医学影像组学选题方向、写作标准、文献检索、数据获取，代码获取，模型解译，训练要领
影像组学SCI论文案例让你了解模型构建全过程
很多人在做影像组学时，对影像组学的整体流程还不太清楚，本期，我们以三篇典型影像组学论文为例，详细讲解影像组学类论文的选题方向和写作方法。希望能系统的帮助大家提升医学科研水平及医学论文写作水平。
谁说影像组学论文只能灌水，带你分析优质模型，复现优质模型，超越优质模型，干活走起！
接下来，首先，复现一篇SOTA的分割论文：PraNet：Parallel Reverse Attention Network for Polyp Segmentation，这篇论文发表在医学图像分析领域国际公认的最具影响力的学术会议MICCAI2020。论文提出的方法在直肠内镜息肉检测任务中效果表现炸裂，在各个数据集上平均超过前SOTA 7个以上百分点。同时这个方法可以迁移到很多类似的场景，例如鼻内镜息肉区域检测、胃镜溃疡病灶区域检测，甚至各种病灶（肿瘤）区域分割的场景。
来源：影像组学工作站
结肠镜检查是一种检测大肠息肉的有效技术，大肠息肉与大肠癌高度相关。在临床实践中，从结肠镜检查图像中识别息肉的位置以及大小非常重要，因为它为诊断和手术提供了有价值的信息。但是，构建准确的息肉分割算法是一项艰巨的任务，主要有两个原因：
i. 相同类型的息肉具有不同的大小、颜色和质地；
ii. 息肉及其周围粘膜之间的边界不清晰。
为了解决这些挑战，提出了一个并行反向注意网络（PraNet），用于在结肠镜检查图像中进行精确的息肉分割。具体来说，首先使用并行部分解码器（PPD）对高层级网络的特征进行聚合，基于聚合特征，生成一个全局map，并作为后面组件的初始指导区域（guidance area）。此外，使用反向注意力（RA）模块挖掘边界线索（boundary cues），该模块能够建立区域与边界线索之间的关系。由于区域和边界之间的循环合作（recurrent cooperation）机制， PraNet能够校准一些未对齐的预测，从而提高分割精度。在六个指标上对五个具有挑战性的数据集进行定量和定性评估表明， PraNet显著提高了分割精度，并在泛化性能和实时分割效率（〜50fps）方面显示了许多优势。
表达结构
通过使用并行部分解码器（PPD）聚合高层网络层中的特征，生成全局特征图（global map），并将其作为后续步骤的初始指导区域（guidance area）。为了进一步挖掘边界线索，利用一组循环反向注意力（RA）模块(recurrent reverse attention mudules)来建立区域与边界线索之间的关系。由于区域和边界之间的这种循环合作机制，模型能够校准一些未对齐的预测
模型介绍
1. 基于并行的部分解码器的特征聚合（PPD模块）
与高级特征相比，低级特征由于其更大的空间分辨率而需要更多的计算资源，但是对性能的贡献较小。基于Res2Net的backbone网络提取5个层次的特征，其中f1和f2为低级特征，f3、f4和f5是高级特征。通过并行连接来聚合高级特征，如图所示的PD部分就是基于并行的部分解码器，从而得到全局映射图Sg。
2. 反向注意力模块（RA）
全局映射图Sg来自最深的卷积神经网络层，它只能捕捉息肉组织的相对粗略位置，而没有结构细节。为解决该问题，提出一种通过擦除前景对象的方式逐步挖掘有区别的息肉区域的策略。通过该策略最终可以将不精确和粗略的估计细化为准确而完整的边缘预测图。通过将高级侧输出的特征f乘以反向注意力权重A来获得输出的反向注意力特征R：
其中A可描述为：
P（.）表示上采样操作。σ是sigmoid函数。⊖(·) 表示从全1矩阵E中减去输入的反向运算符。
数据获取
本课程提供Pranet原生论文使用的肠镜分割训练模型的数据，同时感兴趣的同学可以自行根据自己的需要，在grand-challenge上下载自己感兴趣的数据集，进行实验。
代码获取
课程中使用的代码来源于论文中提到的开源代码地址，深度还原算法实验的科研环境，达到上手就可以使用当前最好算法的效果。
训练要领
1. 代码工程文件加载。
2. 配置Pranet运行时环境（必要时需要使用到GPU）。
3. 实验数据配置流程
a) 训练数据路径
b) 数据存放格式
4. 更改测试数据配置环境。
5. 理解训练过程中的实验结果含义。
结果呈现
现在你还有一个困扰，模型复现，构建也是费时费力，这是给汤不给勺，也是望梅止渴！放心，我们给可以大家提供影像组学模型训练桌面免费试用，从操作界面、数据处理、代码实现，结果呈现一系列操作进行了简便易行的操作功能和学习路径设计，零基础小白轻松上手！另外考虑到数据的私密性，开发了即插即用一键训练的医学人工智能实验平台，同时配套案例分解课程作为平台使用指引，让数据跑起来！
欢迎大家在下方打出自己的评论，大家一起讨论！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。