大量的地标检测与一个多尺度的转移等价的神经网络
Tianyu Ma1, Ajay Gupta2, Mert R Sabuncu1,2
1School of Electrical and Computer Engineering; and Meinig School of Biomedical Engineering, Cornell University.
概括
我们开发了一种记忆效率高的深度学习方法,用于快速检测医疗图像中的3D地标. 这种方法提高了解剖学里程碑检测的准确性,比如CT扫描中的动脉分叉.
科学领域:
- 医学成像医学成像
- 计算机视觉 计算机视觉 计算机视觉
- 深度学习是一种深度学习.
背景情况:
- 深度神经网络在计算机视觉任务中表现出色,包括地标检测.
- 在体积医学图像 (例如,CT扫描) 中精确检测解剖学里程碑是具有挑战性的,因为GPU内存限制限制了神经网络容量和输出精度.
研究的目的:
- 提出一种新的多尺度,端到端的深度学习方法,用于快速和内存高效地检测3D图像中的地标.
- 为了提高里程碑检测模型的稳定性和不确定性量化.
主要方法:
- 一个多尺度的架构使用转移等价网络块在不同的空间尺度上的地标检测.
- 从粗到细尺度的连接具有可分化的重新采样层,用于端到端的训练.
- 一个噪音注入策略,以提高模型的稳定性,并使不确定性定量化.
主要成果:
- 该方法在3D图像中实现了快速和存储效率高的地标检测.
- 在263个CT卷上进行评估,以检测动脉分叉,该方法超过了最先进的准确性.
- 实现了2.81mm的平均欧几里德距离误差,用于动脉分叉检测.
结论:
- 拟议的多尺度,端到端的深度学习方法为受记忆限制的3D解剖学里程碑检测提供了有效的解决方案.
- 该方法表现出卓越的准确性和稳定性,为改善医学成像数据分析铺平了道路.
