條件GAN (cGAN) Atrous卷積(AC) 帶有權重塊的通道注意力(CAW)。
論文提出了一種基於深度對抗學習的超音波影像乳腺腫瘤分割分類方法(cGAN AC CAW),論文雖然是2019年提出的,但他提出了使用GAN進行分割的方法在當時來說卻是一個非常新奇的想法,該論文基本上把所有當時能夠整合的技術全部進行了集成,並且還取得了很好的效果,所以是非常值得我們一讀的,此外論文還提出了具有典型對抗損失的SSIM和l1範數損失作為損失函數。
使用cGAN AC CAW 進行語意分割
#產生器G
生成器網路包含一個編碼器部分:由七個卷積層(En1到En7)和一個解碼器:七個反捲積層(Dn1到Dn7)組成。
在En3和En4之間插入一個atrous卷積塊。膨脹率1、6和9,內核大小3×3,步長2。
在En7和Dn1之間還有一個帶有通道加權(CAW)區塊的通道注意力層。
CAW區塊是通道注意模組(DAN)和通道加權區塊(SENet)的集合,它增加了生成器網路最高層級特徵的表示能力。
鑑別器D
它是一個卷積層的序列。
鑑別器的輸入是影像和標記腫瘤區域的二值遮罩的拼接。
鑑別器的輸出是一個10×10矩陣,其值從0.0(完全假的)到1.0(真實的)不等。
損失函數
生成器G的損失函數包括三個項:對抗性損失(二元交叉熵損失)、促進學習過程的l1 -範數和改善分割掩碼邊界形狀的SSIM損失:
其中z是隨機變數。鑑別器D的損失函數為:
使用隨機森林進行分類任務
將每一張圖像輸入經過訓練的生成網絡,獲得腫瘤邊界,然後從該邊界計算13個統計特徵: fractal dimension, lacunarity, convex hull, convexity, circularity, area, perimeter, centroid, minor and major axis length, smoothness, Hu moments (6) and central moments (order 3 and below)
採用窮舉特徵選擇(Exhaustive feature selection),演算法來選擇最優的特徵集。 EFS演算法表明, fractal dimension, lacunarity, convex hull, centroid是最優的4個特徵。
這些選擇的特徵被輸入到一個隨機森林分類器,然後訓練該分類器來區分良性和惡性腫瘤。
結果對比
分割
資料集包含影像中包含的150個惡性腫瘤和100個良性腫瘤。為了訓練的模型,將資料集隨機分為訓練集(70%)、驗證集(10%)和測試集(20%)。
該模型(cGAN AC CAW)在所有指標上都優於其他模型。其Dice和IoU得分分別為93.76%和88.82%。
論文模型的IoU和Dice與FCN、SegNet、ERFNet和U-Net等分割頭的箱線圖比較。
此模型對Dice係數的取值範圍為88% ~ 94%,對IoU的取值範圍為80% ~ 89%,而其他深度分割方法FCN 、SegNet、ERFNet和U-Net的取值範圍較大。
分割結果如上圖所示,SegNet和ERFNet產生的結果最差,有大量的假陰性區域(紅色),以及一些假陽性區域(綠色)。
而U-Net, DCGAN, cGAN提供了很好的分割,論文提出的模型提供了更精確的乳腺腫瘤邊界分割。
分類
所提出的乳房腫瘤分類方法優於[9],總準確率達85%。
以上是論文推薦:基於深度對抗學習的超音波影像乳房腫瘤分割與分類的詳細內容。更多資訊請關注PHP中文網其他相關文章!

AI特工:由Llamaindex和Monsterapi提供支持的AI的未來 AI代理有望徹底改變我們與技術的互動方式。 這些自主系統模仿人類行為,執行需要推理,決策和REA的任務

解鎖自治AI:自我訓練LLMS的7種方法 想像一個未來AI系統在沒有人類干預的情況下學習和發展的未來,就像孩子獨立掌握複雜概念的孩子一樣。這不是科幻小說;這是自我的應許

AI驅動的財務報告:通過自然語言產生革新見解 在當今動態的業務環境中,準確及時的財務分析對於戰略決策至關重要。 傳統財務報告

Google DeepMind的乒乓球機器人:體育和機器人技術的新時代 巴黎2024年奧運會可能已經結束,但是由於Google DeepMind,運動和機器人技術的新時代正在興起。 他們的開創性研究(“實現人類水平的競爭

雙子座閃光燈1.5解鎖效率和可伸縮性:燒瓶食物視覺webapp 在快速發展的AI景觀中,效率和可擴展性至關重要。 開發人員越來越多地尋求高性能模型,以最大程度地減少成本和延遲

利用LlamainDex的AI特工的力量:逐步指南 想像一下,一個私人助理了解您的要求並完美地執行它們,無論是快速計算還是檢索最新的市場新聞。本文探索

Jupyter Notebook (.ipynb) 文件廣泛用於數據分析、科學計算和交互式編碼。雖然這些 Notebook 非常適合開發和與其他數據科學家共享代碼,但有時您需要將其轉換為更普遍易讀的格式,例如 PDF。本指南將引導您逐步了解將 .ipynb 文件轉換為 PDF 的各種方法,以及技巧、最佳實踐和故障排除建議。 目錄 為什麼將 .ipynb 轉換為 PDF? 將 .ipynb 文件轉換為 PDF 的方法 使用 Jupyter Notebook UI 使用 nbconve

介紹 大型語言模型(LLM)正在徹底改變自然語言處理,但它們的巨大規模和計算要求限制了部署。 量化是一種縮小模型和降低計算成本的技術,是至關重要的


熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

VSCode Windows 64位元 下載
微軟推出的免費、功能強大的一款IDE編輯器

EditPlus 中文破解版
體積小,語法高亮,不支援程式碼提示功能

SublimeText3 Linux新版
SublimeText3 Linux最新版

Dreamweaver CS6
視覺化網頁開發工具

DVWA
Damn Vulnerable Web App (DVWA) 是一個PHP/MySQL的Web應用程序,非常容易受到攻擊。它的主要目標是成為安全專業人員在合法環境中測試自己的技能和工具的輔助工具,幫助Web開發人員更好地理解保護網路應用程式的過程,並幫助教師/學生在課堂環境中教授/學習Web應用程式安全性。 DVWA的目標是透過簡單直接的介面練習一些最常見的Web漏洞,難度各不相同。請注意,該軟體中