Data augmentation using learned transformations for one-shot medical image segmentation-论文详解

本文主要是介绍Data augmentation using learned transformations for one-shot medical image segmentation-论文详解,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

这是一篇CVPR2019的论文,主要是做Magnetic resonance imaging(MRI)医学图像的分割(segmentation)。

MRI

磁共振成像MRI)是一种用于放射学中的医学成像技术,用于形成人体解剖结构和生理过程的图片。MRI扫描仪使用强磁场,磁场梯度和无线电波来生成体内器官的图像。MRI不涉及X射线或使用电离辐射,这与CT或CAT扫描以及PET扫描不同。磁共振成像是一种医学上的应用的核磁共振(NMR)。NMR也可用于其他NMR应用(例如NMR光谱)中的成像

虽然现在在大多数医学环境中都可以很好地控制X射线的危害,但MRI扫描仍可能比CT扫描更好。MRI在医院和诊所中广泛用于医疗诊断,疾病分期和随访,而无需将身体暴露于放射线下。与CT相比,MRI可能会产生不同的信息。风险和不适可能与MRI扫描有关。与CT扫描相比,MRI扫描通常需要更长的时间并且声音更大,并且通常需要对象进入狭窄的封闭管中。此外,体内装有某些医疗植入物或其他不可移动金属的人可能无法安全地进行MRI检查。

MRI最初称为NMRI(核磁共振成像),但为了避免负关联而放弃了“核”。[1]当置于外部磁场中时,某些原子核能够吸收和发射射频能量。在临床和研究MRI中,氢原子最常用于生成可检测到的射频信号,该信号被靠近要检查的解剖结构的天线接收。氢原子在人和其他生物有机体中自然丰富,尤其是在水和脂肪中。由于这个原因,大多数MRI扫描本质上都绘制了体内水和脂肪的位置图。无线电波脉冲激发核自旋能量跃迁和磁场梯度将信号定位在空间中。通过改变脉冲序列的参数,可以基于组织中氢原子的弛豫特性在组织之间产生不同的对比度。

image segmentation

图像分割为一个分区的过程的数字图像分成多个段(集的像素,也被称为图像对象)。分割的目的是将图像的表示简化和/或更改为更有意义且更易于分析的图像。[1] [2]图像分割通常用于在图像中定位对象和边界(线,曲线等)。更准确地说,图像分割是为图像中的每个像素分配标签,以使具有相同标签的像素共享某些特征的过程。

图像分割的结果是一组集体覆盖整个图像的片段,或者是从图像中提取的轮廓集(请参见边缘检测)。区域中的每个像素在某些特征或计算的属性(例如颜色,强度或纹理)方面都相似。相邻区域在相同特征方面存在显着差异。[1] 当应用于医学成像中典型的一叠图像时,图像分割后得到的轮廓可借助诸如Marching cubes之类的插值算法用于创建3D重建。

这篇文章要解决的问题是:由于利用MRI数据进行训练的过程中需要进行手动的标注数据,因此作者希望仅仅利用一个区域标注的数据来生成其他未标注的数据和标签。

 

\large $$ \tau_{s}^{(i)}(x)=x \circ \phi^{(i)}, \quad \phi=g_{\theta_{s}}\left(x, y^{(i)}\right) $$

\large $$ \tau_{a}^{(i)}(x)=x+\psi^{(i)}, \quad \psi^{(i)}=h_{\theta_{\alpha}}\left(x, y^{(i)} \circ \phi^{-1}(i)\right) $$

其中的x 就是带标签的MRI原始数据, y就是未被标注的MRI数据。\large $\phi$ 是Spatial deformation function,主要是进行空间转换, \large $\psi^{(i)}$ 是per-voxel volume 的计算,也就是对区域的灰度计算的函数。

\large $\tau_{s}^{(i)}(x)$ 形式化表述为 :x 经过了Spatial transformation。

 \large $\tau_{a}^{(i)}(x)$形式化表述为:X 经过了appearance transformation。

通俗的理解就是:Spatial transformation 就是对空间的变换, appearance transformation:是对像素灰度的变换。当然这里面的变换都是在三维的。

下面是整个的模型架构图:

最后整个的loss:

\large ${\mathcal{L}_{\alpha}\left(x, y^{(i)}, \phi^{(i)}, \phi^{-1(i)}, \psi^{(i)}, c_{\alpha}\right)}{=\mathcal{L}_{s i m}\left(\left(x+\psi^{(i)}\right) \circ \phi^{(i)}, y^{(i)}\right)+\lambda_{\alpha} \mathcal{L}_{s m o o t h}\left(c_{\alpha}, \psi^{(i)}\right)}$

其中第一项:\large $\mathcal{L}_{\operatorname{sim}}\left(\left(x+\psi^{(i)}\right) \circ \phi^{(i)}, y^{(i)}\right)$ 表示的是x经过变换后和y(未标注的)的相似度的损失。

