《深度学习与医学图像处理》图像分类、语义分割、目标检测

MioChan

《深度学习与医学图像处理》图像分类、语义分割、目标检测 [复制链接]

 

        最近抽时间终于把第五六七章看完了，这几章算是真正的进入深度学习的介绍了，这三章直接涵盖了深度学习中分类、语义分割、目标检测这三大问题。

       

         第五章主要是涉及医学图像的分类问题，我们面对着将医学图像分为不同类别或类型的任务。首先本章介绍了在医学图像分类中常用的损失函数。损失函数在训练分类模型时起着至关重要的作用，模型的反向传播和梯度下降都依赖着loss function的选取，可以说它影响着模型的收敛和性能。书中介绍了交叉熵损失、Focal损失和KL散度等常见的分类损失函数，介绍了它们各自的特点和适用场景。然后对评价指标进行了详细的介绍。评价指标是用于评估模型性能和准确性的重要工具。书中介绍了混淆矩阵、AUC、PR曲线等常见的评价指标以及诊断性实验常用的评价指标等，这些指标可以客观地衡量模型在分类任务上的表现。其实这些指标在其它分类问题中也很常用的，如果之前学习过深度学习的话，本章的大部分内容应该都很熟悉。接下来书中进一步深入探讨了一些经典的模型和技术。例如resnet、短接、网络宽度和注意力机制等技术，这些技术能够有效地提高模型的性能和泛化能力。最后，通过一个实战案例，本章展示了基于颅内CT影像的脑出血分类检测的流程和方法。关于这个案例，本来自己想上手跑一下试试，结果发现书中的资源在公众号无法正常获取。不过书中的数据集是RSNA Intracranial Hemorrhage Detection这个分类竞赛的，数据大概几百GB，kaggle上就有现成的数据集和代码可以学习参考，也建议直接在这上面跑。下面是这个数据集的样子，因为训练要很久所以主要以学习为主就不实际训练了。

 

 

 

        

        第六章介绍了医学图像处理中的语义分割任务，这是将医学图像中的每个像素分配到特定类别的任务，对于疾病诊断和治疗规划具有重要意义。首先本章介绍了语义分割中常用的损失函数。这些损失函数包括Dice损失、Tversky损失、Boundary损失和混合损失等，它们能够有效地指导模型学习医学图像中的语义信息。通过对这些损失函数的了解，我们可以更好地训练和优化语义分割模型，提高模型的性能和准确性。接着，本章对评价指标进行了详细的讨论。评价指标是用于评估模型在语义分割任务上性能的重要工具。我们学习了IoU（Intersection over Union）、Dice系数和Hausdorff-95等指标，这些指标可以客观地评估模型在像素级别上的分割准确度，接下来本章还介绍了一些经典的分割模型，如UNet网络及其变形，以及其他分割网络。这些模型在医学图像的分割任务中表现出色，为我们提供了有效的解决方案。通过了解这些模型的结构和特点，我们可以更好地选择适合特定任务的模型并进行优化。最后，本章通过一个基于MRI影像的脑肿瘤分割实战案例，展示了语义分割技术在医学图像处理中的应用和实际操作流程。分割任务其实和分类也差不多，模型的输出是一个分割掩码。

 

        第七章就是目标检测问题了，本章介绍了关键点检测的概念和意义、常见的关键点检测模型。以及基于坐标和热图的目标检测方式。基于坐标的目标检测方式通过直接预测关键点的坐标来实现检测，而基于热图的目标检测方式则通过生成关键点的热图，并在热图中寻找峰值点来确定关键点的位置。最后本章通过一个血管关键点检测的实战案例，展示了关键点检测技术在医学图像处理中的应用和实际操作。

 

 

 

 

chejm

感谢楼主分享的技术知识，图像分类、语义分割、目标检测是图像分析处理的重要内容，需要认真学习

Verifone

这个我也看过了，之前还学过一段时间医疗影像学，算法的东西太多，看的头疼

lugl4313820

看来这书，对楼主的帮助不大呀。