分治体积CT图像5子器官第一,每一机体相关兴趣量提取为绑定盒获取卷作为第二步输入,应用两个维度不等U-Net架构重构器官分割为标签掩码工作焦点比较二维U-Nets对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二3DUNets对等整体而言,研究结果显示Dice提高最多6%关于计算时间,令我们惊讶的是,肝脏和肾分割由GPU存储2D-UNets快速实现对其他主要腹部器官没有显著差异,但对所有器官测试,我们观察到2DU-Net在GPU计算努力方面有极大优势。

管弦界U-Net网络架构学阿布杜门分割式3DCT图像

分治体积CT图像5子器官第一,每一机体相关兴趣量提取为绑定盒获取卷作为第二步输入,应用两个维度不等U-Net架构重构器官分割为标签掩码工作焦点比较二维U-Nets对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二维网络对二3DUNets对等整体而言,研究结果显示Dice提高最多6%关于计算时间,令我们惊讶的是,肝脏和肾分割由GPU存储2D-UNets快速实现对其他主要腹部器官没有显著差异,但对所有器官测试,我们观察到2DU-Net在GPU计算努力方面有极大优势。

管弦界U-Net网络架构学阿布杜门分割式3DCT图像

深入学习和人工智能领域稳步进展为医学研究开拓了前所未有的可能性然而,即使公众可访问数据库越来越多,3D病人器官模型即时自动分割仍然是一个尚未解决的挑战。人工分割轴心切片中的腹部器官是一项耗时任务,自动和JIT重构三维模型程序与外科规划和导航高度相关

历年来,各种卷积神经网络模型出现,其中一些在内存要求和计算功率保存方面大相径庭。2015年2DU-Net架构显示优异结果优于2D生物分离问题常规模型,并被发现对低分辨率图像有效[1]与前有线网模型形成对比的是,U-Net概念使用下向上采样步骤重拟压缩特征图与输入图像原型大小高分辨率特征信息插进每高采样步骤后,输入图像语义分割可以通过跳转连接高效实现2016年,生成U形架构扩展为3DU-Net版Ciceketal替换二维运算论文的主要焦点是探讨3DUNet是否真正更适合3D数据的问题

大数据研究并行分割成千三维体积图像需要高计算时间,因为处理节点子处理量有限3DUNet处理需要更高GPU计算和内存管理工作重点是以尽可能低的成本提出解决方案,同时保持或甚至提高分割质量我们方法的目标可归纳为三大简单步骤:

检测并应用U-Net应用局部子图像执行每一项任务(liver、neys、spleen、pancreas)。

执行语义分割时,我们比较两个U-Net架构质量和GPU性能

向感兴趣的阅读者推荐更合适的建筑模型 基础详解统计分析

使用图像数据库80次CT扫描并分解地面真象,2DUNet比复杂和理论上强3DUNet效果会更好回答问题

特别是在新兴领域即容培训并使用虚拟现实技术规划干预时,快速和精确三维分割结果至关重要[3-6]时差4DVR仿真吸气随时可用,用于肝针干预培训规划[7-11]一大障碍仍然是JIT和高质量重构所有3D模型,即腹部器官特别难分解这是因为成像条件不一,如对比剂管理、结构变异和噪声

文献中常建议3DU-Nets更强 [12-16]有一些研究强调二维U-Net三维分割任务的好处,例如[17-19]尼莫托等人发现二维U-Net低计算复杂性有效并等同3维U-Net分解肺部除气管和支气管[17]

长等人建议三维输入二维输入混合法评价脑部CT扫描出血[20].Ushinsky等应用此方法分割MRI图像前列腺显示二维U-Nets对三维数据非常有效Christ等提供二维U-Net应用片分肝并用三维随机字段类似地,Meine等3D2D和3Feded2DUNet剖面法(轴值、日志、剖面法)实现2.5D组合法[18]发现2.5DU-Net共性结果从统计学上优于肝分割,特别是有病态图像

最近的其他方法旨在合并多叠二维U-Nets并进一步改进信息流,通过不同构件间语义连接[22,23]类似概念还应用到结核聚分数和面部识别[24,25]等应用领域兹维特勒等最近显示,用合成片片扩展数据集可显著改善2DU-Net应用到少数培训数据集的结果,显示2D方法[26]的进一步潜力

