CN111598892A - 一种基于Res2-UNeXt网络结构的细胞图像分割方法 - Google Patents
一种基于Res2-UNeXt网络结构的细胞图像分割方法 Download PDFInfo
- Publication number
- CN111598892A CN111598892A CN202010300212.7A CN202010300212A CN111598892A CN 111598892 A CN111598892 A CN 111598892A CN 202010300212 A CN202010300212 A CN 202010300212A CN 111598892 A CN111598892 A CN 111598892A
- Authority
- CN
- China
- Prior art keywords
- network
- res2
- unext
- segmentation
- cell
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
一种基于Res2‑UNeXt网络结构的细胞图像分割方法,先对网络结构进行设计,根据细胞图像的特征,设计出合适且有效的网络;在U‑Net网络中加入了残差结构和多尺度卷积方法,分割过程为:利用训练图像的标签图来得出计算Loss所需的权值图;将原始的训练数据集输入进Res2‑NeXt网络,根据计算出的损失来更新网络的参数。不断迭代训练,直到网络预测的精度可以达到一个稳定的水平;利用已经训练好的网络来预测,输入新的数据就能得到一张细胞的分割图。本发明提出了一个多尺度的网络结构Res2‑UNeXt;能更好地获取粗粒度和细粒度的信息,从而提高了本方法分割的性能。
Description
技术领域
本发明属于图像处理领域,是一种多尺度的端到端的(细胞)图像分割方法。
背景技术
图像分割的目的是将图像分割成几个特定的、独特的区域并提取出感兴趣的对象。这是图像处理到图像分析是一个关键的步骤。随着医学图像分割技术的发展,不仅促进了图像可视化、三维重建等医学图像处理相关技术的发展,而且在生物医学图像分析中发挥着极其重要的作用。近年来,由于深度学习算法在医学图像分割中的应用,医学图像分割技术取得了巨大的进步。
基于分片架构的深度神经网络是一种较简单分割方法,它在每个像素周围选择带有该像素的标签的小块来训练网络。但是这个方法用一个分片的数据仅仅只代表整个图像中一个像素的标签,这导致该方法通常需要花费很长时间来训练一个完美的模型。
基于编解码器网络的方法例如U-Net和FCN等编解码器结构极大的提高了图像语义分割的精度。全卷积网络(FCN)是一个具有里程碑意义的分水岭,它接受任意大小的输入,并通过有效的推理和学习产生相同大小的输出。同时,他们将之前的分类网络改造成完全卷积的网络,并将迁移学习应用到分割任务中。Chen 提出的Deeplab模型首次证明锚卷积在语义分割中的重要性。为了平滑最终的分割图的边缘,Deeplab还使用了条件随机域(CRF)作为后处理步骤。此后, Ronneberger提出了U-Net架构来分割生物医学图像。它通过从较小尺寸的特征逐步向上采样到原始图像的尺寸来实现了编解码网络结构。在U-Net之后,许多 U-Net的变体结构被提出。TernausNet用VGG11编码器取代了U-Net编码器,并获得了Kaggle Carvana图像分割挑战的冠军。UNet++设计了一个具有密集跳跃连接的嵌套U-Net体系结构。此外,受到残差连接和稠密连接的启发,Res-UNet和 dense-UNet使用残差连接和稠密连接来代替U-Net的block。但是所有这些变体基本都没有关注网络多尺度信息获取的能力。而医学图像分割恰恰需要较高的精度并且医学图像分割的目标通常也是多尺度的,例如细胞图像中的细胞大小不同。因此,一个优秀的医学图像分割模型必须有能力较好获得粗粒度和细粒度的信息。换句话说,这个模型必须是一个多尺度的架构。Gao等人提出了一种新的多尺度骨干结构,称为Res2Net。它在图像分割和目标检测方面具有较好的性能。以这个架构为灵感,将Res2Net骨架结构嵌入到U-Net架构中,命名为Res2-UNeXt。
发明内容
为了弥补众多图像分割网络无法较好的获取多尺度信息的不足,本发明在 U-Net中加入了一个新的多尺度网络骨架结构——Res2Net并提出了一个多尺度的网络结构Res2-UNeXt。该结构能更好地获取粗粒度和细粒度的信息,从而提高了本方法分割的性能。
为了解决上述技术问题本发明提供如下的技术方案:
一种基于Res2-UNeXt网络结构的细胞图像分割方法,所述方法包括以下步骤:
S1.建立网络模型Res2-UNeXt:
所述网络模型Res2-UneXt中,选择U-Net这个编解码模型作为网络的基本骨架结构,融合了组卷积和残差结构的ResNeXt模型,并在ResNeXt中添加了一个分层结构,即Res2Net,该结构在网络中提出了一个新的维度,即尺度;
S2.网络架构设计细节:
在Res2-UNeXt中,解码器部分由6个Res2XBlock组成,编码器由4个 Res2Xblock组成;
