基于条件生成对抗网络的咬翼片图像分割

doi:10.19678/j.issn.1000-3428.0050445

计算机工程 ›› 2019, Vol. 45 ›› Issue (4): 223-227. doi: 10.19678/j.issn.1000-3428.0050445

基于条件生成对抗网络的咬翼片图像分割

蒋芸,谭宁,张海,彭婷婷

西北师范大学计算机科学与工程学院,兰州 730000

收稿日期:2018-02-07 出版日期:2019-04-15 发布日期:2019-04-15
作者简介:蒋芸(1970—),女,教授、博士,主研方向为图像分割、数据挖掘、粗糙集理论及应用;谭宁、张海、彭婷婷,硕士研究生。
基金资助:
国家自然科学基金(61163036);甘肃省自然科学基金(1606RJZA047);甘肃省高校研究生导师科研项目(1201-16);西北师范大学第三期“知识与创新工程”科研骨干项目(nwnu-kjcxgc-03-67)。

Bitewing Radiography Image Segmentation Based on Conditional Generative Adversarial Network

JIANG Yun,TAN Ning,ZHANG Hai,PENG Tingting

School of Computer Science and Engineering,Northwest Normal University,Lanzhou 730000,China

Received:2018-02-07 Online:2019-04-15 Published:2019-04-15

摘要/Abstract

摘要：

现有基于U型网络(U-Net)的咬翼片图像分割方法将咬翼片X射线图像分割成龋齿、牙釉质、牙本质、牙髓、牙冠、修复体和牙根管7个部分,但分割准确率偏低。为此,提出一种改进的咬翼片图像分割方法,将条件生成对抗网络与U-Net相结合对咬翼片进行分割,使判别器与生成器相互优化,获得具有更多上下文信息的分割特征图。实验结果表明,改进方法的Dice系数相比U-Net方法提升了0.133,分割准确率更高。

关键词: 生成对抗网络, 图像分割, 深度学习, U型网络, 数据增强

Abstract:

The existing bitewing radiography image segmentation method based on U-Net divides the X-ray image of the bitewing radiography into caries,enamel,dentin,pulp,crown,prosthesis and root canal,but the segmentation accuracy is low.So,this paper proposes an improved method to segmentation bitewing radiograpy images.The conditional Generative Adversarial Network(cGAN) combined with U-Net to segmentation the bitewing radiograpy images.It optimizes the discriminator and the generator to obtain a segmentation feature map with more context information.Experimental results show that the Dice coefficient of the improved method is improved by 0.133 compared to the U-Net method, and the segmentation accuracy is higher.

Key words: Generative Adversarial Network(GAN), image segmentation, deep leaning, U-Net, data enhancement

中图分类号:

TP391

蒋芸,谭宁,张海,彭婷婷. 基于条件生成对抗网络的咬翼片图像分割[J]. 计算机工程, 2019, 45(4): 223-227.

JIANG Yun,TAN Ning,ZHANG Hai,PENG Tingting. Bitewing Radiography Image Segmentation Based on Conditional Generative Adversarial Network[J]. Computer Engineering, 2019, 45(4): 223-227.

https://www.ecice06.com/CN/Y2019/V45/I4/223

参考文献

［1］AL-AMRI S S,KALYANKAR N V.Image segmentation by using threshold techniques［EB/OL］.［2018-01-16］.http://www.arXiv preprint arXiv:1005.
［2］KANG J K.Moving region segmentation using parse motion cue from a moving camera［C］//Proceedings of the 12th International Conference Intelligent Autonomous Systems.Berlin,Germany:Springer,2012:257-264.
［3］GAUR P.Recognition of 2D barcode images using edge detection and morphological operation［EB/OL］.［2018-01-16］.https://ijcsmc.com/docs/papers/April2 014/V3I4201499b59.pdf.
［4］KINGMA D P,MAX W.Auto-encoding variational Bayes［EB/OL］.［2018-01-16］.https://arxiv.org/abs/1312.6114.
［5］GOODFELLOW I J,POUGET-ABADIE J,MIRZA M,et al.Generative adversarial nets［EB/OL］.［2018-01-16］.https://arxiv.org/abs/1406.2661.
［6］LEDIG C,THEIS L,HUSZAR F,et al.Photo-realistic single image super-resolution using a generative adversarial network［EB/OL］.［2018-01-16］.https://arxiv.org/abs/1609.04802.
［7］HU Y P,GIBSON E,VERCAUTEREN T,et al.Intraoperative organ motion models with an ensemble of conditional generative adversarial networks［C］//Proceedings of International Conference on Medical Image Computing and Computer-assisted Intervention.Berlin,Germany:Springer,2017:368-376.
［8］HU Y P,GIBSON E,LEE L L.Freehand ultrasound image simulation with spatially conditioned generative adversarial networks［C］//Proceedings of International Workshop on Reconstruction and Analysis of Moving Body Organs.Berlin,Germany:Springer,2017:105-115.
［9］KOHL S,BONEKAMP D,SCHLEMMER H.Adversarial networks for the detection of aggressive prostate cancer［EB/OL］.［2018-01-16］.https://arxiv.org/abs/1702.08014.
［10］TAN P L,EVANS R W,MORGAN M V.Caries,bitewings,and treatment decisions［J］.Australian Dental Journal,2002,47(2):138-141.
［11］臧晶,宋凯.基于多分辨率分析理论的口腔CT图像的增强［J］.沈阳电力高等专科学校学报,2004,6(3):48-50.
［12］杨玲,王中科,王云鹏.牙缝约束下模糊连接法对单颗牙齿的分割［J］.计算机工程与设计,2009,30(21):5031-5036.
［13］LIN P L,HUANG P W,CHO Y S,et al.An automatic and effective tooth isolation method for dental radiographs［J］.Opto-electronics Review,2013,21(1):126-136.
［14］莫宏兵,赵刚.基于细菌模糊聚类算法的牙齿图像分割技术研究［J］.黑龙江医药科学,2014,34(1):108-109.
［15］RONNEBERGER O,FISCHER P,BROX T.Dental X-ray image segmentation using a U-shaped deep convolutional network［EB/OL］.［2018-01-16］.http://www-o.ntust.edu.tw/~cweiwang/ISBI2015/challen ge2/isbi2015_Ronneberger.pdf.
［16］SUTSKEVER I,JOZEFOWICZ R,GREGOR K,et al.Towards principled unsupervised learning［EB/OL］.［2018-01-16］.https://arxiv.org/abs/1511.06440
［17］GOODFELLOW I,BENGIO Y,COURVILLE A.Deep learning［M］.Cambridge,UK:MIT Press,2016.
［18］RATLIff L J,BURDEN S A,SASTRY S S.Characterization and computation of local Nash equilibria in continuous games［C］//Proceedings of the 51st Annual Allerton Con-ference on Communication,Control,and Computing.Monticello,USA:IEEE Press,2013:917-924.
［19］MIRZA M,OSINDERO S.Conditional generative adversarial nets［EB/OL］.［2018-01-16］.https://arxiv.org/abs/1411.1784.
［20］RADFORD A,METZ L,CHINTALA S.Unsupervised representation learning with deep convolutional generative adversarial networks［EB/OL］.［2018-01-16］.https://arxiv.org/abs/1511.06434.
［21］KINGMA D,BA J.Adam:a method for stochastic optimization［EB/OL］.［2018-01-16］.https://arxiv.org/abs/1412.6980v8.
［22］SALIMANS T,GOODFELLOW I,ZAREMBA W,et al.Improved techniques for training gans［EB/OL］.［2018-01-16］.https://arxiv.org/abs/1606.03498.
［23］GULRAJANI I,AHMED F,ARJOVSKY M,et al.Improved training of wasserstein GANs［EB/OL］.［2018-01-16］.https://arxiv.org/abs/1704.00028v3.
［24］RONNEBERGER O,FISCHER P,BROX T.U-net:convolutional networks for biomedical image segmenta-tion［C］//Proceedings of MICCAI’15.Berlin,Germany:Springer,2015:234-241.
［25］PATHAK D,KRAHENBUHL P,DONAHUE J,et al.Context encoders:feature learning by inpainting［EB/OL］.［2018-01-16］.https://arxiv.org/abs/1604.07379.

