CN103353986A - 一种基于超像素模糊聚类的脑部mr图像分割方法 - Google Patents
一种基于超像素模糊聚类的脑部mr图像分割方法 Download PDFInfo
- Publication number
- CN103353986A CN103353986A CN2013102095374A CN201310209537A CN103353986A CN 103353986 A CN103353986 A CN 103353986A CN 2013102095374 A CN2013102095374 A CN 2013102095374A CN 201310209537 A CN201310209537 A CN 201310209537A CN 103353986 A CN103353986 A CN 103353986A
- Authority
- CN
- China
- Prior art keywords
- super pixel
- fuzzy
- image
- segmentation
- pixel
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于超像素模糊聚类的脑部MR图像分割方法。其步骤为:1.获取MR图像;2.对MR图像进行超像素分割,得到若干原子区域;3.对灰度值方差较大的原子区域进行二次细化分割;4.对原子区域进行模糊聚类,得到每个原子区域的类别隶属度;5.对于隶属度不够明确的原子区域定义其为模糊块,并用函数迭代方法实现模糊块的归属类判别;6.对原子区域进行超像素合并操作,获得图像分割结果。本发明是超像素方法与模糊c—均值聚类算法的结合,有效利用了二者在图像处理方面的优点,并有针对性的克服了模糊c—均值聚类算法在像素级别聚类时对噪声和偏场敏感的缺陷。比传统模糊c—均值聚类算法有更高的分割准确度和鲁棒性。
Description
技术领域
本发明涉及医学图像分割领域,具体地说是一种基于超像素模糊聚类的脑部MR图像分割方法。
背景技术
医学影像处理与分析借助于图形图像技术的有力手段,利用现有的医学影像设备极大地提高了医学临床诊断水平,为医学的研究与发展提供了坚实的基础,具有重要应用价值。核磁共振技术是一种非侵害性的医学成像技术,通过分析MR图像序列,我们可以得到具有高分辨率的带有解剖学和功能信息的3D图像,这有利于提高诊断水平和对疾病的处理。随着统计学理论、模糊集理论、机器学习理论在图像分割领域应用的不断深入,近几十年来,很多新的方法与思想被应用于医学图像分割领域,其中比较有代表性的有模糊c—均值聚类法以及超像素分割算法。
模糊c—均值聚类算法具有无监督、实现简单、运算速度快等特点,能够准确地分割对比度比较明显、信噪比较高的图像,但也存在着明显的不足。它在聚类过程中仅考虑了单个像素的灰度值分别与各聚类中心的距离,各像素间的数据是相互独立的,未考虑相邻像素之间的影响,也就是未能利用空间信息。因此运用模糊c—均值聚类法分割叠加了噪声的低信噪比MR脑部图像时,会产生较大的偏差。此外,面对某些存在灰度不均现象的图像,如果单纯只用模糊c—均值聚类法进行分割,由于图像整体灰度值对比度较差,因此分割准确率也会比较低。
超像素分割方法能够有效利用空间约束信息,具有一定的抗噪性,并且在强化图像局部一致性的同时保留了图像原始边界信息,超像素分割出来的原子区域还包含了单个像素所不具备的一些图像特征,比如形状、边界轮廓信息以及区域灰度直方图等,有利提高的图像处理的准确度,而且在时间复杂度方面超像素比起单个像素的处理也有较大提高。另外,对于某些图像存在的灰度不均现象,超像素作为原子区域其内部的灰度值差异较小,整体的灰度不均现象则不存在于超像素中,有效的避免了此现象对图像分割的影响。
发明内容
本发明为克服上述现有技术的不足,提供一种基于超像素模糊聚类的脑部MR图像分割方法。该方法可以充分利用模糊聚类在医学图像处理中的优势,并使用超像素方法有针对性的加强空间约束信息以及有效的处理灰度不均问题,弥补了单纯使用模糊c—均值聚类算法在处理噪声和偏场方面的不足,提高了脑部MR图像分割的准确性和鲁棒性。
为实现上述目的,本发明采用如下技术方案:
一种基于超像素模糊聚类的脑部MR图像分割方法,它的步骤为:
第一步,获取MR图像;
第二步,对MR图像进行超像素分割,得到若干原子区域;
第三步,对灰度值方差较大的原子区域进行二次细化分割;
第四步,对原子区域进行模糊聚类,得到每个原子区域的类别隶属度;
第五步,对于隶属度不够明确的原子区域定义其为模糊块,并用函数迭代方法实现模糊块的归属类判别;
第六步,对原子区域进行超像素合并操作,获得图像分割结果。
所述第二步中,采用超像素分割算法对图像进行超像素分割,得到L个超像素Ri{i=1,2,…,L}。
所述第三步中,采用自动阈值分割法进行二次分割:对每个超像素内部灰度值进行方差计算,将获得的方差与设定阈值进行比较,如果大于该阈值,则进行二次分割,然后计算超像素灰度均值;如果小于该阈值,则直接计算超像素灰度均值;为减少噪音点对分割准确度的影响,引入一个比例参数t,仅对于自动阈值分割后所占原超像素比例大于t的区域进行保留,以抑制噪音点的影响;经过二次分割后,总共产生了K个超像素Ri{i=1,2,…,K},K≥L,这K个超像素即是第四步骤所要处理的对象。
