CN106600571A - 融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法 - Google Patents
融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法 Download PDFInfo
- Publication number
- CN106600571A CN106600571A CN201610972506.8A CN201610972506A CN106600571A CN 106600571 A CN106600571 A CN 106600571A CN 201610972506 A CN201610972506 A CN 201610972506A CN 106600571 A CN106600571 A CN 106600571A
- Authority
- CN
- China
- Prior art keywords
- mri
- brain tumor
- convolutional neural
- result
- neural networks
- 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.)
- Pending
Links
- 208000003174 Brain Neoplasms Diseases 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 85
- 230000011218 segmentation Effects 0.000 title claims abstract description 78
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 75
- 230000004927 fusion Effects 0.000 title claims abstract description 25
- 238000012937 correction Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical compound CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 claims description 28
- 206010028980 Neoplasm Diseases 0.000 claims description 26
- 230000007935 neutral effect Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 206010030113 Oedema Diseases 0.000 claims description 15
- 210000004556 brain Anatomy 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000003902 lesion Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 230000017074 necrotic cell death Effects 0.000 claims description 7
- 230000003014 reinforcing effect Effects 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 86
- 210000001519 tissue Anatomy 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 8
- 208000032612 Glial tumor Diseases 0.000 description 6
- 206010018338 Glioma Diseases 0.000 description 6
- 238000005520 cutting process Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 206010051290 Central nervous system lesion Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000005669 field effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 206010018341 Gliosis Diseases 0.000 description 1