关于二维U-Net搭建腹部器官肝脏、脾脏、肾脏和胰腺,我们更喜欢前确定的器官专用VIs内轴片训练高扫描投射可节省大量辐射量图像解析轴切片非常高这项工作中新方面包括对肝脏、脾脏、肾脏和胰腺等受调查器官采用特定器官VOI方法最后,为每个机构提供个性架构维度建议

培训测试U-Nets使用80CT扫描并贴上相应的标签图像,可在各种公共源码中查找除图像信息质量、噪声和视域差异外,患者专用量表示数也因切片数而异(64至861),病理损伤、切片宽度(1至5毫米)和对比剂使用

数据注解的主要问题是CTs中微弱对比泛色机体,而部分图像集中则不出现该机体,这些图像集由公共源相容强度和标签图像组成。处理它四目人工分割标签图中偶而缺失的结构然而,大多数器官参考分割很容易从公共数据源中获取。

为了确保公平处理数据,图像取向改为右前卫和零源数(0.0,0.0,0.0,0.0)。CNN无法自定义 voxel间距,2.03毫米异位图像重采为异频xz-距离折中法(xy++2mz++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

由两种不同的机器学习技术组成,即用随机回归森林检测框和用U-Net分割语义使用RRF检测CT数据中的器官VOI后,U-Net应用到VOI系统所含器官段

评估这项工作需要对应器官VOI绑定框的地面实情可以通过扫描引用分割图创建标签voxel坐标异常三维B矢量为每个器官创建时,我们在正交切片中迭代为每个坐标方向标签图(x,y,z)并存储六维B矢量的极端限值,该矢量函数为地面真象BBs

http://visceral.eu,

http://sliver07.org,

http://competitions.codalab.org/competitions/17094

VOI提取器官很容易检测器官合用物[27-29]步骤还解决扫描机Z方向FOV问题,因为CT扫描覆盖可变体部分现研究使用RRF学习VOI盒程序概述如下:

随机回归森林判定腹部器官位置和范围如图1所示,RRF培训步骤期望扫描和地面实战输入

三维VOIbc可使用 6D向量描述 ${\mathrm{b/}}_{\mathrm{C级}}=高山市{\mathrm{b/}}_{\mathrm{C级}}^{\mathrm{L级}\mathrm{e类}\mathrm{f级}\mathrm{t级}},{\mathrm{b/}}_{\mathrm{C级}}^{R一\mathrm{g级}h\mathrm{t级}},{\mathrm{b/}}_{\mathrm{C级}}^{\mathrm{A级}\mathrm{N级}\mathrm{t级}\mathrm{e类}R一\mathrm{欧市}R},{\mathrm{b/}}_{\mathrm{C级}}^{\mathrm{P级}\mathrm{欧市}\mathrm{s级}\mathrm{t级}\mathrm{e类}R一\mathrm{欧市}R},{\mathrm{b/}}_{\mathrm{C级}}^{\mathrm{H级}\mathrm{e类}\mathrm{a/}\mathrm{d级}},{\mathrm{b/}}_{\mathrm{C级}}^{\mathrm{F级}\mathrm{欧市}\mathrm{欧市}\mathrm{t级}})$带坐标mm[29]减少数据量并加速算法运行时间,扫描中只有分数分解用于绑定盒计算从扫描中心开始,我们计算离中心15毫米方位轴向位置,在中心周围组成子盒区域内所有 voxels都属于子集的一部分 用于培训应用算法

子集中每个voxel都配有特征和偏向量eq描述i偏向量vxel $\mathrm{公元前}=高山市{\mathrm{公元前}}_{{\mathrm{X级}}_{m一\mathrm{N级}}},{\mathrm{公元前}}_{{\mathrm{X级}}_{m\mathrm{a/}\mathrm{X级}}},{\mathrm{公元前}}_{{\mathrm{y市}}_{m一\mathrm{N级}}},{\mathrm{公元前}}_{{\mathrm{y市}}_{m\mathrm{a/}\mathrm{X级}}},{\mathrm{公元前}}_{{\mathrm{复元}}_{m一\mathrm{N级}}},{\mathrm{公元前}}_{{\mathrm{复元}}_{m\mathrm{a/}\mathrm{X级}}})$差差d(p,c)=p-b_C级