所述第四步中,模糊聚类采用模糊c—均值聚类方法,对于MR脑图像,将其内容分为灰质、白质和脑脊液三部分,在模糊c—均值聚类时将聚类数固定设置为三类;聚类时,以每个超像素内部的平均灰度值μ作为聚类参数,通过对上节产生的K个超像素Ri{i=1,2,…,K}进行聚类,得到聚类中心C(c1,c2,c3)以及隶属度矩阵U,每个超像素的分类通过U来确定。
所述第五步中,归属类判别的实现采用基于巴特沃斯函数迭代方法实现模糊块的归属类判别:
Step1对于超像素Ri,定义隶属度向量为Ui(u1,u2,u3),若存在ui=max{u1,u2,u3}>Tc,其中Tc为置信度阈值,则将该超像素标记为第i类,否则标记为模糊块,模糊块集合以F表示;
Step2对Rj∈F,设其相邻超像素集合为Ω={Rj1,Rj2,…,Rjk},分别计算Rj与Ω中每个元素的相似度Sj(sj1,sj2,…,sjk);
Step3若存在sji=maxSj>Ts,则将Rj归为和Rji同一类别。其中Ts为人工定义的置信阈值;
Step4若迭代次数未超过限定次数且仍存在模糊块,则跳转到Step2;
Step5若超过迭代次数后仍存在模糊块,则对模糊块Ri,其隶属度向量为Ui(u1,u2,u3),取uj=maxUi,将Ri归类为第j类;
经过以上步骤后,则所有超像素均完成分类。
所述第六步中,超像素合并为:对于属于同一类别且邻接的超像素,将其合并得到最终的分割结果。
本发明的有益效果是:将聚类对象从像素级别转变到超像素级别,增大了要处理对象的粒度,能够充分利用空间约束信息,因此在抗噪性方面表现良好。此外,超像素作为具有某种感知意义的原子区域,其内部各部分的灰度值差异较小,整体图像的灰度不均现象并不在原子区域内部存在,在处理存在灰度不均现象的图像时,能够有效避免此现象对分割产生的影响。在对超像素进行聚类的过程中,我们提出的基于超像素模糊聚类方法通过引入巴特沃斯函数处理模糊块的归属类判别问题,利用了邻接超像素的信息来判断超像素所属类别,比起硬性划分提高了类别判定的准确度。
基于超像素的模糊聚类是超像素方法与模糊c—均值聚类算法的结合,有效利用了二者在图像处理方面的优点,并有针对性的克服了模糊c—均值聚类算法在像素级别聚类时对噪声和偏场敏感的缺陷。比传统模糊c—均值聚类算法有更高的分割准确度和鲁棒性。
附图说明
图1为本发明的流程图;
图2为巴特沃斯函数曲线图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明。
图1中,本发明的流程如下:
1、超像素分割
超像素分割是相当于对一幅图像进行过分割,其实质上还是可以使用图像分割的形式进行描述。对一幅大小为M*N的图像,令Λ(x,y)表示整个图像网格,其中0≤x≤M,0≤y≤N,对Λ的分割可看成将Λ划分成n个满足以下五个条件的非空子区域R1,R2,R3,…,Rn。
1)
3)对于所有的Ri,i=1,2,…,N,有P(Ri)=true。
4)对于所有的i和j,当i≠j时,有P(Ri∩Rj)=false。
5)对于所有的Ri,i=1,2,…,N,Ri是连通区域。
本发明选取一种超像素分割算法对图像进行超像素分割,得到L个超像素Ri{i=1,2,…,L}。
2、超像素二次分割
因为MR图像中部分区域的边界较为模糊,超像素分割之后的结果可能会出现这样一种情况,即不同组织划分到了同一超像素中。为了减少此类错误引起的分割误差,需在初始超像素分割的基础上进行二次分割。
由于存在错误分割的超像素其方差较一般超像素大,因此可以取序列前部一定百分比的超像素进行二次分割。考虑到MR图像一般为灰度图像,所以本文选取自动阈值分割法进行二次分割。
然而阈值分割法无法有效地抑制噪音点,为减少噪音点对分割准确度的影响,本文引入一个比例参数t,仅对于自动阈值分割后所占原超像素比例大于t的区域进行保留,可有效地抑制噪音点的影响。
经过二次分割后,总共产生了K(K≥L)个超像素Ri{i=1,2,…,K}。这K个超像素即是下面聚类步骤所要处理的对象。
3、模糊c—均值聚类
对于MR脑图像,可以将其内容分为灰质、白质和脑脊液三部分,所以在模糊c—均值聚类时将聚类数固定设置为三类。聚类时,以每个超像素内部的平均灰度值μ作为聚类参数,通过对上节产生的K个超像素Ri{i=1,2,…,K}进行聚类,可以得到聚类中心C(c1,c2,c3)以及隶属度矩阵U。每个超像素的分类可以通过U来确定。
4、归属类判别
鉴于医学图像的模糊性和不均性,直接根据聚类结果将超像素分类不具有很好的可行性,因此有必要引入其他的信息帮助分类。
脑部MR图像中组织一般具有连续性,因此对于不能很好地确定所属类别的超像素可以利用其邻接超像素的信息帮助判断其所属分类。在此处使用超像素之间的相似度S(s1,s2,…,sn)作为邻接信息,其中si表示该超像素与第i个邻接超像素间的相似度。
对相似度的判断采用巴特沃斯函数,其具体函数形式为:
其中,η为容差值,η增大时,在判断相似块时可以允许有较大的灰度差值。μ为待判定的超像素内部像素灰度均值,μi为该超像素邻接块内部像素灰度均值。n为函数级数,n越大则函数下降速度越快。巴特沃斯函数曲线如图2所示。
归属类判别算法步骤如下:
