Deep Learning is powerful approach to segment complex medical image.
This example shows how to create, train and evaluate a V-Net network to perform 3-D lung tumor segmentation from 3-D medical images. The steps to train the network include:
・Download and preprocess the training data.
・Create a randomPatchExtractionDatastore that feeds training data to the network.
・Define the layers of the V-Net network.
・Specify training options.
・Train the network using the trainNetwork function.
After training the V-Net network, the example performs semantic segmentation. The example evaluates the predicted segmentation by a visual comparison to the ground truth segmentation and by measuring the Dice similarity coefficient between the predicted and ground truth segmentation.
[Japanese] 医用画像処理において、Deep Learningは非常に強力なアプローチの一つです。
本デモでは、3-D医用画像(ボリュームデータ)からの肺腫瘍のセマンティックセグメンテーション例をご紹介します。
利用するネットワークはV-Netで、V-Netの作成、学習と評価までの流れでご紹介します。
V-Netを学習させるまでの手順は以下の通りとなります。
・学習用データのダウンロードと前処理
・randomPatchExtractionDatastoreの作成
・V-Netの定義
・学習オプションの指定
・trainNetwork関数によるV-Netの学習
V-Netを学習した後、予め分割しておいたテストデータに対してセマンティックセグメンテーションを行い、結果の評価を行います。結果の可視化と、Dice類似係数による定量評価を行います。
[Keyward] 画像処理・セグメンテーション・3次元・3-D・ディープラーニング・DeepLearning・デモ・IPCVデモ
・ニューラルネットワーク・医用画像
引用
Kei Otsuka (2024). 3-D Deep Learning : Lung Tumor Segmentation (https://www.mathworks.com/matlabcentral/fileexchange/71521-3-d-deep-learning-lung-tumor-segmentation), MATLAB Central File Exchange. 取得済み .
MATLAB リリースの互換性
プラットフォームの互換性
Windows macOS Linuxカテゴリ
- Image Processing and Computer Vision > Computer Vision Toolbox > Recognition, Object Detection, and Semantic Segmentation > Semantic Segmentation >
タグ
Community Treasure Hunt
Find the treasures in MATLAB Central and discover how the community can help you!
Start Hunting!