基于信念函数理论与深度学习的医学图像分割
计算机视觉与模式识别
2023-09-13 v1
摘要
深度学习凭借强大的学习和特征表示能力在医学图像分割中展现出可喜的贡献。然而，其在处理与融合不完美（不精确、不确定和部分）信息方面存在局限。在本论文中，我们研究基于信念函数理论与深度学习的医学图像分割方法，特别关注基于不确定证据的信息建模与融合。首先，我们回顾现有的基于信念函数理论的医学图像分割方法并讨论其优势与挑战。其次，我们提出一种半监督医学图像分割框架，通过证据分割与证据融合降低因标注缺乏引起的不确定性。第三，我们比较两种证据分类器，即证据神经网络与径向基函数网络，并展示信念函数理论在不确定性量化中的有效性；我们将这两种证据分类器与深度神经网络结合构建用于淋巴瘤分割的深度证据模型。第四，我们提出一种多模态医学图像融合框架，在执行不同分割任务时利用质量函数和上下文折扣考量各MR图像源的可靠性。
引用
@article{arxiv.2309.05914,
title = {Medical Image Segmentation with Belief Function Theory and Deep Learning},
author = {Ling Huang},
journal= {arXiv preprint arXiv:2309.05914},
year = {2023}
}
备注
Ph.D. Thesis