Step1对于超像素Ri,定义隶属度向量为Ui(u1,u2,u3),若存在ui=max{u1,u2,u3}>Tc,其中Tc为置信度阈值,则将该超像素标记为第i类,否则标记为模糊块,模糊块集合以F表示。
Step2对Rj∈F,设其相邻超像素集合为Ω={Rj1,Rj2,…,Rjk},分别计算Rj与Ω中每个元素的相似度Sj(sj1,sj2,…,sjk)。
Step3若存在sji=maxSj>Ts,则将Rj归为和Rji同一类别。其中Ts为人工定义的置信阈值。
Step4若迭代次数未超过限定次数且仍存在模糊块,则跳转到Step2.
Step5若超过迭代次数后仍存在模糊块,则对模糊块Ri,其隶属度向量为Ui(u1,u2,u3),取uj=maxUi,将Ri归类为第j类。
经过以上步骤后,则所有超像素均完成分类。
5、合并超像素获得最终结果
当所有的超像素都确定分类之后,对超像素进行合并操作。对于属于同一类别且邻接的超像素,将其合并得到最终的分割结果。
Claims (6)
1.一种基于超像素模糊聚类的脑部MR图像分割方法,其特征是,它的步骤为:
第一步,获取MR图像;
第二步,对MR图像进行超像素分割,得到若干原子区域;
第三步,对灰度值方差较大的原子区域进行二次细化分割;
第四步,对原子区域进行模糊聚类,得到每个原子区域的类别隶属度;
第五步,对于隶属度不够明确的原子区域定义其为模糊块,并用函数迭代方法实现模糊块的归属类判别;
第六步,对原子区域进行超像素合并操作,获得图像分割结果。
2.如权利要求1所述的基于超像素模糊聚类的脑部MR图像分割方法,其特征是,所述第二步中,采用超像素分割算法对图像进行超像素分割,得到L个超像素Ri{i=1,2,…,L}。
3.如权利要求1所述的基于超像素模糊聚类的脑部MR图像分割方法,其特征是,所述第三步中,采用自动阈值分割法进行二次分割:对每个超像素内部灰度值进行方差计算,将获得的方差与设定阈值进行比较,如果大于该阈值,则进行二次分割,然后计算超像素灰度均值;如果小于该阈值,则直接计算超像素灰度均值;为减少噪音点对分割准确度的影响,引入一个比例参数t,仅对于自动阈值分割后所占原超像素比例大于t的区域进行保留,以抑制噪音点的影响;经过二次分割后,总共产生了K个超像素Ri{i=1,2,…,K},K≥L,这K个超像素即是第四步骤所要处理的对象。
4.如权利要求1所述的基于超像素模糊聚类的脑部MR图像分割方法,其特征是,所述第四步中,模糊聚类采用模糊c—均值聚类方法,对于MR脑图像,将其内容分为灰质、白质和脑脊液三部分,在模糊c—均值聚类时将聚类数固定设置为三类;聚类时,以每个超像素内部的平均灰度值μ作为聚类参数,通过对上节产生的K个超像素Ri{i=1,2,…,K}进行聚类,得到聚类中心C(c1,c2,c3)以及隶属度矩阵U,每个超像素的分类通过U来确定。
5.如权利要求1所述的基于超像素模糊聚类的脑部MR图像分割方法,其特征是,所述第五步中,归属类判别的实现采用基于巴特沃斯函数迭代方法实现模糊块的归属类判别:
Step1对于超像素Ri,定义隶属度向量为Ui(u1,u2,u3),若存在ui=max{u1,u2,u3}>Tc,其中Tc为置信度阈值,则将该超像素标记为第i类,否则标记为模糊块,模糊块集合以F表示;
Step2对Rj∈F,设其相邻超像素集合为Ω={Rj1,Rj2,…,Rjk},分别计算Rj与Ω中每个元素的相似度Sj(sj1,sj2,…,sjk);
Step3若存在sji=maxSj>Ts,则将Rj归为和Rji同一类别。其中Ts为人工定义的置信阈值;
Step4若迭代次数未超过限定次数且仍存在模糊块,则跳转到Step2;
Step5若超过迭代次数后仍存在模糊块,则对模糊块Ri,其隶属度向量为Ui(u1,u2,u3),取uj=maxUi,将Ri归类为第j类;
经过以上步骤后,则所有超像素均完成分类。
6.如权利要求1所述的基于超像素模糊聚类的脑部MR图像分割方法,其特征是,所述第六步中,超像素合并为:对于属于同一类别且邻接的超像素,将其合并得到最终的分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310209537.4A CN103353986B (zh) | 2013-05-30 | 2013-05-30 | 一种基于超像素模糊聚类的脑部mr图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310209537.4A CN103353986B (zh) | 2013-05-30 | 2013-05-30 | 一种基于超像素模糊聚类的脑部mr图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103353986A true CN103353986A (zh) | 2013-10-16 |
CN103353986B CN103353986B (zh) | 2015-10-28 |
Family
