神经网络CNN，深度信念网络DBN，自动编码AutoEncoder（堆栈SAE，卷积CAE）的作者是 Rasmus Berg Palm

代码下载：https://http://www.77cn.com.cn/rasmusbergpalm/DeepLearnToolbox

这里我们介绍deepLearnToolbox-master中的CNN部分。

DeepLearnToolbox-master中CNN内的 函数：

调用关系为：

该模型使用了mnist的数字mnist_uint8.mat作为训练样本，作为cnn的一个使用样例， 每个样本特征为一个28*28=的向量。

网络结构为：

让我们来看看各个函数：

一、Test_example_CNN: .................................................................................................................................................

cnnexamples.m

[plain] view plaincopy

1. clear all; close all; clc; 2. addpath('../data'); 3. addpath('../util'); 4. load mnist_uint8; 5.

6. train_x = double(reshape(train_x',28,28,60000))/255; 7. test_x = double(reshape(test_x',28,28,10000))/255; 8. train_y = double(train_y'); 9. test_y = double(test_y'); 10.

11. %% ex1

12. %will run 1 epoch in about 200 second and get around 11% error. 13. %With 100 epochs you'll get around 1.2% error 14.

15. cnn.layers = {

16. struct('type', 'i') %in

cnnexamples.m

[plain] view plaincopy

1. clear all; close all; clc; 2. addpath('../data'); 3. addpath('../util'); 4. load mnist_uint8; 5.

6. train_x = double(reshape(train_x',28,28,60000))/255; 7. test_x = double(reshape(test_x',28,28,10000))/255; 8. train_y = double(train_y'); 9. test_y = double(test_y'); 10.

11. %% ex1

12. %will run 1 epoch in about 200 second and get around 11% error. 13. %With 100 epochs you'll get around 1.2% error 14.

15. cnn.layers = {

16. struct('type', 'i') %in

随着社会的不断发展,人们的身份信息在生产生活中显得越来越重要。人脸识别技术不仅是计算机视觉研究的热点,而且在安保、金融、电子政务等多个领域得到了广泛应用。本文中主要是研究了深度学习方法中卷积神经网络的模型在自然场景下人脸识别的相关应用。与传统的人脸识别的方法相比深度

万方数据

随着社会的不断发展,人们的身份信息在生产生活中显得越来越重要。人脸识别技术不仅是计算机视觉研究的热点,而且在安保、金融、电子政务等多个领域得到了广泛应用。本文中主要是研究了深度学习方法中卷积神经网络的模型在自然场景下人脸识别的相关应用。与传统的人脸识别的方法相比深度

万方数据

随着社会的不断发展,人们的身份信息在生产生活中显得越来越重要。人脸识别技术不仅是计算机视觉研究的热点,而且在安保、金融、电子政务等多个领域得到了广泛应用。本文中主要是研究了深度学习方法中卷积神经网络的模型在自然场景下人脸识别的相关应用。与传统的人脸识别的方法相比深度

万方数据

随着社会的不断发展,人们的身份信息在生产生活中显得越来越重要。人脸识别技术不仅是计算机视觉研究的热点,而且在安保、金融、电子政务等多个领域得到了广泛应用。本文中主要是研究了深度学习方法中卷积神经网络的模型在自然场景下人脸识别的相关应用。