资源节约型医学图像的自动分割

卷积神经网络(cnn)的核心利益是共享和重量,他们可以自动检测重要的视觉特征。明h . Vu教授和他的团队发现,cnn在自动分段肿瘤非常有效,器官和结构,这意味着cnn可以节省放射肿瘤学家描述时的时间。

首先,一个端到端的级联深度学习网络是有效的,并承诺量化不确定性在医学图像的分割。第二,提出新颖的损失函数,所谓“data-adaptive损失函数,证明了它可以在深度学习解决不同的问题,包括不平衡数据集、部分标记数据和增量学习。第三,作品之一,专为压缩高维激活地图,显示,以至于体重梯度正则化效应,作用于层。采用该技术,研究人员激活映射内存使用减少了95%。

总的来说,Vu的博士论文针对医学图像的分类和分割。公共和内部数据集。被使用的深度学习架构生成(甘斯)和对抗的网络卷积神经网络(cnn)。该小组还使用许多方法在整个论文:统计测试(弗里德曼测试之后Nemenyi事后测试)找到的方法明显不同于其他人,hyper-parameter搜索,交叉验证,和合奏,等等。