1.1應(yīng)用場(chǎng)景常使用深度學(xué)習(xí)。在醫(yī)學(xué)領(lǐng)域有很多儀器設(shè)備涉及到各種各樣的醫(yī)學(xué)分割。如圖1-2所示的目標(biāo)區(qū)域，這一區(qū)域可能是單個(gè)閉合區(qū)域，可能是多個(gè)1.2難點(diǎn)介紹(1)將大腦區(qū)域與非大腦區(qū)域分離。腦部分割的第一個(gè)困難是將腦部區(qū)域與非腦部區(qū)域 (例如頭骨)分開(kāi)。腦部亮度是MRI圖像分割中非常重要的功能。然而，由于MRI圖像中對(duì)于MRI,掃描時(shí)間越長(zhǎng)，分辨率越高。但是，實(shí)際上，成人腦MRI研究大約需要30分鐘才能獲得圖像，這會(huì)影響空間分辨率。顯然，掃描時(shí)間越長(zhǎng)(空間分辨率越高),分割效果(3)基于獨(dú)立像素/體積元素亮度分割所需特征)的亮度進(jìn)行圖像分割是可行的，但是此操作需要關(guān)注目標(biāo)相對(duì)于背景的亮度有較大差標(biāo)函數(shù)，性能良好，并且還可以平滑地處理醫(yī)學(xué)圖像因?yàn)镕CN算法是在無(wú)視了空間紋理細(xì)節(jié)的狀況下起作用的，僅僅是為了達(dá)到優(yōu)化的目的只1.3難點(diǎn)解決思路要的。此時(shí)，提取的結(jié)果可以用mask表示，也可以生成只有腦組織的新圖像，然后發(fā)送給本文所研究的基于醫(yī)學(xué)圖像分割的加權(quán)變分模型是為了處理的全世界每天都產(chǎn)生大量人人均醫(yī)師占比差距過(guò)大等問(wèn)題，本課題目標(biāo)是提素剛好處在所需分割區(qū)域的邊界上，那么這種相似就是有害的了。在醫(yī)學(xué)領(lǐng)域是如此，任(2)在同一副圖像中不同類(lèi)別或?qū)嵗南袼夭痪獾膯?wèn)題。不同物體分割的難度也并不是這樣訓(xùn)出來(lái)的模型，是建立在每個(gè)物體類(lèi)別的像素?cái)?shù)，以及每個(gè)物體的分割難度是差不多的假設(shè)下的。往往樣本少的，結(jié)構(gòu)復(fù)雜不好分割的類(lèi)別(如(sofa,bike,chair)效果會(huì)比較差，而且整體的結(jié)果的方差還是相對(duì)比較大的。(3)如何對(duì)遮擋區(qū)域進(jìn)行建模。對(duì)于人類(lèi)來(lái)說(shuō)能夠很好的處理遮擋問(wèn)題，因?yàn)槿祟?lèi)大腦事先知道每一類(lèi)事物的大致結(jié)構(gòu)，能夠想象出被遮擋的物體的大概區(qū)域在哪里。那么怎么讓網(wǎng)絡(luò)模型也具有這樣的能力呢?是否需要對(duì)被遮擋的區(qū)域進(jìn)行單獨(dú)的通道進(jìn)行建模?或者直接對(duì)圖像進(jìn)行分層解析，即是把一張圖像看成有多張包含不同語(yǔ)義(實(shí)例)圖像的組合，這些都是未可知的問(wèn)題。(4)CNNlii的分割網(wǎng)絡(luò)耗顯存的問(wèn)題。通常在12GGPU上訓(xùn)練ResNet101分類(lèi)模型，可以將batch_size設(shè)置為大約32,但是如果訓(xùn)練基于Resnet101的網(wǎng)絡(luò)框架分段模型，則batch_size只能下降到大約4甚至下降到1。這是因?yàn)槟Ｐ偷氖諗克俣确浅Ｂ?。具有較大數(shù)據(jù)集的卡(例如Coco)不會(huì)運(yùn)行一兩周。并非每個(gè)應(yīng)用場(chǎng)景硬件設(shè)備都具有如此大的視頻內(nèi)存，也不是每個(gè)研究小組都具有用于訓(xùn)練模型的服務(wù)器集群。根本原因在于，分割不僅需要諸如分類(lèi)之類(lèi)的高級(jí)語(yǔ)言信息，而且還需要高分辨率的特征圖來(lái)恢復(fù)圖像的詳細(xì)特征。但是，高語(yǔ)義通常需要更多的通道來(lái)表示，這導(dǎo)致高語(yǔ)義和特征圖的高分辨率是無(wú)法組合的兩件事。但是真的是這樣嗎?這樣的結(jié)論基于FCN或EncoderDecoder的現(xiàn)有分段網(wǎng)絡(luò)架構(gòu)。這些結(jié)構(gòu)的模型通常在末尾的特征圖中(映射到類(lèi)別熱量圖中的特征圖)具有更高的分辨率和更多的通道數(shù)。(5)如何簡(jiǎn)單有效區(qū)分同一類(lèi)物體的不同實(shí)例。以及如何簡(jiǎn)單有效區(qū)分統(tǒng)一類(lèi)物體的不同實(shí)例依然是一個(gè)開(kāi)放的問(wèn)題。multi-streamfeatures[J].Knowledge-B[2]左艷，黃鋼，聶生東.深度學(xué)習(xí)在醫(yī)學(xué)影像智能處理中的應(yīng)用與挑戰(zhàn)[J].中國(guó)圖象圖形學(xué)[4]殷曉航，王永才，李德英.基于U-Net結(jié)構(gòu)改進(jìn)的醫(yī)學(xué)影像分割技術(shù)綜述[J].軟件學(xué)[6]梁文宇，龔濤，吳宇翔.改進(jìn)的遺傳算法在醫(yī)學(xué)圖像中的應(yīng)用[J].傳感器與微系[8]LuXQ,WuJS,RenXY,etal.Thes2014,125(9):2142-2147.[9]RonnebergerO,FischerP,BroxT.U-Net:convolutisegmentation[C]//ProceedingsoftheComputingandComputer-AssistedIntervention.Cham:Springer,2[12]湯旻安，王晨雨.基于改進(jìn)Canny算法與Hough變換的軌道圖像邊緣提取[J/OL].鐵道標(biāo)準(zhǔn)設(shè)2021(03):17-19+22.[16]李佳宇，陳利霞.基于局部和全局活動(dòng)輪廓的醫(yī)學(xué)圖像分割模型[J].桂林電子科技大學(xué)學(xué)[17]M.KasslA.Witkin,D.Terzopoulos,Snakes:activecontourmodels1(1988)321-331.[18]J.Zhang,K.Chen1B.Yu,D.A.GouldlAlocaliimagesegmentation,InverseProb.Imaging8(2014)[19]S.Osher,JASethian,FrontspropagatingHamilton-Jacobiformulations,J.Comput.Phys.79(1988)12-49.ClassificationandIdentification,London,UK,2015[C].[21]LA.Vese,T.EChan,AmultiphaseMumfordandShahmodel,Int.J.Comput.Vis.50(2002)271-293.[22]J.Lie,M.LysakertX.-C.Tai,Avariantofsegmentation