- 241000257303 Hymenoptera Species 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000007323 disproportionation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000007387 gliosis Effects 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 238000002075 inversion recovery Methods 0.000 description 1
- 208000032839 leukemia Diseases 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000000505 pernicious effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004614 tumor growth Effects 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Engineering & Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- High Energy & Nuclear Physics (AREA)
- Neurology (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明属于计算机辅助医疗领域,具体涉及一种融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法。本发明旨在解决目前深度学习技术在进行脑肿瘤分割时无法保证分割结果在外观以及空间上的连续性问题。为此目的,本发明的方法包括下列步骤:步骤1,采用不均匀偏移校正以及亮度规整化方法,对包含脑肿瘤图像的磁共振图像进行处理,生成第二磁共振图像;步骤2,采用融合全卷积神经网络和条件随机场的神经网络,对所述第二磁共振图像进行脑肿瘤分割,并输出脑肿瘤分割结果。本发明的方法在测试时可以逐切片端对端进行脑肿瘤分割,具有更高的运算效率。
Description
技术领域
本发明涉及一种图像分割方法,具体涉及一种融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法。
背景技术
脑肿瘤具有较高的发病率,尤其在儿童易患的恶性病变中,脑肿瘤仅次于白血病,排在第二位。对于脑肿瘤,不论其形式是良性还是恶性,都会使颅内压升高,压迫脑组织,导致中枢神经受损,危及患者生命。
脑肿瘤病变组织的定位以及量化计算(如计算肿瘤的体积、直径等)对于脑肿瘤的诊断、制定治疗计划、疗效监测等都非常重要。在临床中,放射科医师通常通过多模态磁共振图像手动分割肿瘤,这是一件十分繁琐且耗时的工作。而脑肿瘤的计算机自动分割技术可以将医生从这件工作中解放出来,并且有效避免因为疲劳而产生的错误。因此,脑肿瘤自动分割技术对于脑肿瘤的辅助治疗具有十分重要的意义。其中,神经胶质瘤是最常见的脑肿瘤,目前的绝大多数脑肿瘤自动分割算法主要针对神经胶质瘤。
基于磁共振图像的神经胶质瘤分割是一件十分具有挑战性的工作。它的难度体现在以下几个方面:(1)在磁共振图像上,神经胶质瘤与其他病症,如神经胶质过多症、中风等,具有相似的外观;(2)神经胶质瘤可能以任意的形状和大小存在于大脑的任意位置,因此,分割过程中可利用的先验知识非常少;(3)神经胶质瘤通常浸润周围组织而不是替代周围组织,使得肿瘤在磁共振图像中边界模糊;(4)磁共振成像设备不完善,磁共振图像中总是不可避免存在一定程度的亮度不均匀场,这也增加了脑肿瘤分割的难度。尽管实现脑肿瘤的自动精确分割存在很大困难,但是由于其具有巨大的辅助医疗意义,在过去几十年里吸引了众多研究人员致力于对它的研究。目前已有的脑肿瘤分割方法大体分为两类:一类基于产生式模型,一类基于判别式模型。
产生式模型依赖于专业领域内的先验知识,一种常用的获取先验知识的方法是使用脑图谱。该方法在最大化信息图像匹配准则基础上,将脑图谱配准到目标图像上,从而得到目标图像中白质、灰质、脑脊液的概率图,然后依据概率图以及纹理、亮度等其他特征使用活动轮廓等方法分割出肿瘤。Gooya等人通过使用肿瘤生长模型来得到更加准确的概率图谱,进而提高肿瘤分割的精度。然而,如果肿瘤较大或脑部接受过切除手术,整个脑结构会发生变形,此时匹配得到的概率图谱往往不可靠。
判别式模型通常通过提取体素特征,如局部直方图、纹理等,再依据特征对体素进行分类实现肿瘤分割。SVM、随机森林等分类器都曾用于脑肿瘤分割。判别式模型的分割精度依赖于手工设计特征的好坏,而到目前为止,还没有一种既简单又能使健康组织和病变组织具有足够区分度的特征。
目前深度学习已经成功应用于包括脑肿瘤自动分割在内的多个领域。Havaei等人用二支路以及串联结构的卷积神经网络进行肿瘤分割。Pereira等人在肿瘤分割神经网络中使用多个小卷积核卷积层代替大卷积核卷积层的技术并获得成功。然而,目前基于深度学习的脑肿瘤分割技术很难保证分割结果在外观以及空间上的连续性,为解决这一问题有必要将深度学习与概率图模型结合起来。
