3D u-net یادگیری بخش بندی انبوه ازحاشیه نویسی حجمی

این مقاله یک شبکه برای بخش بندی حجمی را معرفی می کند که از تصاویر حجمی ضعیف یاد می گیرد. ما دو مورد استفاده جذاب از این روش را شرح می دهیم: ( 1) در یک تنظیم نیمه خودکار، کاربر برخی از برش های موجود در حجم را به بخش می دهد. شبکه از این حاشیه نویسی ضعیف یاد می گیرد و بخش بندی سه بعدی متراکم را فراهم می کند. ( 2) در یک راه اندازی کاملا خودکار، فرض می کنیم که یک مجموعه آموزشی نماینده حجمی ضعیف ضمنی وجود دارد. در این مجموعه داده ها آموزش داده شده است، شبکه به طور گسترده ای تصاویر جدید حجمی را بخش بندی می کند. شبکه پیشنهاد شده معماری u-net قبلی را از Ronneberger گسترش می دهد. با جایگزینی تمام عملیات دو بعدی با همتایان سه بعدی خود. پیاده سازی بر روی تغییرات کششی پرواز برای افزایش کارایی داده ها در طول تمرین انجام می شود. این از خراش end-to-end آموزش داده شده که نیازی به پیش آموزش شبکه نیست. ما عملکرد روش پیشنهاد شده در یک ساختار پیچیده و بسیار متغیر یه بعدی، کلیه Xenopus را آزمایش می کنیم و نتایج خوبی برای هر دو مورد استفاده می کنیم.

کلیدواژه ها:

شبکه های عصبی انعطاف پذیر ، سه بعدی ، بخش بندی تصویر زیست پزشکی ، کلیه Xenopus ، نیمه اتوماتیک ، تمام اتوماتیک ، حاشیه نویسی حجمی