基于物理的轮选择,用于快速的图像分割
Vikas Dwivedi1, Balaji Srinivasan2,3, Ganapathy Krishnamurthi4,3
1Atmospheric Science Research Center, State University of New York, Albany, NY, 12222, USA. vdwivedi@albany.edu.
Scientific reports
|March 25, 2024
概括
物理知情轮选择 (PICS) 允许在没有标记数据的情况下快速对图像进行细分. 这种新的算法使用物理原理和splines进行高效,可解释的3D细分.
科学领域:
- 医疗成像医学成像
- 计算科学 计算科学
- 人工智能的人工智能
背景情况:
- 图像分割的深度学习模型需要广泛的,高质量的注释,这构成了重要的培训挑战.
- 现有的活跃轮模型 (蛇) 通常依赖于复杂的数学导数和基于边缘的损失函数.
研究的目的:
- 介绍物理知情轮选择 (PICS),一种用于快速,可解释的图像分割的新算法.
- 开发一种方法,减少对标记数据的依赖,提高计算效率.
主要方法:
- PICS利用立方线来实现计算轻度,并采用基于物理学的神经网络 (PINNs) 原则.
- 该算法直接最小化基于区域的损失函数,绕过传统的欧勒-拉格朗日方程.
- 为编码3D细分中的先前形状信息,提出了一种新的凸性保护损失术语.
主要成果:
- 在不需要标记数据的情况下,PICS展示了快速和计算轻量级的3D细分.
- 该算法在心脏数据集中实现左心室的有效3D细分.
- PICS成功地通过新的损失项编码了先前的形状信息.
结论:
- PICS为图像细分提供了一种新的方法,将基于物理的原理与高效的计算方法相结合.
- 该算法介绍了网络架构,传输学习和受物理启发的损失方面的进步.
- PICS显示了改善3D图像细分任务的巨大潜力,特别是在医疗应用中.
