- · 《影像研究与医学应用》[05/29]
- · 《影像研究与医学应用》[05/29]
- · 《影像研究与医学应用》[05/29]
- · 《影像研究与医学应用》[05/29]
- · 《影像研究与医学应用》[05/29]
利用MONAI加速医学影像学的深度学习研究(2)
作者:网站采编关键词:
摘要:MONAI research实现通过使用以下预处理模块显示了简单的实现: · AddChannelDict · Compose · RandCropByPosNegLabeld · Rand3Delasticd · SpatialPadd 它还使用网络模块(如卷
MONAI research实现通过使用以下预处理模块显示了简单的实现:
· AddChannelDict
· Compose
· RandCropByPosNegLabeld
· Rand3Delasticd
· SpatialPadd
它还使用网络模块(如卷积)和分层工厂(layer factory)使用相同的模块接口轻松处理2D或3D输入。损失函数和度量模块简化了模型的训练和评估。这个实现还包括一个训练和验证管道的工作示例。
Figure 6. Segmentation accuracy (Dice coefficient, %) and inference time (s) comparisons among 3D U-Net and 3D SEU-Net of different sizes (#filters in the first convolutional layer: 32, 64, 128) and different input sizes (64×64×64, 128×128×128, whole image or 192×192×192) on Head and Neck nine organ auto-segmentation and decathlon liver and tumor segmentation datasets.
本研究表明:
大的模型和输入可以提高分割精度。
大的输入大大减少了推理时间。LAMP可以作为医学图像分析任务的一个有用的工具,例如大图像配准、检测和神经结构搜索。
摘要
这篇文章强调了医学影像学的深度学习研究是如何与MONAI一起建立起来的。这两个研究实例都使用了MONAI v0.2.0中的代表性特性,它允许快速原型化研究想法。
扩展阅读:
ImageJ实用技巧——图像自动配准
最近流行的目标检测数据集介绍
如何用本地的VSCode连接极链AI的GPU服务器
整理 - 室内定位数据集
深度学习在医学图像分析领域的综述
深度学习福利 免费GPU算力资源领取!
深度学习在医学图像分析领域的综述
2020多维度内容识别挑战赛圆满结束
最近流行的目标检测数据集介绍
小目标检测的增强算法
文章来源:《影像研究与医学应用》 网址: http://www.yxyjyyxyy.cn/zonghexinwen/2020/0802/427.html