ID=49310350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310209537.4A Active CN103353986B (zh) | 2013-05-30 | 2013-05-30 | 一种基于超像素模糊聚类的脑部mr图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103353986B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489198A (zh) * | 2013-10-21 | 2014-01-01 | 钟映春 | 从序列mr图像中自动分割脑干区域的方法 |
CN104240196A (zh) * | 2014-08-21 | 2014-12-24 | 陕西理工学院 | 一种基于fcm的四邻域归类方法 |
CN106919950A (zh) * | 2017-01-22 | 2017-07-04 | 山东大学 | 概率密度加权测地距离的脑部mr图像分割方法 |
CN106997592A (zh) * | 2017-03-30 | 2017-08-01 | 鲁东大学 | 具有实时性的模糊聚类医学图像分割方法 |
CN107533760A (zh) * | 2015-04-29 | 2018-01-02 | 华为技术有限公司 | 一种图像分割方法和装置 |
CN108664976A (zh) * | 2018-04-25 | 2018-10-16 | 安徽大学 | 一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法 |
CN109410214A (zh) * | 2018-10-19 | 2019-03-01 | 山东大学 | 一种具有抗噪性和偏场校正的医学图像分割方法 |
CN110770678A (zh) * | 2017-06-16 | 2020-02-07 | 微软技术许可有限责任公司 | 对象全息增强 |
CN111583274A (zh) * | 2020-04-30 | 2020-08-25 | 贝壳技术有限公司 | 图像分割方法、装置、计算机可读存储介质及电子设备 |
CN111803107A (zh) * | 2020-08-06 | 2020-10-23 | 上海联影医疗科技有限公司 | 一种金属检测方法、装置、设备及存储介质 |
CN111932575A (zh) * | 2020-06-24 | 2020-11-13 | 山东师范大学 | 基于模糊c均值和概率标签融合的图像分割方法及系统 |
CN112800138A (zh) * | 2021-02-04 | 2021-05-14 | 广东云曌医疗科技有限公司 | 大数据分类方法及系统 |
CN113450263A (zh) * | 2020-03-26 | 2021-09-28 | 佳能医疗系统株式会社 | 图像处理方法及图像处理装置 |
CN115841600A (zh) * | 2023-02-23 | 2023-03-24 | 山东金诺种业有限公司 | 基于深度学习的甘薯外观品质分类方法 |
CN117710385A (zh) * | 2024-02-05 | 2024-03-15 | 山东建筑大学 | 基于层次化多轮驱动模糊聚类的图像分割方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1916624A1 (en) * | 2006-10-25 | 2008-04-30 | Agfa HealthCare NV | Method for segmenting a digital medical image. |
CN102831594A (zh) * | 2011-04-29 | 2012-12-19 | 三菱电机株式会社 | 将图像分割成超像素的方法 |
-
2013
- 2013-05-30 CN CN201310209537.4A patent/CN103353986B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1916624A1 (en) * | 2006-10-25 | 2008-04-30 | Agfa HealthCare NV | Method for segmenting a digital medical image. |
CN102831594A (zh) * | 2011-04-29 | 2012-12-19 | 三菱电机株式会社 | 将图像分割成超像素的方法 |
Non-Patent Citations (2)
Title |
---|
田捷 等: "模糊C-均值聚类法在医学图像分析中的应用", 《软件学报》, vol. 12, no. 11, 23 November 2001 (2001-11-23) * |
高尚兵 等: "一种新的基于超像素的谱聚类图像分割算法", 《南京大学学报(自然科学)》, vol. 49, no. 2, 30 March 2013 (2013-03-30) * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489198A (zh) * | 2013-10-21 | 2014-01-01 | 钟映春 | 从序列mr图像中自动分割脑干区域的方法 |
