1、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 segmentation1、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
2、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-maxSoft-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
浙ICP备2021020529号-1 | 浙B2-20240490 
