日志

2018年4月1日

主动脉组会:
徐淼学姐的方法进行复现,完成了数据准备的部分,后边的步骤老师的意见是:现在逐像素提取周围图像块然后进行分类等操作的方法比较过时(不是端到端的),建议直接使用 U-net 来对图像进行处理,然后对输出结果再结合其他的一些先验信息,例如位置、尺度、方向等,使用分类器进行增强或者分类(例如非线性 SVM)。
明天准备血管组文献分享的各方法,基于 Hessian 矩阵的相关方法(先在 2D 上做实验,只是进行方法上的演示),暂定选择3个方法?

2018年3月31日

开始准备血管分割组会的 tutorial,首先是基础的基于 Hessian 矩阵分析的相关算法:

  • Frangi 滤波器
  • Zheng Yefeng 的基于 boosting 树的学习算法
  • 徐淼学姐的基于 CNN 的分割算法

今天完成的部份是将 private 数据集的前15个数据的标注结果对齐并进行了统计,用 parzen 窗估计的方法得到了冠脉的分布模型。
明天考虑复现徐淼学姐之前的算法(基于CNN的冠脉增强算法)。

2018年3月25日

主动脉组会:
近一段时间主要看增强相关的文献,冯老师的想法可能是计算图像在相应方向上的 hessian 矩阵,但是不使用 frangi 滤波器的 vesselness 函数,而是类似 Zheng 的那篇文章一样,利用非线性分类器来提取 hessian 矩阵的特征值以及特征向量与血管之间的关系,而不是像 frangi 那样利用经验知识设计函数。
这里可以参考的文献,以及冯老师的一些建议:

  • 基于 Gabor 滤波器(3D)的一些文章,我感觉可能和2D的指纹是类似的,也是使用很多不同方向的滤波器,然后将这些结果根据方向先验进行选取然后组合起来,但是对于3D数据的问题在于一个结果的体积较大,若要存下很多滤波器的结果,内存消耗会很大,另外耗时可能也是问题。
  • 最小代价路径的方法也可以加入方向和尺度信息,Lesage 的 review 文章中有列举很多相关的算法。
  • 高斯函数的方向二阶导,可以认为是方向滤波器?这个网站的一些信息可以看看,还有 Sato 的经典文章也需要看一看。
  • Jerman, Enhancement of Vascular Structures in 3D and 2D Angiographic Images, TMI 2016. 总结了许多基于hessian矩阵的方法。
  • Y. Zheng, Machine Learning Based Vesselness Measurement for Coronary Artery Segmentation in Cardiac CT Volumes, SPIE 2011. 用了很多局部特征,但是没有用hessian特征,这也是一种综合先验与局部特征的方式,用这种方法,可以对比各种特征的有效性,他没有单独去估计分布、方向场等先验,而是直接把这些位置和方向场特征一起和局部图像特征作为特征向量,进行判别式学习。是一种比较省力的方法。
  • 你可以定量研究几种经验公式(hessian特征值)、几种特征(用某分类器)、以及先验知识的体素分类性能,最终趋势应该是深度学习做局部分类,再通过某种分类器把全局先验融合进来,作为局部方法,深度学习应该会比基于hessian的经验公式和传统分类器好。
    此外,冯老师建议我等到文献分享的时候讲基于 hessian 矩阵的方法,并且做一些实验来辅助展示,这个最近要开始做起来了。

胰腺组会:
主要还是先看一下数据的特点,哪些模态的 MR 图像可以比较清晰地看到胰腺周围血管以及其他的一些器官管腔,例如胆总管、胰管等,可以跟医生做相关交流。该部分的方法还是借鉴前边冠脉的做法,增强的思路是类似的。