Res2-UNeXt网络是由修改过的残差块Res2Xblock连接而成,连接的方法参考了U-Net的长连接方法,在每个Res2Xblock中,使用了一个3×3的卷积层来初始化上一层传递下来的特征图,紧接着的就是Res2NeXt结构块,它将特征图平均分成4个子块,分别用xi,i∈{1,2,3,4}来表示,每个子特征图的空间尺寸大小是一样的,但是通道数是输入特征的1/4,除了x1子特征图,其余每个子特征图都要进行相应的3×3组卷积,卷积的过程用Mi()表示,其结果用yi表示。并且xi在进行卷积操作前要与yi-1进行融合操作,yi的公式写成:
由公式可以看出,每次卷积前输入的特征图都融合了所有之前子特征图的信息。以及每次卷积操作后,其感受野也会不断的扩大,综合这些影响,那些特征图经过Res2Xblock后,其特征就包含多感受野的信息,即多尺度信息;
在网络的解码部分,每个残差块输出的结果都要用步长为2的最大化池层进行下采样,该操作可以进一步的扩大感受野和减少网络的参数,在网络的编码部分,每次残差块后需要进行上采样来恢复尺度,并融合对应的解码网络的特征来弥补网络在下采样过程中所造成的特征损失;
S3.损失函数:
网络的损失函数使用了最后一层的特征图和细胞的实际分割标注图进行像素级的交叉熵损失,损失函数写成:
其中x为标注图上的任意一点,pλ(x)(x)为当前x点的soft-max的计算值,λ(x) 为当前点的真实便签,w为计算的权值图;
预先计算每个标签的权值图,以补偿训练数据集中某个类的不同像素频率所引起的类间不平衡问题,并且使网络在计算损失时可以更关注于相近细胞边缘部分的分割效果;只给出相近但是不接触细胞之间的区域赋予高权值,权值w的计算公式为:
其中wcb是为了应对类间不平衡的权值,dist1(x)为当前像素点离最近的细胞的距离,dist2(x)为当前像素点离第二近的细胞的距离,w0和σ2为超参数;
S4.网络的训练和图像分割的测试
利用训练图像的标签图来得出计算Loss所需的权值图,然后将原始的训练数据集输入进Res2-NeXt网络,根据计算出的损失来更新网络的参数,不断迭代训练,直到网络预测的精度可以达到一个稳定的水平,再利用已经训练好的网络来预测,输入新的细胞图像数据就能得到一张细胞的分割图。
本发明的有益效果为:能够有效的获取分割图像的多尺度信息,从而提高了细胞分割的精度。
附图说明
图1是Res2-UNeXt的整体网络框架图
图2是Res2netBlock的网络框架图
图3是权值对比图
图4是基于Res2-UNeXt网络结构的(细胞)图像分割方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图4,一种基于Res2-UNeXt网络结构的(细胞)图像分割方法,包括以下步骤:
S1.建立网络模型Res2-UNeXt
本发明的网络模型Res2-UNeXt包含了以下3个部分:
1.选择U-Net这个编解码模型作为网络的基本骨架结构。U-Net是一种简单但是有效的图像分割模型,其扩展性非常好,所以是基本骨架的合适之选。
2.为了保证在深度神经网络的训练过程中的稳定性,融合了组卷积和残差结构的ResNeXt模型是一个很好的选择。残差结构能够很大尺度上消除了深度神经网络结构中存在的梯度消失和梯度爆炸问题。组卷积能够使得网络能获取更好的特征。
3.为了能够更好的理解多尺度信息,本发明在ResNeXt中添加了一个分层结构,即Res2Net。它在网络中提出了一个新的维度。即尺度,这是除了现有的深度,宽度和基数维度之外的一个重要且有效的因素。这个维度可以在更细粒度水平上提高卷积神经网络的多尺度特征提取的能力。
S2.网络架构设计细节:
在Res2-UNeXt中,解码器部分由6个Res2XBlock组成,编码器由4个 Res2Xblock组成,下面将详细介绍Res2-UNeXt的细节架构。
Res2-UNeXt网络是由修改过的残差块(Res2Xblock)连接而成(如图1所示),连接的方法参考了U-Net的长连接方法,在每个Res2Xblock中,使用了一个3×3 的卷积层来初始化上一层传递下来的特征图。紧接着的就是Res2NeXt结构块(如图2所示),它将特征图平均分成4个子块,分别用xi,i∈{1,2,3,4}来表示。每个子特征图的空间尺寸大小是一样的,但是通道数是输入特征的1/4。除了x1子特征图,其余每个子特征图都要进行相应的3×3组卷积,卷积的过程用Mi()表示,其结果用yi表示。并且xi在进行卷积操作前要与yi-1进行融合操作;为了减少参数,取消了对x1子特征图的卷积操作,因此yi的公式写成:
由公式可以看出,每次卷积前输入的特征图都融合了所有之前子特征图的信息,以及每次卷积操作后,其感受野也会不断的扩大,综合这些影响,那些特征图经过Res2Xblock后,其特征就包含多感受野的信息,即多尺度信息。
在网络的解码部分,每个残差块输出的结果都要用步长为2的最大化池层进行下采样,这可以进一步的扩大感受野和减少网络的参数。在网络的编码部分,每次残差块后需要进行上采样来恢复尺度,并融合(长连接)对应的解码网络的特征来弥补网络在下采样过程中所造成的特征损失。
