心肺復(fù)蘇模型

新聞分類

醫(yī)學(xué)影像組學(xué)SCI論文案例0基礎(chǔ)工科背景如何實(shí)現(xiàn)模型構(gòu)建全過程!

醫(yī)學(xué)影像組學(xué)SCI論文案例0基礎(chǔ)工科背景如何實(shí)現(xiàn)模型構(gòu)建全過程!

發(fā)布日期:2022-03-11 作者:WLT 點(diǎn)擊:

醫(yī)學(xué)選題方向,寫作標(biāo)準(zhǔn),文獻(xiàn)檢索,資料獲取,代碼獲取,模型解讀,影像學(xué)訓(xùn)練要領(lǐng)。

影像學(xué)SCI論文案例分析,讓你了解建模的全過程。

很多人在做影像學(xué)的時(shí)候,對(duì)影像學(xué)的整個(gè)流程不是很了解。本期我們以三篇典型的影像學(xué)論文為例,詳細(xì)講解影像學(xué)論文的選題方向和寫作方法。希望能系統(tǒng)地幫助你提高醫(yī)學(xué)科研和醫(yī)學(xué)論文寫作水平。

誰說影像學(xué)論文只能摻水,要帶你分析優(yōu)質(zhì)模型,重現(xiàn)優(yōu)質(zhì)模型,超越優(yōu)質(zhì)模型,工作!

接下來,首先再現(xiàn)一篇SOTA分割論文:Pranet:并行反向注意網(wǎng)絡(luò)用于息肉分割,發(fā)表在國(guó)際公認(rèn)的醫(yī)學(xué)圖像分析領(lǐng)域最具影響力的學(xué)術(shù)會(huì)議MICCAI2020上。所提出的方法在直腸內(nèi)鏡息肉檢測(cè)任務(wù)中的效果是爆發(fā)式的,平均數(shù)據(jù)集超過了之前的SOTA 7個(gè)百分點(diǎn)以上。同時(shí),該方法可以移植到許多類似的場(chǎng)景中,如鼻內(nèi)窺鏡息肉區(qū)域檢測(cè)、胃鏡潰瘍病變區(qū)域檢測(cè),甚至各種病變(腫瘤)區(qū)域分割的場(chǎng)景。


1.jpg


來源:影像學(xué)工作站

結(jié)腸鏡檢查是檢測(cè)結(jié)腸直腸息肉的有效技術(shù),結(jié)腸直腸息肉與結(jié)腸直腸癌高度相關(guān)。在臨床實(shí)踐中,從結(jié)腸鏡圖像中識(shí)別息肉的位置和大小是非常重要的,因?yàn)樗鼮樵\斷和手術(shù)提供了有價(jià)值的信息。然而,由于兩個(gè)主要原因,建立準(zhǔn)確的息肉分割算法是一項(xiàng)艱巨的任務(wù):

I同類型息肉大小、顏色、質(zhì)地不同;

二。息肉與其周圍粘膜之間的界限不清楚。

為了解決這些挑戰(zhàn),提出了一種并行反向注意網(wǎng)絡(luò)(PraNet)用于結(jié)腸鏡圖像中息肉的精確分割。具體來說,首先使用并行部分解碼器(PPD)聚合高層網(wǎng)絡(luò)的特征,并基于聚合的特征生成全局地圖,作為后續(xù)組件的初始引導(dǎo)區(qū)域。此外,使用反向注意(RA)模塊挖掘邊界線索,該模塊可以建立區(qū)域和邊界線索之間的關(guān)系。由于區(qū)域和邊界之間的遞歸合作機(jī)制,PraNet可以校準(zhǔn)一些未對(duì)齊的預(yù)測(cè),從而提高分割精度。對(duì)五個(gè)具有挑戰(zhàn)性的數(shù)據(jù)集在六個(gè)指標(biāo)上的定量和定性評(píng)價(jià)表明,PraNet顯著提高了分割精度,取得了更好的泛化性能和實(shí)時(shí)分割效率(?50fps)表現(xiàn)出很多優(yōu)勢(shì)。

表達(dá)結(jié)構(gòu)