介于位置和位置间b/_C级方形六箱墙图2显示肾学示例原理

voxel特征矢量取自从扫描中位轴所指定的半径内 voxel生成的数个特征盒(r=5cm)。通过计算所有特征盒平均强度,目的是捕捉voxel周围的空间和强度上下文Eq.2描述特征vi计算

${\mathrm{V级}}_{一}=\frac{\mathrm{一号}}{\left|{\mathrm{F级}}_{\mathrm{公元前};一}\right|}\underset{\mathrm{q二维}\in {\mathrm{F级}}_{\mathrm{公元前};一}}{{\displaystyle \sum }}\mathrm{J大全}\left(\mathrm{q二维}\right).$

F级_p;i表示ith特征的特征框,q表示F内点_p;i和J(q)判定方位q特征框定义与当前 voxel相关与Criminisi等[29],我们只使用50个特征盒,分布平均分三大域(r=5cm,2.5cm,1.25cm)。输入特征矢量最终由特征框平均强度组成图3显示示例特征框,该特征框创建时与所选 voxel相关

第一步应用计划期间(图4左转)RRF将每个个体机体VOI定位为BB最后,检测到VOI信息重标96x96x96

二级中,如图4鸟视图所示,结果VOI传递到2D[1]或3DU-Net用于语义标签[2]

U-Net培训数据由专家分解和地面事实绑定框内分解组成,图6.4以图示显示VOIs后用局部从CT扫描提取强度和标签数据e-Net从强度数据获取VOI,而相应的标签数据则与输出连接微调二维和三维U-Net架构比Ronneberger等[1]

从图5可见,我们的架构由四步下上拉组成,可起分析和合成路径作用跳转对应级间连接允许在每个升级步骤中以高分辨率特征形式输入额外信息从96x96x96输入开始,每个降尺度由2x3x3相联并分小层避免超编每一步后加2x2x2最大集合层直至最后下调级阶梯上标路径中,每步由2x2x2转换卷积,后归结为连接输出跳转自相应的下标步上步后取1x1sigmoid激活函数提供最终分块结果3DU-Net添加层深度维值,而所有其他设计元素保持恒定

通过使用特定VOI绑定框中所含数据分割对应机体,结果输出为全目标机体局部分割图,概率范围0-100%除pancreas外所有器官的阈值选择为50%Pancreas 30%经验发现最佳

U-Nets培训批量8+100此外,还使用Adam优化和反星文损耗函数独立的U-Net使用ReLU激活函数为每个机体培训

允许公平比较时,我们使用相同的64个培训图像,供U-Net相交校验并使用16个测试以这种方式避免数据因单调训练测试集而受污染U-Net架构的唯一差异是输入层、输出层和滤波内核层的维度2DU-Nets输入输出维度为96x96和2D滤波内核应用层次三维U-Nets系统有96x96x96输入输出并应用三维卷积架构层

5倍随机交叉验证使用4:1拆分5迭代生成80质量计量法,供统计中使用的每个器官使用(表1)。即5个新模型对每个机体随机选择培训数据并用于分析图7显示训练测试数据划分专注U-Net维度的影响,参考VOIs用于评价本研究Dice相似性系数被用作分析的度量法:

$\mathrm{D级}\mathrm{S级}\mathrm{C级}=\frac{\mathrm{二叉}\left|\mathrm{U级}{{\displaystyle \cap }}^{\text{华府}}\mathrm{G级}\right|}{\left|\mathrm{U级}\right|+\left|\mathrm{G级}\right|}$

where,U是U-Net对象分割组的voxels和GDSC值为1表示完全分治,接近0值表示分治差从DSC结果中,我们计算方式和标准偏差、中值和Quartile-Ranges测量精度和精度统计分析配对T测试和Wilcoxon签名Rank测试使用GNU-R4.0.3最后,我们建议U-Net架构的维度基于精度,即大平均值或中值和精度,即小标准偏差或IQR小数异常并记住质量和GPU时间和存储器之间的关系

定性肝脏结果(图8)显示2DU-Net高端并拥有更多划区统一覆盖3DU-Net(底部)明显受分层不足影响,因为图8可见更多棕色地面实面关于表1,2DU-Net精度也较高,原因是std较低偏差和IQRs