CN104240196A (zh) * | 2014-08-21 | 2014-12-24 | 陕西理工学院 | 一种基于fcm的四邻域归类方法 |
CN107533760A (zh) * | 2015-04-29 | 2018-01-02 | 华为技术有限公司 | 一种图像分割方法和装置 |
CN106919950A (zh) * | 2017-01-22 | 2017-07-04 | 山东大学 | 概率密度加权测地距离的脑部mr图像分割方法 |
CN106919950B (zh) * | 2017-01-22 | 2019-10-25 | 山东大学 | 概率密度加权测地距离的脑部mr图像分割方法 |
CN106997592A (zh) * | 2017-03-30 | 2017-08-01 | 鲁东大学 | 具有实时性的模糊聚类医学图像分割方法 |
CN110770678A (zh) * | 2017-06-16 | 2020-02-07 | 微软技术许可有限责任公司 | 对象全息增强 |
US11257292B2 (en) | 2017-06-16 | 2022-02-22 | Microsoft Technology Licensing, Llc | Object holographic augmentation |
CN110770678B (zh) * | 2017-06-16 | 2021-11-02 | 微软技术许可有限责任公司 | 对象全息增强 |
CN108664976A (zh) * | 2018-04-25 | 2018-10-16 | 安徽大学 | 一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法 |
CN108664976B (zh) * | 2018-04-25 | 2022-06-03 | 安徽大学 | 一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法 |
CN109410214B (zh) * | 2018-10-19 | 2019-08-27 | 山东大学 | 一种具有抗噪性和偏场校正的医学图像分割方法 |
CN109410214A (zh) * | 2018-10-19 | 2019-03-01 | 山东大学 | 一种具有抗噪性和偏场校正的医学图像分割方法 |
CN113450263A (zh) * | 2020-03-26 | 2021-09-28 | 佳能医疗系统株式会社 | 图像处理方法及图像处理装置 |
CN111583274A (zh) * | 2020-04-30 | 2020-08-25 | 贝壳技术有限公司 | 图像分割方法、装置、计算机可读存储介质及电子设备 |
CN111932575B (zh) * | 2020-06-24 | 2023-07-18 | 山东师范大学 | 基于模糊c均值和概率标签融合的图像分割方法及系统 |
CN111932575A (zh) * | 2020-06-24 | 2020-11-13 | 山东师范大学 | 基于模糊c均值和概率标签融合的图像分割方法及系统 |
CN111803107A (zh) * | 2020-08-06 | 2020-10-23 | 上海联影医疗科技有限公司 | 一种金属检测方法、装置、设备及存储介质 |
CN111803107B (zh) * | 2020-08-06 | 2023-09-12 | 上海联影医疗科技股份有限公司 | 一种金属检测方法、装置、设备及存储介质 |
CN112800138A (zh) * | 2021-02-04 | 2021-05-14 | 广东云曌医疗科技有限公司 | 大数据分类方法及系统 |
CN115841600A (zh) * | 2023-02-23 | 2023-03-24 | 山东金诺种业有限公司 | 基于深度学习的甘薯外观品质分类方法 |
CN117710385A (zh) * | 2024-02-05 | 2024-03-15 | 山东建筑大学 | 基于层次化多轮驱动模糊聚类的图像分割方法及系统 |
CN117710385B (zh) * | 2024-02-05 | 2024-05-10 | 山东建筑大学 | 基于层次化多轮驱动模糊聚类的图像分割方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103353986B (zh) | 2015-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103353986A (zh) | 一种基于超像素模糊聚类的脑部mr图像分割方法 | |
Bi et al. | Step-wise integration of deep class-specific learning for dermoscopic image segmentation | |
CN112001218B (zh) | 一种基于卷积神经网络的三维颗粒类别检测方法及系统 | |
CN100545865C (zh) | 一种对图像初始分割边界进行优化的自动分割方法 | |
CN104619257A (zh) | 用于医学图像中的肺结节的自动化检测的系统和方法 | |
