top of page

Segmentation & Measurement 

傳統的人工分割方法耗時且易受主觀影響，難以穩定識別複雜的血管結構。為解決這一挑戰，本研究利用機器學習技術進行腦部磁振造影（MRA）影像的血管分割與狹窄檢測，以提高診斷的精度與效率。研究採用了各種U-Net模型，能有效進行醫學影像的精細分割，減少醫護人員的工作量，提供更快速、準確的診斷，幫助醫生治療腦血管疾病，降低社會成本，改善患者生活品質。

01

image.png

資料集 ( Dataset )

  • ITKTubeTK - Bullitt - Healthy MR Database: 這個資料集包含健康志願者的腦部MR影像，專為醫學研究、教學和臨床應用開發提供免費資源，特別適用於研究腦血管特性和相關病理分析。

  • Cerebrovascular Segmentation Dataset: 提供了 45 個腦血管 TOF-MRA 影像和相應的Ground truth，用於腦血管分割方法的研究

  • Costa Dataset: 在不同磁場強度(1.5T 和 3.0T)下採集的影像，其中包括 8 個不同資料中心的 423 張 TOF-MRA 影像

 

02

Model 介紹

  • Residual Block (殘差塊):

    • 替代標準 U-Net 的兩個連續卷積層。

    • 引入快捷連接，讓輸入直接加到輸出，解決梯度消失問題。

    • 提高模型的訓練效果和收斂速度。

  • Batch Normalization (批量歸一化):

    • 每個卷積層後接一個批量歸一化層。

    • 加快訓練速度並提升模型穩定性。

    • 標準 U-Net 未明確包含此設計。

  • Dropout (隨機丟棄):

    • 殘差塊內加入 dropout 層。

    • 幫助防止過度擬合。

    • 標準 U-Net 通常不包含或僅在特定位置使用。

image.png
1_yAdGUSpgPaciiCx3nLuykQ.webp

03

image.png
image.png

損失函數

Tversky Loss Function

  • 介紹:

    • 專為解決類別不平衡和小目標檢測問題設計的損失函數。

    • 基於 Tversky 指數推導而來，廣泛應用於醫學影像分割任務。

    • 在檢測小型結構（如腫瘤、血管）時表現尤為出色。

  • 特性:

    • 解決類別不平衡:

    • 可通過調整權重參數 α 和 β，針對正負類比例不平衡進行優化。

    • 能讓模型更專注於稀有類別，適合處理腫瘤或血管等佔比極小的分割目標。

image.png

研究結果​

 

Page.1

image.png
image.png

Preprocessing

  • MIP

  • Ellipse mask

  • Image Normalization

  • Data Augmentation

  • Convert format to PNG file

Environment

  • JupyterLab

  • Virtual Machine

  • graphics card: A100

  • Python version: 3.10

參考論文

 
bottom of page