S3.损失函数:
网络的损失函数使用了最后一层的特征图和细胞的实际分割标注图进行像素级的交叉熵损失,损失函数写成:
其中x为标注图上的任意一点,pλ(x)(x)为当前x点的soft-max的计算值,λ(x) 为当前点的真实便签,w为计算的权值图。
预先计算每个标签的权值图,以补偿训练数据集中某个类的不同像素频率所引起的类间不平衡问题,并且使网络在计算损失时可以更关注于相近细胞边缘部分的分割效果。但是权值图与U-Net中提出的权值图不同(见图4),任务是语义分割而不是实例分割,赋予每个接触细胞之间的区域较高的权值会使模型的分割能力变差,因此,只给出相近但是不接触细胞之间的区域赋予高权值。以此,也不需要使用腐蚀操作来获得接触细胞之间的分离边界(图4),权值w的计算公式为:
其中wcb是为了应对类间不平衡的权值,dist1(x)为当前像素点离最近的细胞的距离,dist2(x)为当前像素点离第二近的细胞的距离,w0和σ2为超参数,分别设置为9和25。
S4.网络的训练和图像分割的测试
如图4所示:利用训练图像的标签图来得出计算Loss所需的权值图,然后将原始的训练数据集输入进Res2-NeXt网络,根据计算出的损失来更新网络的参数。不断迭代训练,直到网络预测的精度可以达到一个稳定的水平,再利用已经训练好的网络来预测,输入新的细胞图像数据(即测试数据),就能得到一张细胞的分割图,如图1模型最右端所示。
Claims (1)
1.一种基于Res2-UNeXt网络结构的细胞图像分割方法,所述方法包括以下步骤:
S1.建立网络模型Res2-UNeXt:
所述网络模型Res2-UneXt中,选择U-Net这个编解码模型作为网络的基本骨架结构,融合了组卷积和残差结构的ResNeXt模型,并在ResNeXt中添加了一个分层结构,即Res2Net,该结构在深度神经网络中提出了一个新的维度,即尺度;
S2.网络架构设计细节:
在Res2-UNeXt中,解码器部分由6个Res2XBlock组成,编码器由4个Res2Xblock组成;
Res2-UNeXt网络是由修改过的残差块Res2Xblock连接而成,连接的方法参考了U-Net的长连接方法,在每个Res2Xblock中,本方法使用了一个3×3的卷积层来初始化上一层传递下来的特征图,紧接着的是Res2NeXt结构块,它将特征图平均分成4个子块,分别用xi,i∈{1,2,3,4}来表示,每个子特征图的空间尺寸大小是一样的,但是通道数是输入特征的1/4,除了x1子特征图,其余每个子特征图都要进行相应的3×3组卷积,卷积的过程用Mi()表示,其结果用yi表示。并且xi在进行卷积操作前要与yi-1进行融合操作,yi的公式写成:
由公式可以看出,每次卷积前输入的特征图都融合了所有之前子特征图的信息。以及每次卷积操作后,其感受野也会不断的扩大,综合这些影响,那些特征图经过Res2Xblock后,其特征就包含多感受野的信息,即多尺度信息;
在网络的解码部分,每个残差块输出的结果都要用步长为2的最大化池层进行下采样,这可以进一步的扩大感受野和减少网络的参数,在网络的编码部分,每次残差块后需要进行上采样来恢复尺度,并融合对应的解码网络的特征来弥补网络在下采样过程中所造成的特征损失;
S3.损失函数:
网络的损失函数使用了最后一层的特征图和细胞的实际分割标注图进行像素级的交叉熵损失,损失函数写成:
其中x为标注图上的任意一点,pλ(x)(x)为当前x点的soft-max的计算值,λ(x)为当前点的真实便签,w为计算的权值图;
本方法预先计算每个标签的权值图,以补偿训练数据集中某个类的不同像素频率所引起的类间不平衡问题,并且使网络在计算损失时可以更关注于相近细胞边缘部分的分割效果;本方法只给出相近但是不接触细胞之间的区域赋予高权值,权值w的计算公式为:
其中wcb是为了应对类间不平衡的权值,dist1(x)为当前像素点离最近的细胞的距离,dist2(x)为当前像素点离第二近的细胞的距离,w0和σ2为超参数;
S4.网络的训练和图像分割的测试
利用训练图像的标签图来得出计算Loss所需的权值图,然后将原始的训练数据集输入进Res2-NeXt网络,根据计算出的损失来更新网络的参数,不断迭代训练,直到网络预测的精度可以达到一个稳定的水平,再利用已经训练好的网络来预测,输入新的细胞图像数据就能得到一张细胞的分割图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010300212.7A CN111598892B (zh) | 2020-04-16 | 2020-04-16 | 一种基于Res2-UNeXt网络结构的细胞图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010300212.7A CN111598892B (zh) | 2020-04-16 | 2020-04-16 | 一种基于Res2-UNeXt网络结构的细胞图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598892A true CN111598892A (zh) | 2020-08-28 |
