医学影像组学SCI论文案例0基础工科背景如何实现模型构建全过程!

医学选题方向，写作标准，文献检索，资料获取，代码获取，模型解读，影像学训练要领。

影像学SCI论文案例分析，让你了解建模的全过程。

很多人在做影像学的时候，对影像学的整个流程不是很了解。本期我们以三篇典型的影像学论文为例，详细讲解影像学论文的选题方向和写作方法。希望能系统地帮助你提高医学科研和医学论文写作水平。

谁说影像学论文只能掺水，要带你分析优质模型，重现优质模型，超越优质模型，工作！

接下来，首先再现一篇SOTA分割论文:Pranet:并行反向注意网络用于息肉分割，发表在国际公认的医学图像分析领域最具影响力的学术会议MICCAI2020上。所提出的方法在直肠内镜息肉检测任务中的效果是爆发式的，平均数据集超过了之前的SOTA 7个百分点以上。同时，该方法可以移植到许多类似的场景中，如鼻内窥镜息肉区域检测、胃镜溃疡病变区域检测，甚至各种病变(肿瘤)区域分割的场景。

来源:影像学工作站

结肠镜检查是检测结肠直肠息肉的有效技术，结肠直肠息肉与结肠直肠癌高度相关。在临床实践中，从结肠镜图像中识别息肉的位置和大小是非常重要的，因为它为诊断和手术提供了有价值的信息。然而，由于两个主要原因，建立准确的息肉分割算法是一项艰巨的任务:

I同类型息肉大小、颜色、质地不同；

二。息肉与其周围粘膜之间的界限不清楚。

为了解决这些挑战，提出了一种并行反向注意网络(PraNet)用于结肠镜图像中息肉的精确分割。具体来说，首先使用并行部分解码器(PPD)聚合高层网络的特征，并基于聚合的特征生成全局地图，作为后续组件的初始引导区域。此外，使用反向注意(RA)模块挖掘边界线索，该模块可以建立区域和边界线索之间的关系。由于区域和边界之间的递归合作机制，PraNet可以校准一些未对齐的预测，从而提高分割精度。对五个具有挑战性的数据集在六个指标上的定量和定性评价表明，PraNet显著提高了分割精度，取得了更好的泛化性能和实时分割效率(？50fps)表现出很多优势。

表达结构

通过使用并行部分解码器(PPD)来聚合上层网络层中的特征，生成全局特征地图，该地图被用作后续步骤的初始引导区域。为了进一步挖掘边界线索，使用一组递归反向注意模块(RA)来建立区域和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，该模型可以校准一些未对齐的预测。

模型介绍

1.基于并行部分解码器(PPD模块)的特征聚合

与高层特征相比，低层特征由于空间分辨率更大，需要更多的计算资源，但对性能的贡献较小。基于Res2Net的骨干网提取了五层特征，其中f1和f2为低层特征，f3、f4和f5为高层特征。高级功能通过并行连接进行聚合。图中所示的PD部分是基于并行的部分解码器，从而获得全局映射Sg。

2.倒车注意模块(RA)

全局图Sg来自最深的卷积神经网络层，只能捕捉息肉组织相对粗略的位置，没有结构细节。针对这一问题，提出了一种通过擦除前景对象来逐步挖掘差异息肉区域的策略。通过这种策略，不准确和粗糙的估计可以细化为准确和完整的边缘预测图。通过将从高级侧输出的特征f乘以反向注意权重a来获得输出反向注意特征r:

a可以描述为:

p(。)表示上采样操作。是σ sigmoid函数。？()表示从全1矩阵e中减去输入的逆运算符。

数据采购

本课程提供了Pranet原始论文中使用的结肠镜检查分割训练模型的数据。同时，感兴趣的同学可以根据自己的需求，在grand-challenge上下载自己感兴趣的数据集，进行实验。

代码获取

课程使用的代码来自论文中提到的开源代码地址，深度约简算法实验的研究环境，让你用上目前最好的算法。

培训要点

1.代码工程文件加载。

2.配置Pranet运行时环境(如有必要，使用GPU)。

3.实验数据配置过程

a)培训数据路径

b)数据存储格式

4.更改测试数据配置环境。

5.理解训练过程中实验结果的意义。

结果展示

现在你还有一个问题，模型重现，构建也费时费力。这是给汤不用勺子，也是解渴！别担心，我们给你免费试用成像组模型的训练桌面。从操作界面，数据处理，代码实现，结果展示一系列操作，进行简单易行的操作功能和学习路径设计，让零基础的小白轻松上手！此外，考虑到数据的私密性，我们开发了医学人工智能实验平台，进行即插即用一键训练。同时我们用案例分解课程作为平台指南，让数据跑起来！

欢迎大家在下面键入评论，一起讨论！