- Извлечение коронарных сосудов в последовательностях рентгеноскопических рентгеновских снимков с использованием оптимизации соответствия сосудов (arXiv)
Автор: Сын Ён Шин, Сучан Ли, Кён Джин Но, Иль Дон Юн, Кён Му Ли.
Аннотация: Мы представляем метод извлечения коронарных сосудов из рентгеноскопических рентгеновских последовательностей. Учитывая структуру сосуда для исходного кадра, кандидаты на соответствие сосуду в последующем кадре генерируются с помощью новой схемы иерархического поиска для преодоления проблемы апертуры. Оптимальные соответствия определяются в рамках марковской оптимизации случайных полей. Постобработка проводится для извлечения ветвей сосудов, вновь видимых из-за притока контрастного вещества. Количественная и качественная оценка, проведенная на наборе данных из 18 последовательностей, демонстрирует эффективность предложенного метода.
2. 3D-морфомика, морфологические признаки на КТ для диагностики злокачественных новообразований в легких (arXiv)
Автор:Элиас Муньос, Пьер Бодо, Ван-Хоа Ле, Шарль Войтон, Бенджамин Ренуст, Дэнни Фрэнсис, Владимир Гроза, Жан-Кристоф. Бриссе», Эсекьель Жеремия, Антуан Яннесси, Ян Лю, Бенуа Юэ
Аннотация: Патологии систематически вызывают морфологические изменения, таким образом, обеспечивая основной, но недостаточно количественный источник наблюдаемых для диагностики. В исследовании разработана прогностическая модель патологических состояний на основе морфологических признаков (3D-морфомика) на объемах компьютерной томографии (КТ). Разработан полный рабочий процесс для извлечения сетки и упрощения поверхности органа в сочетании с автоматическим извлечением морфологических признаков, заданных распределением средней кривизны и энергии сетки. Затем контролируемый XGBoost классификатор обучается и тестируется на 3D-морфомике для прогнозирования патологических состояний. Эта структура применяется для прогнозирования злокачественности узлов легких. В подмножестве базы данных NLST с подтвержденной биопсией злокачественности, используя только 3D-морфомику, модель классификации легочных узлов на злокачественные и доброкачественные достигает 0,964 AUC. Три других набора классических признаков обучаются и тестируются: (1) клинически значимые признаки дают AUC 0,58, (2) радиомика 111 дает AUC 0,976, (3) наземная истина радиолога (GT), содержащая размер узла, затухание и Спикулятивные качественные аннотации дают AUC 0,979. Мы также тестируем модель Брока и получаем AUC 0,826. Сочетание функций 3D-морфомики и радиомики дает самые современные результаты с AUC 0,978, где 3D-морфомика обладает одними из самых высоких прогностических способностей. В качестве проверки на общедоступной независимой когорте модели применяются к набору данных LIDC, 3D-морфомика достигает AUC 0,906, а 3D-морфомика+радиомика достигает AUC 0,958, что занимает второе место в задаче среди глубоких моделей. Он устанавливает распределения кривизны как эффективные функции для прогнозирования злокачественности легочных узлов и новый метод, который может быть применен непосредственно к произвольной задаче компьютерной диагностики.
3. Контентно-ориентированное сжатие изображений (arXiv)
Автор : Мэн Ли, Шанъинь Гао, Ихуэй Фэн, Ибо Ши и Цзин Ван.
Аннотация: В последние годы, с развитием глубоких нейронных сетей, сквозное оптимизированное сжатие изображений достигло значительного прогресса и превзошло классические методы с точки зрения скорости искажения. Однако большинство методов сжатия изображений на основе обучения не имеют маркировки и не учитывают семантику или содержание изображения при оптимизации модели. На самом деле, человеческие глаза имеют разную чувствительность к различному контенту, поэтому необходимо учитывать и содержание изображения. В этой статье мы предлагаем контентно-ориентированный метод сжатия изображений, который обрабатывает различные типы содержимого изображений с помощью различных стратегий. Обширные эксперименты показывают, что предлагаемый метод обеспечивает конкурентоспособные субъективные результаты по сравнению с современными методами сквозного обучения или классическими методами сжатия изображений.
4. RHA-Net: сеть кодировщика-декодера с остаточными блоками и гибридными механизмами внимания для сегментации трещин дорожного покрытия (arXiv)
Автор: Гуйцзе Чжу, Чжун Фань, Цзячэн Лю, Дуань Юань, Пейли Ма, Мейхуа Ван, Вэйхуа Шэн, Кельвин С. П. Ван
Аннотация :Аннотация — сбор и оценка данных о поверхности дорожного покрытия играют важную роль в оценке состояния дорожного покрытия. В этой статье предлагается эффективная и действенная сквозная сеть для автоматической сегментации трещин дорожного покрытия, называемая RHA-Net, для повышения точности сегментации трещин дорожного покрытия. Сеть RHA-Net строится путем интеграции остаточных блоков (ResBlocks) и гибридных блоков внимания в архитектуру кодер-декодер. ResBlocks используются для улучшения способности RHA-Net извлекать высокоуровневые абстрактные функции. Гибридные блоки внимания предназначены для объединения как низкоуровневых, так и высокоуровневых функций, чтобы помочь модели сфокусироваться на правильных каналах и областях трещин, тем самым улучшая возможности представления функций RHA-Net. Набор данных изображений, содержащий 789 изображений трещин дорожного покрытия, собранных мобильным роботом собственной разработки, создается и используется для обучения и оценки предложенной модели. По сравнению с другими современными сетями предлагаемая модель обеспечивает лучшую производительность, а функциональные возможности добавления остаточных блоков и гибридных механизмов внимания подтверждены в ходе всестороннего исследования абляции. Кроме того, облегченная версия модели, созданная путем введения свертки с разделением по глубине, обеспечивает лучшую производительность и гораздо более высокую скорость обработки с 1/30 от числа параметров U-Net. Разработанная система может сегментировать трещину дорожного покрытия в режиме реального времени на встроенном устройстве Jetson TX2 (25 FPS). Видео, снятое в ходе экспериментов в реальном времени, размещено по адресу https://youtu.be/3XIogk0fiG4.