CN111598892B CN111598892B (zh) | 2023-06-30 |
Family
ID=72187492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010300212.7A Active CN111598892B (zh) | 2020-04-16 | 2020-04-16 | 一种基于Res2-UNeXt网络结构的细胞图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598892B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112164034A (zh) * | 2020-09-15 | 2021-01-01 | 郑州金惠计算机系统工程有限公司 | 一种工件表面缺陷检测方法、装置、电子设备及存储介质 |
CN112183635A (zh) * | 2020-09-29 | 2021-01-05 | 南京农业大学 | 一种多尺度反卷积网络实现植物叶部病斑分割与识别方法 |
CN112287931A (zh) * | 2020-12-30 | 2021-01-29 | 浙江万里学院 | 一种场景文本检测方法及系统 |
CN112465745A (zh) * | 2020-10-26 | 2021-03-09 | 脉得智能科技(无锡)有限公司 | 一种基于全卷积回归网络的细胞计数方法 |
CN112750132A (zh) * | 2021-02-01 | 2021-05-04 | 闽江学院 | 基于双路径网络和通道注意的白细胞图像分割方法 |
CN112885464A (zh) * | 2021-03-12 | 2021-06-01 | 华东师范大学 | 一种基于Att-Res2-CE-Net的鼻内部疾病实时辅助诊疗系统 |
CN112950615A (zh) * | 2021-03-23 | 2021-06-11 | 内蒙古大学 | 一种基于深度学习分割网络的甲状腺结节侵袭性预测方法 |
CN113160232A (zh) * | 2021-03-29 | 2021-07-23 | 吉林大学 | 基于MU-Net应用于CT影像的颅内出血病灶分割算法 |
CN113344290A (zh) * | 2021-06-28 | 2021-09-03 | 福建师范大学 | 基于U-Net网络的次季节降雨气象预报订正方法 |
CN113496228A (zh) * | 2021-07-30 | 2021-10-12 | 大连海事大学 | 一种基于Res2Net、TransUNet和协同注意力的人体语义分割方法 |
CN113506307A (zh) * | 2021-06-29 | 2021-10-15 | 吉林大学 | 一种基于残差连接改进U-Net神经网络的医学图像分割方法 |
CN113538472A (zh) * | 2021-07-02 | 2021-10-22 | 华东师范大学 | 一种基于编码-解码网络的向量场引导精细化分割方法 |
CN114399637A (zh) * | 2021-12-02 | 2022-04-26 | 北京航空航天大学 | 一种基于模型相似性衡量的联邦学习影像分割方法 |
CN114694143A (zh) * | 2022-06-01 | 2022-07-01 | 河北医科大学第一医院 | 基于光学手段的细胞图像识别方法及装置 |
CN115345889A (zh) * | 2022-10-13 | 2022-11-15 | 西南科技大学 | 一种肝脏及其肿瘤图像的分割方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109375952A (zh) * | 2018-09-29 | 2019-02-22 | 北京字节跳动网络技术有限公司 | 用于存储数据的方法和装置 |
CN109583425A (zh) * | 2018-12-21 | 2019-04-05 | 西安电子科技大学 | 一种基于深度学习的遥感图像船只集成识别方法 |
CN110032985A (zh) * | 2019-04-22 | 2019-07-19 | 清华大学深圳研究生院 | 一种血细胞自动检测识别方法 |
CN110211137A (zh) * | 2019-06-08 | 2019-09-06 | 西安电子科技大学 | 基于残差网络和U-Net分割网络的卫星图像分割方法 |
-
2020
- 2020-04-16 CN CN202010300212.7A patent/CN111598892B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109375952A (zh) * | 2018-09-29 | 2019-02-22 | 北京字节跳动网络技术有限公司 | 用于存储数据的方法和装置 |
