1. Trang chủ
  2. » Luận Văn - Báo Cáo

Phân đoạn ảnh tuyến tụy bằng phương pháp học sâu

46 17 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 46
Dung lượng 2,13 MB

Nội dung

Ngày đăng: 25/01/2021, 23:31

Nguồn tham khảo

Tài liệu tham khảo Loại Chi tiết
[1] Zheng Y, Barbu A, Georgescu B, Scheuering M, Comaniciu D “Four-chamber heart modeling and automatic segmentation for 3d cardiac CT volumes using marginal space learning and steerable features”. IEEE Trans Med Imaging 27(11):1668–1681, 2008 Sách, tạp chí
Tiêu đề: Four-chamber heart modeling and automatic segmentation for 3d cardiac CT volumes using marginal space learning and steerable features
[2] Moghbel, Mehrdad et al. “Automatic liver segmentation on Computed Tomography using random walkers for treatment planning.” EXCLI journal vol. 15 500-517, 2016 Sách, tạp chí
Tiêu đề: Automatic liver segmentation on Computed Tomography using random walkers for treatment planning
[3] R. Wolz, C. Chu, K. Misawa, M. Fujiwara, K. Mori and D. Rueckert, "Automated Abdominal Multi-Organ Segmentation With Subject-Specific Atlas Generation," in IEEE Transactions on Medical Imaging, vol. 32, no. 9, pp. 1723-1730, 2013 Sách, tạp chí
Tiêu đề: Automated Abdominal Multi-Organ Segmentation With Subject-Specific Atlas Generation
[4] Chu C. et al., “Multi-organ Segmentation Based on Spatially-Divided Probabilistic Atlas from 3D Abdominal CT Images”. In: Mori K., Sakuma I., Sato Y., Barillot C., Navab N. (eds) Medical Image Computing and Computer- Assisted Intervention – MICCAI 2013. MICCAI 2013. Lecture Notes in Computer Science, vol 8150. Springer, Berlin, Heidelberg, 2013 Sách, tạp chí
Tiêu đề: Multi-organ Segmentation Based on Spatially-Divided Probabilistic Atlas from 3D Abdominal CT Images
[5] Wang Z. et al., “Geodesic Patch-Based Segmentation”. In: Golland P., Hata N., Barillot C., Hornegger J., Howe R. (eds), Medical Image Computing and Computer-Assisted Intervention – MICCAI 2014. MICCAI 2014. Lecture Notes in Computer Science, vol 8673. Springer, Cham, 2014 Sách, tạp chí
Tiêu đề: Geodesic Patch-Based Segmentation
[6] A. Lucchi, K. Smith, R. Achanta, G. Knott and P. Fua, "Supervoxel-Based Segmentation of Mitochondria in EM Image Stacks With Learned Shape Features," in IEEE Transactions on Medical Imaging, vol. 31, no. 2, pp.474-486, Feb. 2012 Sách, tạp chí
Tiêu đề: Supervoxel-Based Segmentation of Mitochondria in EM Image Stacks With Learned Shape Features
[8] ShimizuA, KimotoT, KobatakeH, NawanoS, ShinozakiK, “Automated pancreas segmentation from three-dimensional contrast-enhanced computed tomography”. Int J Comput Assist Radiol Surg 5(1):85–98, 2010 Sách, tạp chí
Tiêu đề: Automated pancreas segmentation from three-dimensional contrast-enhanced computed tomography
[9] OkadaT, Linguraru M, YoshidaY, Hor M, Summers R, Chen Y, Tomiyama N, Sato Y, “Abdominal multi-organ segmentation of CT images based on hierarchical spatial modeling of organ interrelations. In: Abdominal imaging - computational and clinical applications”, pp 173–180, 2012 Sách, tạp chí
Tiêu đề: Abdominal multi-organ segmentation of CT images based on hierarchical spatial modeling of organ interrelations. In: Abdominal imaging - computational and clinical applications
[10] Lu L, Barbu A, Wolf M, Liang J, Bogoni L, Salganicoff M, Comaniciu D, “Simultaneous detection and registration for ileo-cecal valve detection in 3d CT colonography”. In: European conference on computer vision. Springer, Berlin, pp 465–478, 2008 Sách, tạp chí
Tiêu đề: Simultaneous detection and registration for ileo-cecal valve detection in 3d CT colonography
[11] Lu L, Devarakota P, Vikal S, Wu D, Zheng Y, Wolf M, “Computer aided diagnosis using multilevel image features on large-scale evaluation”. In:Medical computer vision-MICCAI. Springer, Berlin, pp 161–174, 2013 Sách, tạp chí
Tiêu đề: Computer aided diagnosis using multilevel image features on large-scale evaluation
[12] R. Achanta, A. Shaji, K. Smith, A. Lucchi, P. Fua and S. Süsstrunk, "SLIC Superpixels Compared to State-of-the-Art Superpixel Methods," in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 34, no. 11, pp. 2274-2282, 2012 Sách, tạp chí
Tiêu đề: SLIC Superpixels Compared to State-of-the-Art Superpixel Methods
[15] Thada, Vikas and Vivek Jaglan. “Comparison of Jaccard , Dice , Cosine Similarity Coefficient To Find Best Fitness.” (2013) Sách, tạp chí
Tiêu đề: Comparison of Jaccard , Dice , Cosine Similarity Coefficient To Find Best Fitness
[21] Wang Z, Bhatia K, Glocker B, Marvao A, Dawes T, Misawa K, Mori K, Rueckert D "Geodesic patch-based segmentation". In: MICCAI, vol 1, pp 666–673, 2014 Sách, tạp chí
Tiêu đề: Geodesic patch-based segmentation
[22] Farag A., Lu L., Roth H.R., Liu J., Turkbey E., Summers R.M. “Automatic Pancreas Segmentation Using Coarse-to-Fine Superpixel Labeling”. In: Lu L., Zheng Y., Carneiro G., Yang L. (eds) Deep Learning and Convolutional Neural Networks for Medical Image Computing. Advances in Computer Vision and Pattern Recognition.Springer, Cham, 2017 Sách, tạp chí
Tiêu đề: Automatic Pancreas Segmentation Using Coarse-to-Fine Superpixel Labeling
[16] Vedaldi A, Fulkerson B VLFeat: an open and portable library of computer vision algorithms, 2008, http://www.vlfeat.org/, 2019/05/31 Link
[17] Mildenberger, P., Eichelberg, M. & Martin, E. Eur Radiol 12: 920. https://doi.org/10.1007/s003300101100, 2002 Link
[7] L. L. Dijia Wu, N. Lay, D. Liu, I. Nogues and R. M. Summers, "Accurate 3D bone segmentation in challenging CT images: Bottom-up parsing and Khác
[20] Lowe D Distinctive image features from scale-invariant keypoints. Int J Comput Vis 60(2):91–110, 2004 Khác