发明内容
为了解决现有技术中的上述问题,即为了解决目前深度学习技术在进行脑肿瘤分割时无法保证分割结果在外观以及空间上的连续性问题,本发明提供了一种融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法。
本发明提出的一种融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法,包括下列步骤:
步骤1,采用不均匀偏移校正以及亮度规整化方法,对包含脑肿瘤图像的磁共振图像进行处理,生成第二磁共振图像;
步骤2,采用融合全卷积神经网络和条件随机场的神经网络,对所述第二磁共振图像进行脑肿瘤分割,并输出脑肿瘤分割结果。
上述步骤1中对包含脑肿瘤图像的磁共振图像进行处理的步骤包括:步骤11,使用N4ITK算法对包含脑肿瘤图像的磁共振图像进行不均匀场偏移校正,生成磁共振图像f1;步骤12,对磁共振图像f1进行亮度规整化处理。
上述步骤12中具体包括:步骤121,线性调整磁共振图像f1的亮度,使其对应的灰度值落入预设的灰度值区间,生成磁共振图像f2;步骤122,计算所述磁共振图像f2的亮度直方图;步骤123,利用所述磁共振图像f2的亮度直方图的峰值处对应的亮度I和脑所在区域的体素亮度相对于I的方差对磁共振图像f2进行归一化,生成磁共振图像f3;步骤124,对所述磁共振图像f3的亮度范围进行调整,使其对应的灰度值落入所述预设的灰度值区间,生成磁共振图像f4,磁共振图像f4即为第二磁共振图像。
在上述方法中,所述第二磁共振图像包含Flair、T1c和T2三种模式的磁共振图像。
在上述方法中,所述融合全卷积神经网络和条件随机场的神经网络为全卷积神经网络和条件随机场融合后构成的深度神经网络;所述的条件随机场为CRF-RNN网络。
在上述方法中,所述全卷积神经网络为串联结构的卷积神经网络,由第一卷积神经网络和第二卷积神经网络串联构成,所述全卷积神经网络具有第一尺度输入和第二尺度输入,具体为:第一尺度输入经过第一卷积神经网络生成特征图,将所述特征图与所述第二尺度输入进行合并作为第二卷积神经网络的输入;所述特征图与所述第二尺度输入大小相同。
在上述方法中,对所述第二磁共振图像进行脑肿瘤分割的步骤包括:步骤21,依次获取第二磁共振图像三个模式图像的各个轴向切片;所述轴向切片大小为w*h*3,3个通道的数据依次取自Flair、T1c、T2;步骤22,对步骤21中所获取的轴向切片进行周围补零的操作,生成大小为(w+64)*(h+64)*3和(w+32)*(h+32)*3的两种尺寸的图片;步骤23,将步骤22中补零操作后生成图片输入融合全卷积神经网络和条件随机场的神经网络进行脑肿瘤分割,并输出脑肿瘤分割结果图片。
在上述方法中,所述的融合全卷积神经网络和条件随机场的神经网络,通过如下步骤进行参数训练:步骤S1,使用取自第二磁共振图像轴向切片的小块对全卷积神经网络进行训练;所述取自第二磁共振图像轴向切片的小块,具体为以特定像素为中心的Flair、T1c、T2三种模式磁共振图像上正方形的块,其分类标签为该像素的标签;步骤S2,使用取自磁共振图像的轴向切片,输入步骤S1训练好的全卷积神经网络并将全卷积网络的输出作为条件随机场的输入,条件随机场网络将输出对该轴向切片的肿瘤分割结果,该结果将与真值图像对比并计算softmax损失,然后误差反传训练条件随机场的网络参数,该步骤中固定全卷积神经网络参数;步骤S3,使用取自磁共振图像的轴向切片,对融合全卷积神经网络和条件随机场的神经网络进行参数的优化。
在上述方法中,步骤2输出脑肿瘤分割结果之后,还包括脑肿瘤分割结果筛选的步骤,具体为通过滤除小体积肿瘤区域和通过阈值过滤法对脑肿瘤分割结果进行筛选。
进一步,所述的阈值过滤法为:Flair、T1c、T2三种模式磁共振图像对应的脑肿瘤分割结果中,如果分割结果中VFlair(x,y,z)<0.8*MeanFlair,VT1c(x,y,z)<125,VT2(x,y,z)<0.9*MeanT2,Result(x,y,z)<4,令Result(x,y,z)=0;如果分割结果中vole/volt<0.05,VT1c(x,y,z)<85,并且Result(x,y,z)=2,另Result(x,y,z)=3;如果VT1c(x,y,z)<100,且Result(x,y,z)=4,令Result(x,y,z)=1。其中,VFlair、VT1c、VT2分别表示Flair、T1c、T2模式的第二磁共振图像;Result表示脑肿瘤分割结果;MeanFlair和MeanT2分别表示Result中所示的包括水肿在内的全部肿瘤区域在Flair和T2模式的第二磁共振图像对应位置处的平均亮度;vole表示Result中增强核的体积;volt表示Result中包括水肿在内的全部肿瘤的体积;(x,y,z)表示体素;Result(x,y,z)=0,1,2,3,4依次表示体素(x,y,z)被标注为健康组织、坏死、水肿、非增强核、增强核。
