Une revue des modèles d’apprentissage profond : applications pour l’IRM 3D et la tomodensitométrie

L'une des principales différences entre les données d'imagerie médicale et les autres images du quotidien est qu'elles sont généralement en 3D, en particulier lorsqu'il s'agit de données de la série DICOM. Les images DICOM sont composées de plusieurs tranches 2D et sont utilisées pour numériser ou représenter des parties spécifiques du corps

Dans cet article, nous présenterons 6 architectures de réseaux neuronaux pour entraîner des modèles d'apprentissage en profondeur afin de résoudre des problèmes avec des données médicales 3D

3d U-Net

3D U-Net est un puissant modèle de segmentation d'images médicales, qui étend le modèle U-Net classique à la segmentation 3D et comprend un chemin d'encodage et un chemin de décodage

3D U-Net Lors du traitement d'images volumétriques, des informations contextuelles est capturé via des chemins de codage et un positionnement précis est obtenu grâce à des chemins de décodage, démontrant des capacités efficaces de traitement des caractéristiques 3D

V-Net

V-Net est une méthode pour les images volumétriques. Réseau neuronal convolutionnel 3D segmenté, qui utilise la pleine résolution Convolutions 3D et est donc plus coûteux en calcul que U-Net

HighResNet

Ce modèle passe par une série de convolutions 3D avec des connexions résiduelles La couche cumulative est entraînée de bout en bout et peut traiter l'intégralité de l'image 3D simultanément

EfficientNet3D

Bien que les améliorations 3D d'EfficientNet ne soient pas aussi largement utilisées pour la segmentation 3D que U-Net ou V-Net, elles peuvent être utilisées dans des situations où les ressources informatiques sont limitées. Ensuite, c'est une option qui vaut la peine. étant donné qu'il présente un bon équilibre entre coût de calcul et performances

Attention U-Net

Cette variante est basée sur U-Net, qui introduit un mécanisme de force d'attention qui permet au réseau de se concentrer sur des parties spécifiques de l'image pertinent pour la tâche actuelle

DeepMedic

Ce CNN 3D utilise deux chemins, dont l'un est en résolution normale et l'autre sous-échantillonne l'entrée pour exploiter des informations contextuelles locales et plus larges

Résumé

Dans cet article , nous avons exploré certains des modèles d'apprentissage profond utilisés dans le secteur de l'imagerie médicale pour traiter les IRM et tomodensitométries 3D. Ces réseaux de neurones sont conçus pour recevoir des données 3D en entrée afin d'apprendre les caractéristiques complexes de parties spécifiques du corps de la série DICOM

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!