CN109583425A (zh) * | 2018-12-21 | 2019-04-05 | 西安电子科技大学 | 一种基于深度学习的遥感图像船只集成识别方法 |
CN110032985A (zh) * | 2019-04-22 | 2019-07-19 | 清华大学深圳研究生院 | 一种血细胞自动检测识别方法 |
CN110211137A (zh) * | 2019-06-08 | 2019-09-06 | 西安电子科技大学 | 基于残差网络和U-Net分割网络的卫星图像分割方法 |
Non-Patent Citations (3)
Title |
---|
JUNTANG ZHUANG: ""LADDERNET: MULTI-PATH NETWORKS BASED ON U-NET FOR MEDICAL IMAGE SEGMENTATION"", 《ARXIV》 * |
OLAF RONNEBERGER ETAL.: ""U-Net: Convolutional Networks for Biomedical Image Segmentation"", 《SPRINGER》 * |
柳小波,张育维: ""基于 U - Net 和 Res_UNet 模型的传送带矿石图像分割方法"", 《东北大学学报(自然科学版)》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112164034A (zh) * | 2020-09-15 | 2021-01-01 | 郑州金惠计算机系统工程有限公司 | 一种工件表面缺陷检测方法、装置、电子设备及存储介质 |
CN112183635A (zh) * | 2020-09-29 | 2021-01-05 | 南京农业大学 | 一种多尺度反卷积网络实现植物叶部病斑分割与识别方法 |
CN112465745B (zh) * | 2020-10-26 | 2024-04-16 | 脉得智能科技(无锡)有限公司 | 一种基于全卷积回归网络的细胞计数方法 |
CN112465745A (zh) * | 2020-10-26 | 2021-03-09 | 脉得智能科技(无锡)有限公司 | 一种基于全卷积回归网络的细胞计数方法 |
CN112287931A (zh) * | 2020-12-30 | 2021-01-29 | 浙江万里学院 | 一种场景文本检测方法及系统 |
CN112287931B (zh) * | 2020-12-30 | 2021-03-19 | 浙江万里学院 | 一种场景文本检测方法及系统 |
CN112750132A (zh) * | 2021-02-01 | 2021-05-04 | 闽江学院 | 基于双路径网络和通道注意的白细胞图像分割方法 |
CN112885464A (zh) * | 2021-03-12 | 2021-06-01 | 华东师范大学 | 一种基于Att-Res2-CE-Net的鼻内部疾病实时辅助诊疗系统 |
CN112885464B (zh) * | 2021-03-12 | 2022-10-04 | 华东师范大学 | 一种基于Att-Res2-CE-Net的鼻内部疾病实时辅助诊疗系统 |
CN112950615A (zh) * | 2021-03-23 | 2021-06-11 | 内蒙古大学 | 一种基于深度学习分割网络的甲状腺结节侵袭性预测方法 |
CN112950615B (zh) * | 2021-03-23 | 2022-03-04 | 内蒙古大学 | 一种基于深度学习分割网络的甲状腺结节侵袭性预测方法 |
CN113160232A (zh) * | 2021-03-29 | 2021-07-23 | 吉林大学 | 基于MU-Net应用于CT影像的颅内出血病灶分割算法 |
CN113344290A (zh) * | 2021-06-28 | 2021-09-03 | 福建师范大学 | 基于U-Net网络的次季节降雨气象预报订正方法 |
CN113344290B (zh) * | 2021-06-28 | 2023-02-14 | 福建师范大学 | 基于U-Net网络的次季节降水气象预报订正方法 |
CN113506307B (zh) * | 2021-06-29 | 2022-05-27 | 吉林大学 | 一种基于残差连接改进U-Net神经网络的医学图像分割方法 |
CN113506307A (zh) * | 2021-06-29 | 2021-10-15 | 吉林大学 | 一种基于残差连接改进U-Net神经网络的医学图像分割方法 |
CN113538472A (zh) * | 2021-07-02 | 2021-10-22 | 华东师范大学 | 一种基于编码-解码网络的向量场引导精细化分割方法 |
CN113496228B (zh) * | 2021-07-30 | 2024-03-26 | 大连海事大学 | 一种基于Res2Net、TransUNet和协同注意力的人体语义分割方法 |
