基于卷積神經(jīng)網(wǎng)絡(luò)的嬰兒大腦圖像分割

1、基于卷積神經(jīng)網(wǎng)絡(luò)的嬰兒大腦圖像分割Deep convolutional neural networks for multi-modality isointense Infant brain image segmentation1、介紹2、神經(jīng)網(wǎng)絡(luò)的構(gòu)造3、神經(jīng)網(wǎng)絡(luò)的訓(xùn)練4、實(shí)驗(yàn)結(jié)果及對(duì)比5、本文的總結(jié)介紹卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)中最成功的模型之一，在圖像處理中能夠取得非常好的效果。本文中使用卷積神經(jīng)網(wǎng)絡(luò)來(lái)分割嬰兒大腦。首先是很多方法分割的嬰兒大腦是adult-like時(shí)期的，而本文則是在同強(qiáng)度時(shí)期的；其次，也有一些方法的前提假設(shè)是所有組織都使用高斯分布建模，不適用這個(gè)時(shí)期的大腦組織；最后，還有一

2、些方法是使用單模態(tài)圖像，如僅使用T1或T2或FA，本文則是使用多模態(tài)。卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)包括3個(gè)卷積層和一個(gè)全連接層，還有一個(gè)local response normalization和soft-max卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)-卷積層卷積層的操作是使用5*5像素大小的卷積核進(jìn)行卷積，卷積完后使用ReLU（rectified linear unit）進(jìn)行處理。ReLU的作用是加快神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度。此外，為了減少過度擬合，采用“dropout”的方法。local response normalization該層的處理公式如下：卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)soft-maxSoft-max解決多分類問題，公式如下：首先使用高斯分布初始化神經(jīng)網(wǎng)絡(luò)的所有權(quán)值，將偏置初始化為1；因?yàn)槭褂玫氖莝oft-max分類，所以訓(xùn)練使用的損失函數(shù)是交叉熵?fù)p失；訓(xùn)練方法采用隨機(jī)梯度下降方法。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練實(shí)驗(yàn)結(jié)果對(duì)比包括以下幾方面：1、patch大小不同，分割效果對(duì)比2、多模態(tài)同單模態(tài)的分割效果對(duì)比3、不同方法的分割效果對(duì)比實(shí)驗(yàn)結(jié)果及對(duì)比對(duì)比采用dice系數(shù)和Hausdorff距離實(shí)驗(yàn)結(jié)果及對(duì)比實(shí)驗(yàn)結(jié)果及對(duì)比實(shí)驗(yàn)結(jié)果及對(duì)比實(shí)驗(yàn)結(jié)果及對(duì)比實(shí)驗(yàn)結(jié)果及對(duì)比總結(jié)1、本文未采