HÌNH ẢNH LIÊN QUAN

DANH MỤC BẢNG BIỂU - Phân đoạn ảnh tuyến tụy bằng phương pháp học sâu
DANH MỤC BẢNG BIỂU (Trang 8)
Chụp cắt lớp vi tính (Computed Tomography) là một phương pháp chụp hình X-quang. Máy CT chạy vòng quanh thân thể bệnh nhân, phát sóng X-quang, sau đó dựa vào độ hấp thụ năng lượng tia X của các thành phần cấu trúc khác nhau trong cơ thể để dựng lại hình - Phân đoạn ảnh tuyến tụy bằng phương pháp học sâu
h ụp cắt lớp vi tính (Computed Tomography) là một phương pháp chụp hình X-quang. Máy CT chạy vòng quanh thân thể bệnh nhân, phát sóng X-quang, sau đó dựa vào độ hấp thụ năng lượng tia X của các thành phần cấu trúc khác nhau trong cơ thể để dựng lại hình (Trang 16)
Hình 2.2 Thông tin các điểm ảnh được rút ra từ một tập tin trong Tập ảnh Pancreas-CT của National Institutes of Health Clinical Center [13] - Phân đoạn ảnh tuyến tụy bằng phương pháp học sâu
Hình 2.2 Thông tin các điểm ảnh được rút ra từ một tập tin trong Tập ảnh Pancreas-CT của National Institutes of Health Clinical Center [13] (Trang 17)
Hình 2.3 Các thông tin cơ bản của một tập tin ảnh DICOM được lấy ra từ Tập ảnh Pancreas-CT của National Institutes of Health Clinical Center [13] - Phân đoạn ảnh tuyến tụy bằng phương pháp học sâu
Hình 2.3 Các thông tin cơ bản của một tập tin ảnh DICOM được lấy ra từ Tập ảnh Pancreas-CT của National Institutes of Health Clinical Center [13] (Trang 18)
Bảng 2.1 Các chỉ số dương tính đúng (TP), dương tính sai (FP), âm tính đúng (TN) và âm tính sai (FN) - Phân đoạn ảnh tuyến tụy bằng phương pháp học sâu
Bảng 2.1 Các chỉ số dương tính đúng (TP), dương tính sai (FP), âm tính đúng (TN) và âm tính sai (FN) (Trang 21)
Hình 3.1 Minh họa quá trình phân đoạn một ảnh 2D: - Phân đoạn ảnh tuyến tụy bằng phương pháp học sâu
Hình 3.1 Minh họa quá trình phân đoạn một ảnh 2D: (Trang 24)
mô hình rút trích đặc trưng và phân lớp với kiến trúc đa tầng sẽ được triển khai nhằm tìm ra tuyến tụy - Phân đoạn ảnh tuyến tụy bằng phương pháp học sâu
m ô hình rút trích đặc trưng và phân lớp với kiến trúc đa tầng sẽ được triển khai nhằm tìm ra tuyến tụy (Trang 24)
Mô hình bao gồm 3 bước chính tương ứng với các bước được đánh số trong Hình 3.1: - Phân đoạn ảnh tuyến tụy bằng phương pháp học sâu
h ình bao gồm 3 bước chính tương ứng với các bước được đánh số trong Hình 3.1: (Trang 25)
Hình 3.4 Phân đoạn các điểm ảnh lớn và gán nhãn - Phân đoạn ảnh tuyến tụy bằng phương pháp học sâu
Hình 3.4 Phân đoạn các điểm ảnh lớn và gán nhãn (Trang 28)
Hình 3.5 Kết quả phân đoạn điểm ảnh lớn một ảnh CT: - Phân đoạn ảnh tuyến tụy bằng phương pháp học sâu
Hình 3.5 Kết quả phân đoạn điểm ảnh lớn một ảnh CT: (Trang 29)
Hình 3.6 Phân lớp các tiểu vùng 25x25 thông qua Random Forest - Phân đoạn ảnh tuyến tụy bằng phương pháp học sâu
Hình 3.6 Phân lớp các tiểu vùng 25x25 thông qua Random Forest (Trang 30)
Hình 3.7 Keypoint descriptor 2x2 bins, với 8 orientation mỗi bin [20] - Phân đoạn ảnh tuyến tụy bằng phương pháp học sâu
Hình 3.7 Keypoint descriptor 2x2 bins, với 8 orientation mỗi bin [20] (Trang 31)
 Lấy kết quả có số lượng vote lớn nhất làm kết quả cuối cho mô hình. Tác giả hiện thực Random Forest với 50 cây và leaf size tối thiểu là 150 - Phân đoạn ảnh tuyến tụy bằng phương pháp học sâu
y kết quả có số lượng vote lớn nhất làm kết quả cuối cho mô hình. Tác giả hiện thực Random Forest với 50 cây và leaf size tối thiểu là 150 (Trang 32)
Kế đến là các layer max-pooling và fully connected. Mô hình CNN mà tác giả áp dụng kết thúc với softmax layer cho 2 lớp “tuyến tụy” và “không tuyến tụy” - Phân đoạn ảnh tuyến tụy bằng phương pháp học sâu
n là các layer max-pooling và fully connected. Mô hình CNN mà tác giả áp dụng kết thúc với softmax layer cho 2 lớp “tuyến tụy” và “không tuyến tụy” (Trang 33)
Để so sánh, tác giả cũng thực nghiệm với mô hình đã bỏ đi tầng 1, tất cả các tiểu vùng âm tính đều được đưa vào huấn luyện. - Phân đoạn ảnh tuyến tụy bằng phương pháp học sâu
so sánh, tác giả cũng thực nghiệm với mô hình đã bỏ đi tầng 1, tất cả các tiểu vùng âm tính đều được đưa vào huấn luyện (Trang 37)
Hình 4.1 Các điểm ảnh lớn thu được sau khi áp dụng SLIC với tham số chỉ số lượng điểm ảnh lớn là 300: - Phân đoạn ảnh tuyến tụy bằng phương pháp học sâu
Hình 4.1 Các điểm ảnh lớn thu được sau khi áp dụng SLIC với tham số chỉ số lượng điểm ảnh lớn là 300: (Trang 38)
4.2.4 Kiểm thử mô hình - Phân đoạn ảnh tuyến tụy bằng phương pháp học sâu
4.2.4 Kiểm thử mô hình (Trang 40)
Bảng 4.2 Kết quả thực nghiệm với phương pháp đề xuất (áp dụng tầng 1) và phương pháp loại bỏ tầng 1 - Phân đoạn ảnh tuyến tụy bằng phương pháp học sâu
Bảng 4.2 Kết quả thực nghiệm với phương pháp đề xuất (áp dụng tầng 1) và phương pháp loại bỏ tầng 1 (Trang 41)
Bảng 4.1 Số lượng mẫu dương tính và âm tính dùng để huấn luyện bộ phân lớp CNN với phương pháp đề xuất (áp dụng tầng 1) và phương pháp loại bỏ tầng 1 - Phân đoạn ảnh tuyến tụy bằng phương pháp học sâu
Bảng 4.1 Số lượng mẫu dương tính và âm tính dùng để huấn luyện bộ phân lớp CNN với phương pháp đề xuất (áp dụng tầng 1) và phương pháp loại bỏ tầng 1 (Trang 41)

TỪ KHÓA LIÊN QUAN

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w