3. 医学人工智能—图像分割【任务及模型介绍】
1. 目标核磁共振成像的图像分割，进行肿瘤识别
核磁共振图像特点：是有多个序列图片组成1张诊断图，可以将不同的序列看成不同的channel（CNN概念里的），最终组合成1张图像
2. 挑战
某一个序列上的位置有旋转的话，多序列图片拼接在一起就会出现无法对齐的情况，影响识别
解决方案，使用图片配准
图像配准：将不同时间、不同传感器、不同视角拍摄的同一场景 / 物体的多幅图像，通过几何变换对齐到同一坐标系的过程。
其中固定的基准图叫参考图像，需要调整的叫浮动 / 待配准图像。
最终目标是让对应像素 / 结构精准重合，便于后续融合、分析、对比。
3. 识别方法
①二维方法：对每一维度上的图片进行分割，然后再在多个通道上进行整合
缺点：容易流失三维数据，比如上个序列的图片上有肿瘤信息，不能传递给下个序列上，导致上下文信息丢失
②三维方法
问题：我们不能一次性将全部图片信息传输进模型中进行识别，因为医疗影像数据大（有几百MB），会占用很多内存和计算。
方法：将原始的三维信息，分割成一个个小的三维信息块，再输送到模型中
缺点：空间信息缺失，切分后的三维信息块，缺失了上下左右空间的信息。
4. 常用模型
UNet分割模型
优势：对于一个医学的分割问题，即使只有几百个数据，也会有不错的数据表现
5. 损失函数
Soft Dice Loss
医学图像分割任务介绍：核磁共振成像（MRI）肿瘤识别
核磁共振图像通常由多个序列的图片组成，可以将其视为具有多个“通道”（channel）的单张图像。我们的目标是将图像中的肿瘤区域准确地分割（识别）出来。
主要挑战：由于拍摄时可能存在位置旋转，不同序列的图片在拼接时可能出现无法对齐的情况，这会影响识别准确率。
解决方案：使用图像配准技术，将待配准的图像通过几何变换对齐到参考图像的坐标系，使对应结构精准重合。
两种识别方法：
[*]二维方法
对每个序列（每个通道）的二维图片单独进行分割，再将结果整合。
缺点：容易丢失序列间的三维上下文信息。例如，某个序列的肿瘤特征无法传递给其他序列。
[*]三维方法
将三维数据整体输入模型进行分割。
问题：医疗影像数据量巨大（可达几百MB），直接输入会占用过多内存和计算资源。
常用方法：将原始三维数据切割成多个小块（三维信息块）分批输入。
缺点：切割可能导致块与块之间的空间信息（上下左右关系）缺失。
常用模型：UNet分割模型。
优势：即使在仅有几百个训练样本的情况下，也能取得不错的分割效果。
常用损失函数：Soft Dice Loss，常用于衡量模型预测的分割区域与真实区域的重叠程度。
以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。 学习！
页:
[1]