综上所述,本发明的融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法使用神经网络形式实现的条件随机场模型并将其与全卷积神经网络融合,解决了深度学习脑肿瘤分割模型无法保证分割结果在外观和空间上的连续性问题。另外,本发明在BRATS2013Challenge数据集上的测试结果当前排名第二,在BRATS 2013LeaderBoard数据集上的测试结果当前排名第一。与Challenge中排名第一的方法相比:本方法测试时可以逐切片(slice by slice)端对端进行脑肿瘤分割,具有更高的运算效率。并且,本方法仅用Flair、T1c、T2三种模态的磁共振图像进行肿瘤分割,而不是Flair、T1、T1c、T2四种,进而一定程度上降低了数据采集和存储的成本。
附图说明
图1是本发明融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法的脑肿瘤分割模型示意图;
图2是本发明融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法的流程图。
图3是本发明融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法的亮度规整化处理前后30幅磁共振图像的亮度直方图对比图(以T2模式的磁共振图像为例,其中,M为亮度规整化前;N为亮度规整化后);
图4是本发明融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法的亮度规整化处理前后效果对比图(以T2模式的磁共振图像为例,其中,a、b、c分别为亮度规整化前各图,d、e、f分别为与a、b、c对应的亮度规整化后各图);
图5是本发明融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法的全卷积神经网络结构图;
图6是使用本发明的方法在BRATS 2013Challenge数据集上部分分割结果图(图中每行从左到右依次为Flair、T1c、T2、全卷积神经网络分割结果图、全卷积神经网络+CRF分割结果图、全卷积神经网络+CRF+后期处理分割结果图,第一行和第二行依次是编号0301的数据在轴向上第50层和第80层的数据,第三行和第四行依次是编号0308的数据在轴向上第40层和第70层的数据,结果图中灰度值从低到高依次是健康、坏死、水肿、非增强核、增强核)。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。例如,尽管本申请中按照特定顺序描述了本发明的方法的各个步骤,但是这些顺序并不是限制性的,在不偏离本发明的基本原理的前提下,本领域技术人员可以按照不同的顺序来执行所述步骤。
首先参照图1,图1是本发明融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法的脑肿瘤分割模型示意图。本发明使用神经网络实现的条件随机场模型与全卷积神经网络融合的方法来解决目前基于深度学习的脑肿瘤分割技术很难保证分割结果在外观以及空间上的连续性问题,该方法具有较快的分割速度和较高的分割精度。在本实施方式中的脑肿瘤分割模型中,如图1所示,条件随机场采用CRF-RNN(Conditional Random Fieldsas Recurrent Neural Networks),其与FCNN全卷积神经网络融合后构成一个深度神经网络。下面对本发明的具体步骤进行详细说明,如图2所示,本发明包括以下步骤:
步骤1,磁共振图像预处理:采用不均匀偏移校正以及亮度规整化方法,对包含脑肿瘤图像的磁共振图像进行处理,生成第二磁共振图像;
步骤2,脑肿瘤分割:采用融合全卷积神经网络和条件随机场的神经网络,对所述第二磁共振图像进行脑肿瘤分割,并输出脑肿瘤分割结果;
步骤3,分割结果后期处理:通过滤除小体积肿瘤区域和通过阈值过滤法对脑肿瘤分割结果进行筛选。
1、磁共振图像预处理
该步骤中对包含脑肿瘤图像的磁共振图像进行处理的步骤包括:
步骤11,使用N4ITK算法对包含脑肿瘤图像的磁共振图像进行不均匀场偏移校正,生成磁共振图像f1;
步骤12,对磁共振图像f1进行亮度规整化处理。
N4ITK算法是一种不均匀偏移校正算法,可以直接使用现有的软件实现该算法,比如ANTS。关于N4ITK算法可参考“NicholasJ.Tustisom,Brian B.Avants.N4ITK:ImprovedN3Bias Correction.IEEE TRANSACTIONS ON MEDICAL IMAGING,VOL.29,NO.6,JUNE2010”,在此不再对其进行详细描述。对包含脑肿瘤图像的磁共振图像进行不均匀校正的目的是消除磁共振图像中的场偏移,尽量使得在同一幅磁共振图像中相同的绝对亮度具有相同的物理意义。