2.jpg


通過使用并行部分解碼器(PPD)來聚合上層網(wǎng)絡(luò)層中的特征,生成全局特征地圖,該地圖被用作后續(xù)步驟的初始引導(dǎo)區(qū)域。為了進(jìn)一步挖掘邊界線索,使用一組遞歸反向注意模塊(RA)來建立區(qū)域和邊界線索之間的關(guān)系。由于區(qū)域和邊界之間的這種循環(huán)合作機(jī)制,該模型可以校準(zhǔn)一些未對(duì)齊的預(yù)測(cè)。

模型介紹

1.基于并行部分解碼器(PPD模塊)的特征聚合

與高層特征相比,低層特征由于空間分辨率更大,需要更多的計(jì)算資源,但對(duì)性能的貢獻(xiàn)較小?;赗es2Net的骨干網(wǎng)提取了五層特征,其中f1和f2為低層特征,f3、f4和f5為高層特征。高級(jí)功能通過并行連接進(jìn)行聚合。圖中所示的PD部分是基于并行的部分解碼器,從而獲得全局映射Sg。

2.倒車注意模塊(RA)

全局圖Sg來自最深的卷積神經(jīng)網(wǎng)絡(luò)層,只能捕捉息肉組織相對(duì)粗略的位置,沒有結(jié)構(gòu)細(xì)節(jié)。針對(duì)這一問題,提出了一種通過擦除前景對(duì)象來逐步挖掘差異息肉區(qū)域的策略。通過這種策略,不準(zhǔn)確和粗糙的估計(jì)可以細(xì)化為準(zhǔn)確和完整的邊緣預(yù)測(cè)圖。通過將從高級(jí)側(cè)輸出的特征f乘以反向注意權(quán)重a來獲得輸出反向注意特征r:


3.jpg


a可以描述為:


4.jpg


p(。)表示上采樣操作。是σ sigmoid函數(shù)。?()表示從全1矩陣e中減去輸入的逆運(yùn)算符。

數(shù)據(jù)采購(gòu)

本課程提供了Pranet原始論文中使用的結(jié)腸鏡檢查分割訓(xùn)練模型的數(shù)據(jù)。同時(shí),感興趣的同學(xué)可以根據(jù)自己的需求,在grand-challenge上下載自己感興趣的數(shù)據(jù)集,進(jìn)行實(shí)驗(yàn)。


5.jpg


代碼獲取

課程使用的代碼來自論文中提到的開源代碼地址,深度約簡(jiǎn)算法實(shí)驗(yàn)的研究環(huán)境,讓你用上目前最好的算法。


6.jpg


培訓(xùn)要點(diǎn)

1.代碼工程文件加載。

2.配置Pranet運(yùn)行時(shí)環(huán)境(如有必要,使用GPU)。

3.實(shí)驗(yàn)數(shù)據(jù)配置過程

a)培訓(xùn)數(shù)據(jù)路徑

b)數(shù)據(jù)存儲(chǔ)格式

4.更改測(cè)試數(shù)據(jù)配置環(huán)境。

5.理解訓(xùn)練過程中實(shí)驗(yàn)結(jié)果的意義。


7.jpg


結(jié)果展示


8.jpg


現(xiàn)在你還有一個(gè)問題,模型重現(xiàn),構(gòu)建也費(fèi)時(shí)費(fèi)力。這是給湯不用勺子,也是解渴!別擔(dān)心,我們給你免費(fèi)試用成像組模型的訓(xùn)練桌面。從操作界面,數(shù)據(jù)處理,代碼實(shí)現(xiàn),結(jié)果展示一系列操作,進(jìn)行簡(jiǎn)單易行的操作功能和學(xué)習(xí)路徑設(shè)計(jì),讓零基礎(chǔ)的小白輕松上手!此外,考慮到數(shù)據(jù)的私密性,我們開發(fā)了醫(yī)學(xué)人工智能實(shí)驗(yàn)平臺(tái),進(jìn)行即插即用一鍵訓(xùn)練。同時(shí)我們用案例分解課程作為平臺(tái)指南,讓數(shù)據(jù)跑起來!

歡迎大家在下面鍵入評(píng)論,一起討論!



本文網(wǎng)址:http://tiprz.com/news/948.html

相關(guān)標(biāo)簽:醫(yī)學(xué)選題,醫(yī)學(xué)科研,醫(yī)學(xué)論文,醫(yī)學(xué)圖像,醫(yī)學(xué)人工智能

最近瀏覽:

相關(guān)產(chǎn)品:

相關(guān)新聞:

在線客服
分享