关于肾脏结果,2DU-Net在T-和WSR测试中都大有改善图9中值小x小盒点确认二维U-Net对肝脏大有改善,对肾脏大有改善(图9a、10a、9b、10b)。

二维U-Net偏向优势,图9c、10c和表1显示

3DU-Net低调屏蔽精度和精度更高高精度表现为小标准偏差和表1和图9d和图10d下少离值3DU-Net趋势优于2DU-Net0.02,而IQR测量精度等值

GPU-Peration评价表2显示2DU-Net在本研究规模上优异80图像数据库质量对GPU资源之比总比2DU-Net更好表2GPU内存保存在培训阶段大于6倍和模型应用大于5倍,微值结果,因为没有变异,即无标准偏差和IQRGPU计算时间培训2DU-Net平均速度为40秒或7%,再次高平均效果U-Net模型应用中,我们可以观察到二维U-Net从37%到75%微值(p < 0.1)。

令人惊讶的是,二维U-Nets对质量比优计算成本

肝脏和脾脏在我们腹部器官群中积积最大量肝脏和肾脏竞赛由二维U-Net大获成功(p < 0.05)。肝脏易难器官 常以常态填充胃像邻里

肾脏可视之为易器官,用对比剂和低CT强度脂肪组织内点亮

改善二维U-Net培训可能是二维U-Nets提高肝脏和肾脏作业效果的原因使用较高相对数培训元素,即轴片像素净权数脾效果支持2DU-Net趋势平均值和中值2DUNet对少数异常值也有利(图9c)。

困难封口不提供对二维U-Net有用的多轴训练片,因为Z轴上长不突出假设这就是原因 原因和精度高平均值和低标准偏差和少离值数(图9d)。3DU-Net中值高精度支持胜算2DU-Net对GPU性能和内存问题用户仍然极有吸引力剖面体积图象和关键器官分割分析

这一新研究显示竞争U-Net架构的有趣结果, 特别是聚焦网滤波库内核和质量对数的不同维度GPU性能感兴趣的阅读器现在可以选择特定的U-Net架构,主要是使用计算廉价设计最后,在本研究范围中,三维U-Net小小推荐可按趋势提高精度并仅按小标准偏差IQRs替代精度测量均值,3DU-Net中值通过小趋势取胜3DU-Net需要更多培训数据可能超速2DU-Nets

训练量归为方块或立方块96voxels,表2GPU内存耗量不变因此,差异微乎其微,因为没有产生各种结果持续低存储量二维U-Nets内存训练高3DU-Net,包括更多行政管理数据空间2DU-Nets可运行2-4GBGPUs3DCT容量分割三维U-Net目前绝对需要12GBGPU

表2定时计数清晰表示二维U-Net高度培训40秒或平均快7%使用2DU-Net关于应用问题,在经过培训模型预测中,差差不那么惊人,中值微值37%至75%的改善是可以实现的,但范围一秒,这实际上无关紧要。

关于我们研究设计与结果的最后大胆结论,我们可以推荐使用3DU-Net由统计意义或趋势质量和GPU计算所有研究器官性能结果证明这些结论有理三维U-Nets使用数以百计培训图像时可能在质量上克服问题然而,这大约伴生量级提高附加计算重负

首次向读者提供U-Net架构方面原创重要比较,聚焦肝脏、脾脏、肾脏和胰腺等关键腹部器官阅读器可判定哪种方法适合他的具体目标机体、培训量数据并使用GPU或集群节点、并行进程设计等地图集使用多级集成[18]

关于困难封口加混合DSC结果本研究,我们计划用延时优化算法培训2DUNets,以提供切片偏向主中心曲线,以更好地反映方向为2DUNets制作更多培训切片[30,31,11]另一方面,更多的培训图像将用于探索3DU-Net的理论优势,如我们讨论的那样,条件更好,用于培训和应用

U-Net方法的科学解释举起这些方法比较

当前研究的局限性将表现为未来改善开发覆盖改进绑定盒检测当前RRF绑定盒检测会混淆论文核心信息, 目的是完全聚焦U-Net性能

德国研究基金会:DFG Ma 6791/1-