本实施例的步骤12中,亮度规整化处理是通过减亮度直方图峰值对应的亮度值除“方差”来实现,这里所使用的“方差”不是通常使用的相对于亮度均值的方差,而是相对于亮度直方图峰值所对应的亮度值的方差。对磁共振图像进行亮度规整化处理的目的是尽量使得在不同磁共振图像中相同绝对亮度具有相同物理意义。具体而言,步骤12包括以下步骤:
步骤121,线性调整磁共振图像f1的亮度,使其对应的灰度值落入预设的灰度值区间,生成磁共振图像f2。在本实施方式中,为方便将磁共振图像用普通图片的方式进行展示和处理,将磁共振图像的亮度调整到0-255范围内的灰度级。即在对磁共振图像f1进行亮度规整化处理时,将磁共振图像f1的亮度的灰度值范围线性调整到0-255之间。假设磁共振图像f1的大小为L*W*H,其中每个体素的亮度表示为f1(x,y,z),1≤x≤L,1≤y≤W,1≤z≤H,变量x,y,z均为正整数,生成的磁共振图像f2可以用如下公式表示:
其中,f2(x,y,z)表示亮度范围线性调整以后体素(x,y,z)的亮度,max(f1)表示f1中亮度的最大值。
步骤122,计算磁共振图像f2的亮度直方图。在步骤122中,亮度直方图描述图像中每种亮度体素的个数,反映图像中每种亮度出现的频率。计算亮度直方图时可以将亮度分为256个等级,此时亮度直方图可以表示为一个长256的一维数组hist(k),k=1,2…256。亮度直方图计算过程如下:(1)初始化:hist(k)=0,k=1,2…256。(2)统计:遍历图像中所有的体素(x,y,z),如果(k-1)≤f2(x,y,z)<k,hist(k)=hist(k)+1。
步骤123,利用磁共振图像f2的亮度直方图的峰值处对应的亮度I和脑所在区域的体素亮度相对于I的方差σ对磁共振图像f2进行归一化,生成磁共振图像f3。在步骤123中,假设脑所在区域的体素亮度不为0,磁共振图像f3可以用以下方法进行计算:如果f2(x,y,z)=0,则f3(x,y,z)=0;如果f2(x,y,z)≠0,则f3(x,y,z)=(f2(x,y,z)-I)/σ。
本实施例中,亮度I的详细计算过程为:亮度I为磁共振图像f2的亮度直方图的峰值处对应的亮度,可以使用以下方式对I进行估算:令I等于k1*,k2*,k3*…k10*的平均值,kn*(n=1,2,3…10)分别是hist(k),其中k=1,2…256,中除hist(1)以外的第n个最大值。
本实施例中,方差σ计算步骤如下:(1)初始化S=0,N=0,S用于计算脑所在区域体素亮度与I的差的平方和,N用于统计脑所在区域体素的个数。(2)遍历图像中所有的体素(x,y,z),如果f2(x,y,z)≠0,S=S+(f2(x,y,z)-I)2,N=N+1。(3)其中,在磁共振图像中周边有大量非脑的空白区域,这些空白区域不参与方差σ的计算。
步骤124,对磁共振图像f3的亮度范围进行调整,使其对应的灰度值落入预设的灰度值区间,生成磁共振图像f4,磁共振图像f4即为第二磁共振图像。具体地,如果f3(x,y,z)=0,则f4(x,y,z)=0;如果f3(x,y,z)≠0,f4(x,y,z)=(f2(x,y,z)+I0)×σ0,使图像的亮度范围重新回到0-255区间内;如果f4(x,y,z)<0,令f4(x,y,z)=0;如果f4(x,y,z)>255,令f4(x,y,z)=255。磁共振图像f4即为第二磁共振图像。本实施例中,对于Flair、T1c、T2三种模式的磁共振图像,σ0的取值分别为30、31、37,I0的取值分别为75、99、55。
需要说明的是,上述中第二磁共振图像包含Flair、T1c和T2三种模式的磁共振图像。其中,Flair为磁共振成像液体衰减反转恢复序列;T1c为对比增强的T1加权成像,T1加权成像突出组织的纵向弛豫差别;T2为T2加权成像,突出组织的横向弛豫差别。本发明依据Flair、T1c和T2三种模式的磁共振图像对脑肿瘤进行分割,脑肿瘤在不同模式的磁共振图像中通常具有不同的信号特点,比如脑肿瘤在Flair和T2中通常呈现高信号,肿瘤增强核在T1c中通常呈现高信号,坏死在T1c中呈现低信号。不同模式的磁共振图像中提供的信息可以互为补充,同时使用多种模式的图像更有利于得到肿瘤的精确分割。
参照图3和图4,以T2模式的磁共振图像为例,图3是本发明融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法的亮度规整化处理前后30幅磁共振图像的亮度直方图对比图(其中,M为亮度规整化前;N为亮度规整化后)。图4是本发明融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法的亮度规整化处理前后效果对比图(其中,a、b、c分别为亮度规整化前各图,d、e、f分别为与a、b、c对应的亮度规整化后各图)。从图3和图4可以看出,上文对包含脑肿瘤图像的磁共振图像进行亮度规整化处理的方法能够保证直方图形状不变的情况下尽量使得不同图像中相同的绝对亮度具有相同的物理意义。图3和图4中的磁共振图像是经过不均匀场校正后的图像。