CN103996018A (zh) | 基于4dlbp的人脸识别方法 | |
CN104217213B (zh) | 一种基于对称性理论的医学图像多阶段分类方法 | |
CN112674720B (zh) | 基于3d卷积神经网络的阿尔茨海默症的预判断方法 | |
Liu et al. | IOUC-3DSFCNN: Segmentation of brain tumors via IOU constraint 3D symmetric full convolution network with multimodal auto-context | |
Kaur | An automatic brain tumor extraction system using different segmentation methods | |
Shang et al. | Automatic Pixel-level pavement sealed crack detection using Multi-fusion U-Net network | |
CN102289657A (zh) | 基于视觉注意机制的乳腺x线影像肿块检测系统 | |
Tao et al. | Gap detection of switch machines in complex environment based on object detection and image processing | |
Zhao et al. | Al-net: Attention learning network based on multi-task learning for cervical nucleus segmentation | |
CN101401730A (zh) | 一种基于分层结构的乳腺肿块可疑区域快速检测方法 | |
CN104463885A (zh) | 一种多发性硬化损伤区域分割方法 | |
Vijila Rani et al. | Automatic segmentation and classification of lung tumour using advance sequential minimal optimisation techniques | |
CN117392093A (zh) | 一种基于全局多尺度残差U-HRNet网络的乳腺超声医学图像分割算法 | |
Mzoughi et al. | Glioblastomas brain Tumor Segmentation using Optimized U-Net based on Deep Fully Convolutional Networks (D-FCNs) | |
Mastouri et al. | A morphological operation-based approach for Sub-pleural lung nodule detection from CT images | |
Touil et al. | Automatic detection of microcalcification based on morphological operations and structural similarity indices | |
Xie et al. | Detect, Grow, Seg: A weakly supervision method for medical image segmentation based on bounding box | |
Pezeshki et al. | Mass classification of mammograms using fractal dimensions and statistical features | |
Xu et al. | Difficulty-aware bi-network with spatial attention constrained graph for axillary lymph node segmentation | |
Wen et al. | A novel fusion approach for segmenting dermoscopy image based on region consistency |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20201019 Address after: 4 / F, block B, Gucheng Cultural Industrial Park, Dongshun Road, Taierzhuang District, Zaozhuang City, Shandong Province Patentee after: Shandong huanke Information Technology Co., Ltd Address before: 250061, No. ten, No. 17923, Lixia District, Ji'nan City, Shandong Province Patentee before: SHANDONG University |