[1]	牛瑞婷, 严天峰, 高锐, 王映植. 低信噪比下基于深度学习TCNN-MobileNet的调制识别[J]. 计算机工程, 2024, 50(7): 204-215.
[2]	张溢文, 蔡满春, 陈咏豪, 朱懿, 姚利峰. 融合空间特征的多尺度深度伪造检测方法[J]. 计算机工程, 2024, 50(7): 240-250.
[3]	肖慈, 徐杨, 张永丹, 冯明文, 黄易仟. 结合注意力和低光增强的夜间语义分割[J]. 计算机工程, 2024, 50(7): 271-281.
[4]	张诗婧, 莫绪涛, 赵行, 董杨林. 基于球面折反射成像和YOLOv7的内螺纹缺陷检测[J]. 计算机工程, 2024, 50(7): 282-292.
[5]	林芷薇, 杨祖元, 王斯秋, 杨超. 基于多尺度线性全局注意力的运动员检测算法[J]. 计算机工程, 2024, 50(7): 352-359.
[6]	徐明亮, 李芳媛, 马浩然, 何飞. 大规模神经记录的峰电位聚类算法(特邀)[J]. 计算机工程, 2024, 50(6): 1-34.
[7]	魏琢艺, 罗迈, 李文兵, 曾远松, 余伟江, 杨跃东. 基于多源域适应的单细胞智能分类[J]. 计算机工程, 2024, 50(6): 48-55.
[8]	李子杰, 周菊香, 韩晓瑜, 甘健侯, 鹿泽光, 王俊. 序列特征与学习过程融合的知识追踪模型[J]. 计算机工程, 2024, 50(6): 77-85.
[9]	胡庆. 多尺度融合与双输出U-Net网络的行人重识别[J]. 计算机工程, 2024, 50(6): 102-109.
[10]	李永飞, 李铭洋, 常鑫, 曹可欣. 基于可解释性深度学习的物联网水质监测数据异常检测[J]. 计算机工程, 2024, 50(6): 179-187.
[11]	张慧妍, 梁勇, 兰景宏, 赵强. 基于记忆模块与过滤式生成对抗网络的入侵检测方法[J]. 计算机工程, 2024, 50(6): 197-207.
[12]	李致金, 汤佳辉, 闫金凤. 基于边缘计算的轻量化识别方法[J]. 计算机工程, 2024, 50(6): 287-295.
[13]	李雪, 王雅文, 张前进. 基于信息检索的源代码自动命名[J]. 计算机工程, 2024, 50(6): 304-310.
[14]	张宝鑫, 杨丹, 聂铁铮, 寇月. 基于自监督的多视角图协同过滤推荐方法[J]. 计算机工程, 2024, 50(5): 100-110.
[15]	孙帮勇, 马铭, 于涛. 基于区域特征强化的多尺度伪装目标检测方法[J]. 计算机工程, 2024, 50(5): 209-219.

选择文件类型/文献管理软件名称

选择包含的内容

基于条件生成对抗网络的咬翼片图像分割

Bitewing Radiography Image Segmentation Based on Conditional Generative Adversarial Network

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

基于条件生成对抗网络的咬翼片图像分割

Bitewing Radiography Image Segmentation Based on Conditional Generative Adversarial Network

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价