基于卷积神经网络的婴儿大脑图像分割精要.pptx

基于卷积神经网络的婴儿大脑图像分割 Deep convolutional neural networks for multi-modality isointense Infant brain image segmentation 1、介绍 2、神经网络的构造 3、神经网络的训练 4、实验结果及对比 5、本文的总结 介绍 卷积神经网络是深度学习中最成功的模型之一，在图像处理中能够取得非常好的效果。本文中使用卷积神经网络来分割婴儿大脑。 首先是很多方法分割的婴儿大脑是adult-like时期的，而本文则是在同强度时期的； 其次，也有一些方法的前提假设是所有组织都使用高斯分布建模，不适用这个时期的大脑组织； 最后，还有一些方法是使用单模态图像，如仅使用T1或T2或FA，本文则是使用多模态。 卷积神经网络的结构 整个网络结构包括3个卷积层和一个全连接层，还有一个local response normalization和soft-max 卷积神经网络的结构-卷积层 卷积层的操作是使用5*5像素大小的卷积核进行卷积，卷积完后使用ReLU（rectified linear unit）进行处理。ReLU的作用是加快神经网络的训练速度。此外，为了减少过度拟合，采用“dropout”的方法。 local response normalization 该层的处理公式如下： 卷积神经网络的结构soft-max Soft-max解决多分类问题，公式如下： 首先使用高斯分布初始化神经网络的所有权值，将偏置初始化为1； 因为使用的是soft-max分类，所以训练使用的损失函数是交叉熵损失； 训练方法采用随机梯度下降方法。 神经网络的训练 实验结果对比包括以下几方面： 1、patch大小不同，分割效果对比 2、多模态同单模态的分割效果对比 3、不同方法的分割效果对比 实验结果及对比 对比采用dice系数和Hausdorff距离 实验结果及对比 实验结果及对比 实验结果及对比 实验结果及对比 实验结果及对比 总结 1、本文未采用pooling层 2、可以加深神经网络的深度 3、本文未考虑patch之间的联系 谢谢指正