logo

SWUFE数学讲坛七十四:Weighted U-Net for Pre_Mask Pancreas Segmentation使用加权UNet对胰腺与胰腺癌进行分割

发布时间:2021年10月19日 15:06发布人:

主题:Weighted U-Net for Pre_Mask Pancreas Segmentation使用加权UNet对胰腺与胰腺癌进行分割主讲人:华南师范大学  叶颀教授主持人:经济数学学院 车茂林副教授时间:2021年10月26日(周二)10:10-11:10直播平台及会议ID:腾讯会议:230297459;密码:1026主办单位:经济数学学院 科研处主讲人简介:叶颀现任华南师范大学数学科学学院的教授和博士生导师,一直从事核函数逼近方法的理论及其应用研究。叶教授在美国伊利诺理...

主题:Weighted U-Net for Pre_Mask Pancreas Segmentation使用加权UNet对胰腺与胰腺癌进行分割

主讲人:华南师范大学  叶颀教授

主持人:经济数学学院 车茂林副教授

时间:2021年10月26日(周二)10:10-11:10

直播平台及会议ID:腾讯会议:230297459;密码:1026

主办单位:经济数学学院 科研处


主讲人简介:

叶颀现任华南师范大学数学科学学院的教授和博士生导师,一直从事核函数逼近方法的理论及其应用研究。叶教授在美国伊利诺理工大学(Illinois Institute of Technology)博士学习期间师从核函数逼近方法专家Gregory E. Fasshauer教授,博士毕业后到美国雪城大学(Syracuse University)与计算数学专家许跃生教授展开博士后研究工作,之后又到香港与径向基函数专家韩耀宗教授和凌立云教授展开合作研究。叶教授师是第十二批国家海外高层次人才引进计划青年人才项目入选者,并是国家自然科学基金重点项目和广东省高校重大科研项目的项目负责人。叶教授主要的研究方向是逼近论及其在机器学习与数据分析中的应用,并和许教授共同提出了国际原创性研究课题——稀疏机器学习方法,相关的122页论文《Generalized Mercer Kernels and Reproducing Kernel Banach Spaces》发表在了美国数学学会主办的期刊《Memoirs of the American Mathematical Society》,该期刊每期只刊登一篇文章,并是该期刊发表的首篇关于机器学习的论文,也是国内计算数学工作者首次在该期刊发表的长文。叶教授在华南师范大学成立了“机器学习与最优化计算实验室”,成员由国内外专家学者组成,实验室是以机器学习方法的数学理论为主要研究目标,研究范畴包括逼近论、最优化理论、支持向量机、人工神经网络和图像配准算法等,并将相关研究成果应用于教育大数据分析与医疗大数据分析,正在与南方医科大学珠江医院的方驰华主任团队开展联合研究,开发具有自主知识产权的医疗辅助软件。

内容提要:

An automatic segmentation of organs is still urgently needed in computer-aided diagnosis. In this talk, we focus on a pancreas segmentation in CT scan. The accuracy of the pancreas segmentation is relatively lower comparing to the state-of-the-art segmentation of organs as a liver. We propose a variants of weighted U-Net to adjust the weight of different depth. Our model has a different depth of the classical U-Net, and moreover, we can accelerate the inference speed of our model by a pruning scheme as a U-Net++. Different from the classical segmentation method on small organ with cropping the region, we also develop a pre-mask for the small region to use the complete CT scan. To analyze the real data, we get the higher Dice scores than the same method with cropping the region.

随着数字医学的发展,半自动或者全自动的器官分割算法逐渐嵌入计算机诊断系统。在众多器官中,胰腺在CT图像中体积小,且与周边器官没有强烈的灰度对比,因此胰腺边缘不是很清晰,因此以往的胰腺分割方法并不能很好的将胰腺分割出来。本文基于胰腺与器官分割,使用了来自医院的真实数据,并且得到专业医生勾画的标签,做了如下工作:(1)在基于前人的工作下,提出了加权UNet来调整胰腺分割过程中的特征。相对于以网使用UNet对医学图像进行分割分割,Attention UNet 集中在胰腺区域对胰腺分割,我们将胰腺分割的不同深度单独提取出来,从而展示出更接近医生描述的胰腺分割边界。另外,(2)我们使用先验特征,对胰腺边界进行先验提取,从而在半自动的情况下,胰腺的分割精度进一步提升。