CN113496228A (zh) * | 2021-07-30 | 2021-10-12 | 大连海事大学 | 一种基于Res2Net、TransUNet和协同注意力的人体语义分割方法 |
CN114399637A (zh) * | 2021-12-02 | 2022-04-26 | 北京航空航天大学 | 一种基于模型相似性衡量的联邦学习影像分割方法 |
CN114694143A (zh) * | 2022-06-01 | 2022-07-01 | 河北医科大学第一医院 | 基于光学手段的细胞图像识别方法及装置 |
CN114694143B (zh) * | 2022-06-01 | 2022-08-09 | 河北医科大学第一医院 | 基于光学手段的细胞图像识别方法及装置 |
CN115345889A (zh) * | 2022-10-13 | 2022-11-15 | 西南科技大学 | 一种肝脏及其肿瘤图像的分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111598892B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598892B (zh) | 一种基于Res2-UNeXt网络结构的细胞图像分割方法 | |
CN110728682B (zh) | 一种基于残差金字塔池化神经网络的语义分割方法 | |
CN110532859B (zh) | 基于深度进化剪枝卷积网的遥感图像目标检测方法 | |
CN112396607B (zh) | 一种可变形卷积融合增强的街景图像语义分割方法 | |
CN110782462A (zh) | 一种基于双流特征融合的语义分割方法 | |
CN110490082B (zh) | 一种有效融合神经网络特征的道路场景语义分割方法 | |
CN112258526B (zh) | 一种基于对偶注意力机制的ct肾脏区域级联分割方法 | |
CN110163213B (zh) | 基于视差图和多尺度深度网络模型的遥感图像分割方法 | |
Liu et al. | Searching a hierarchically aggregated fusion architecture for fast multi-modality image fusion | |
CN111767810A (zh) | 一种基于D-LinkNet的遥感图像道路提取方法 | |
CN105488759B (zh) | 一种基于局部回归模型的图像超分辨率重建方法 | |
Kasem et al. | Spatial transformer generative adversarial network for robust image super-resolution | |
Wu et al. | Remote sensing image super-resolution via saliency-guided feedback GANs | |
Liu et al. | Dual learning-based graph neural network for remote sensing image super-resolution | |
CN114266957A (zh) | 一种基于多降质方式数据增广的高光谱图像超分辨率复原方法 | |
Kang et al. | Multilayer degradation representation-guided blind super-resolution for remote sensing images | |
CN116030357A (zh) | 一种高分辨率遥感图像变化检测深度网络及检测方法 | |
Yang et al. | Multilevel and multiscale network for single-image super-resolution | |
CN110211064B (zh) | 一种基于边缘引导的混合退化文本图像恢复方法 | |
CN114092824A (zh) | 结合密集注意力和并行上采样的遥感图像道路分割方法 | |
CN107622476B (zh) | 基于概率生成模型的图像超分辨处理方法 | |
Zhao et al. | SSIR: Spatial shuffle multi-head self-attention for Single Image Super-Resolution | |
Schirrmacher et al. | Sr 2: Super-resolution with structure-aware reconstruction | |
CN115236606B (zh) | 雷达信号特征提取方法和复数域卷积网络系统 | |
Wang et al. | Face super-resolution via hierarchical multi-scale residual fusion network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |