Сочинение на тему Сегментация медицинских изображений (MIS)
- Опубликовано: 13.10.2020
- Предмет: Здоровье, Наука
- Темы: Лекарство, Медицинская этика, Технологии
Сегментация медицинских изображений (MIS) применяется для многочисленных приложений, таких как разграничение структур тканей, подсчет клеток, поражение и отслеживание опухолей и т. д. Обычно подход для MIS можно разделить на три типа. Во-первых, сегментация с использованием классических методов обработки изображений, таких как пороговая обработка, морфологические операции и преобразование водораздела. Во-вторых, для обучения модели классификации на основе созданных вручную функций, таких как статистические признаки, матрица совместного появления уровня серого, локальный двоичный шаблон и т. Д. Третий подход – это сегментирование с использованием функций высокого уровня, полученных DCNN. Ву и соавт. использовали классические алгоритмы обработки изображений, в том числе пороговые и растущие области для сегментации кишечных желез человека. Однако этот метод учитывал предшествующее знание морфологических структур в железе и оценивался качественно (Wu et al., 2005).
В другом подходе Peng et al. для сегментации структур предстательной железы были использованы кластеризация k-средних и морфологические операции. На основе этих структур был построен линейный классификатор для различения нормальных и злокачественных желез (Peng et al., 2010). Выделение и выбор характеристик широко использовались в таких областях, как биомедицина, анализ изображений, биометрическая аутентификация и т. Д. В работе Farzam et al. и Doyle et al., структура, форма и графические особенности были выделены, и был построен линейный классификатор для различения различных патологических срезов тканей пациентов с раком простаты (Farzam et al., 2007) (Doyle et al., 2007). В работе, представленной Naik et al., Был использован байесовский классификатор для классификации между просветом, стромой и ядрами.
Истинные области просвета были определены с применением ограничений по размеру и структуре. Кривая установки уровня была инициализирована с использованием истинной площади просвета и развивалась до внутренней границы ядер. Морфологические признаки были рассчитаны по границам, за которыми следовала схема многократного обучения для классификации раковых образований на основе уменьшенных признаков (Naik et al., 2008). С помощью предыдущих методов структуры желез правильной формы были эффективно сегментированы. Тем не менее, из-за различных факторов подготовки образца структуры желез демонстрируют вариации, и сегментировать структуры желез неправильной формы является сложной задачей. Чтобы облегчить эту проблему, Gunduz-Demir et al. Предложил подход на основе объект-графа, основанный на разложении изображения на объекты. В их подходе использовался трехэтапный алгоритм увеличения области с последующим обнаружением границы и устранением ложной области (Gunduz-Demir et al., 2009). В другой работе Sirinukunwattana et al. Была сформулирована Модель случайных полигонов для сегментирования железистой структуры в ткани толстой кишки человека. Железистые структуры были смоделированы как многоугольники, вершины которых были расположены на ядрах эпителиальной границы. Сначала карта железистой вероятности была сгенерирована с использованием суперпиксельных структур текстуры, после чего были определены вершины ядер и построены случайные многоугольники из начальных областей. Ложноположительные полигоны были удалены с помощью процедур последующей обработки (Sirinukunwattana et al., 2015).
В настоящее время методы глубокого обучения достигли многообещающих результатов в MIS. Наиболее значимые DCNN, такие как AlexNet (Крижевский и др., 2012), VGGNet (Симонян и др., 2014), GoogLeNet (Сегеди и др., 2014), U-Net (Роннебергер и др., 2015) и SegNet (Бадринараянан et al., 2015) достигли многообещающих результатов в прошлом. Недавний MICCAI 2015 Gland Segmentation Challenge представил несколько инновационных алгоритмов сегментации толстой кишки на гистологических изображениях (Sirinukunwattana et al., 2016). Чен и соавт. достиг современного уровня производительности в наборе данных об аденокарциноме толстой кишки Warwick-QU путем интеграции многоуровневого представления признаков с полностью сверточной сетью (FCN) (Chen et al., 2015). Принимая во внимание, что Kainz et al. использовали две DCNN, которые были вдохновлены архитектурой LeNet-5 (LeCun et al., 1998) (Kainz et al., 2015). Первый DCNN использовался для разделения близко расположенных структур железы, а второй DCNN использовался для различения железистых и не-железистых областей (Kainz et al., 2015). В Awan et al. DCNN использовался для определения границ желез и на основе формы желез, была разработана двухклассовая и трехклассовая модель классификации для колоректальной аденокарциномы с использованием гистологического изображения (Awan et al., 2017). В этой статье мы намерены использовать SegNet (Badrinarayanan et al., 2015) для сегментации мультимодальных изображений на четыре различных региона. Наш метод отличается следующими способами:
- Вышеуказанные методы были протестированы на окрашенном изображении H & E (гематоксилин и эозин), которое является инвазивным методом и требует длительного времени подготовки образца. Тем не менее, нелинейная мультимодальная визуализация может быть использована в качестве метода in-vivo, и ее автоматическая классификация тканей может обеспечить гистологический индекс в реальном времени.
- Для обучения модели SegNet используется инвариантное дополнение данных ротации мультимодального изображения.
Цель этого эксперимента – получить представление о полностью настраиваемой программе LabVIEW и понять, как инженеры используют программу в своих интересах, чтобы создать собственную лабораторию, которая
Несмотря на то, что в клинических условиях много раз наблюдали преимущества эффекта плацебо у пациентов, внимательно изучая пациентов, проходящих лечение от болезни Паркинсона, лечения боли
Доставка кесарева сечения также называется доставкой кесарева сечения. Этот способ включает развертывание операции по доставке детей, то есть одного или нескольких. Роды кесарева сечения часто