注意:这里面的spatial transformation 和 appearance transformation 都是x和y共同训练所得到的。因此x 变换肯定接近于y的结构。

第二项:\large $\mathcal{L}_{s m o o t h}\left(c_{\alpha}, \psi\right)=\left(1-c_{\alpha}\right) \nabla \psi$ 其中的\large c_a是带标注的二值图像,一旦图片确定,这个是一个确定值,因此我们需要最小化\large $\nabla \psi$,这个表现为图像在变化的过程之中要保持平滑,避免图像的剧烈变化。

最后生成的就是带标签的MRI 数据。 

                                                                                    \large $$ \hat{y}^{(i, j)}=\tau_{s}^{(i)}\left(\tau_{a}^{(j)}(x)\right) $$

                                                                                    \large $$ \hat{l}_{y}^{(i, j)}=\tau_{s}^{(i)}\left(l_{x}\right) $$

利用这个数据可以进行image segmentation 的训练。

 

Experiment

                                                          

             

 

可以看到,从各种指标中论文的方法都取得了不错的成绩,最后的实际实验中也与ground truth最接近。

论文连接:论文

 

这篇关于Data augmentation using learned transformations for one-shot medical image segmentation-论文详解的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/911987

相关文章

springboot security快速使用示例详解

《springbootsecurity快速使用示例详解》:本文主要介绍springbootsecurity快速使用示例,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝... 目录创www.chinasem.cn建spring boot项目生成脚手架配置依赖接口示例代码项目结构启用s

Python中随机休眠技术原理与应用详解

《Python中随机休眠技术原理与应用详解》在编程中,让程序暂停执行特定时间是常见需求,当需要引入不确定性时,随机休眠就成为关键技巧,下面我们就来看看Python中随机休眠技术的具体实现与应用吧... 目录引言一、实现原理与基础方法1.1 核心函数解析1.2 基础实现模板1.3 整数版实现二、典型应用场景2

一文详解SpringBoot响应压缩功能的配置与优化

《一文详解SpringBoot响应压缩功能的配置与优化》SpringBoot的响应压缩功能基于智能协商机制,需同时满足很多条件,本文主要为大家详细介绍了SpringBoot响应压缩功能的配置与优化,需... 目录一、核心工作机制1.1 自动协商触发条件1.2 压缩处理流程二、配置方案详解2.1 基础YAML

Python实现无痛修改第三方库源码的方法详解

《Python实现无痛修改第三方库源码的方法详解》很多时候,我们下载的第三方库是不会有需求不满足的情况,但也有极少的情况,第三方库没有兼顾到需求,本文将介绍几个修改源码的操作,大家可以根据需求进行选择... 目录需求不符合模拟示例 1. 修改源文件2. 继承修改3. 猴子补丁4. 追踪局部变量需求不符合很

java中反射(Reflection)机制举例详解

《java中反射(Reflection)机制举例详解》Java中的反射机制是指Java程序在运行期间可以获取到一个对象的全部信息,:本文主要介绍java中反射(Reflection)机制的相关资料... 目录一、什么是反射?二、反射的用途三、获取Class对象四、Class类型的对象使用场景1五、Class

golang 日志log与logrus示例详解

《golang日志log与logrus示例详解》log是Go语言标准库中一个简单的日志库,本文给大家介绍golang日志log与logrus示例详解,感兴趣的朋友一起看看吧... 目录一、Go 标准库 log 详解1. 功能特点2. 常用函数3. 示例代码4. 优势和局限二、第三方库 logrus 详解1.

一文详解如何从零构建Spring Boot Starter并实现整合

《一文详解如何从零构建SpringBootStarter并实现整合》SpringBoot是一个开源的Java基础框架,用于创建独立、生产级的基于Spring框架的应用程序,:本文主要介绍如何从... 目录一、Spring Boot Starter的核心价值二、Starter项目创建全流程2.1 项目初始化(

Spring Boot3虚拟线程的使用步骤详解

《SpringBoot3虚拟线程的使用步骤详解》虚拟线程是Java19中引入的一个新特性,旨在通过简化线程管理来提升应用程序的并发性能,:本文主要介绍SpringBoot3虚拟线程的使用步骤,... 目录问题根源分析解决方案验证验证实验实验1:未启用keep-alive实验2:启用keep-alive扩展建

Java异常架构Exception(异常)详解

《Java异常架构Exception(异常)详解》:本文主要介绍Java异常架构Exception(异常),具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录1. Exception 类的概述Exception的分类2. 受检异常(Checked Exception)

C#基础之委托详解(Delegate)

《C#基础之委托详解(Delegate)》:本文主要介绍C#基础之委托(Delegate),具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录1. 委托定义2. 委托实例化3. 多播委托(Multicast Delegates)4. 委托的用途事件处理回调函数LINQ