2、脑肿瘤分割
参照图5,在步骤2中,全卷积神经网络是一个串联结构的卷积神经网络,由第一卷积神经网络和第二卷积神经网络串联构成,其输入具有两个尺度,分别为第一尺度输入和第二尺度输入,其中第一尺度输入经过第一卷积神经网络生成与第二尺度输入相同大小的特征图,将所述特征图与所述第二尺度输入进行合并作为第二卷积神经网络的输入。
在步骤2中,条件随机场部分借鉴Shuai Zheng等人提出的CRF-RNN(ConditionalRandom Fields as Recurrent Neural Networks)网络。CRF-RNN使用RNN实现条件随机场,使得条件随机场可以和全卷积神经网络融合在一个深度学习网络中,而不是将条件随机场作为深度学习分割模型的一个后期处理步骤。CRF-RNN网络可以使用传统的后向传播算法进行训练。
在步骤2中,具体地,融合全卷积神经网络和条件随机场的神经网络可以按照如下步骤进行参数训练:
步骤S1,使用取自第二磁共振图像轴向切片的正方形小块(patch)对全卷积神经网络进行训练;所述取自第二磁共振图像轴向切片的正方形小块构成该阶段的训练样本,具体为以特定像素为中心的Flair、T1c、T2三种模式磁共振图像上正方形的块,包括不同尺度的两部分,一部分大小为65*65*3,另一部分大小为33*33*3,3个通道的数据依次取自Flair、T1c、T2中的轴向切片。两部分数据的中心像素具有相同的坐标,在该坐标下真值图像中的取值作为该样本的标签。参照图5,图5是本发明融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法的全卷积神经网络结构图,图中标注训练阶段输入训练样本图像的大小以及各层特征图的大小。如图5所示,在本实施例中,全卷积神经网络的训练阶段,以取自第二磁共振图像轴向切片的65*65*3的正方形小块作为第一尺度的输入,经过第一卷积神经网络后得到33*33*5的特征图。以取自第二磁共振图像轴向切片的33*33*3的正方形小块作为第二尺度的输入。将33*33*5的特征图和33*33*3的正方形小块进行合并得到33*33*8的图像,以33*33*8的图像作为第二卷积神经网络的输入,并依次经过卷积层和池化层。如图5中所示,该全卷积神经网络的最后三层分别用感受野大小为9*9、1*1、1*1的卷积层去模拟全连接层,其中每层的步长都设为1。该训练阶段,输入一个训练样本,最终得到1*1*5的向量,向量中每个元素依次表示该全卷积网络对输入正方形小块中心像素属于健康组织、坏死、水肿、非增强核和增强核的概率的预测值。该预测值将用于softmax损失函数的计算,然后使用误差反传算法对整个全卷积网络中的参数进行训练。
需要说明的是,训练样本通过在训练数据上随机采样的方式获取,需控制5个种类的训练样本数目相等。该阶段使用取自轴向切片的小块(patch)对网络进行训练,一方面可以成倍增加训练样本的数目,另一方面也方便控制不同类别样本的数目,有利于实现样本均衡。另外,该网络是全卷积网络,虽然使用较小的小块(patch)进行训练,但是可以逐轴向切片(slice by slice)进行测试,从而加快测试速度。
步骤S2,使用取自第二磁共振图像的轴向切片(slice),对条件随机场网络进行训练。具体描述如下,假设轴向切片大小为w*h*3,3个通道的数据分别取自Flair、T1c、T2。首先对轴向切片进行周围补零操作,生成大小为(w+64)*(h+64)*3和(w+32)*(h+32)*3的两种尺寸的图片,两个尺寸的图片将分别作为全卷积神经网络的第一尺度输入和第二尺度输入。全卷积神经网络将输出w*h*5的脑肿瘤初步分割结果图,该结果图输入接下来的条件随机场网络进行进一步处理。条件随机场网络将输出优化后的w*h*5的脑肿瘤分割结果图,该结果图将与脑肿瘤分割真值图像进行对比,并计算softmax损失,然后使用误差反传算法对条件随机场网络参数进行训练。该阶段固定全卷积神经网络的参数,仅训练条件随机场的网络参数。
步骤S3,使用取自磁共振图像的轴向切片(slice),对融合全卷积神经网络和条件随机场的神经网络进行参数的优化。具体过程同步骤S2,只是在误差反传阶段同时对全卷积神经网络和条件随机场网络的参数进行调优。
在步骤2中,具体通过以下步骤进行肿瘤分割:首先,依次获取待分割磁共振图像的各个轴向切片,假设轴向切片大小为w*h*3,3个通道的数据分别取自Flair、T1c、T2。然后,对轴向切片进行周围补零操作,生成大小为(w+64)*(h+64)*3和(w+32)*(h+32)*3的两种尺寸的图片,两个尺寸的图片将分别作为全卷积神经网络的第一尺度输入和第二尺度输入。经全卷积神经网络和条件随机场网络以后,输出w*h*5的脑肿瘤分割结果图。该阶段步骤与步骤S2和步骤S3类似,只是没有步骤S2和步骤S3的误差反传过程。
3、分割结果后期处理
为了进一步提高脑肿瘤分割精度,在步骤2输出脑肿瘤分割结果之后,增加该后期处理步骤。下面对脑肿瘤分割结果筛选的步骤进行详细说明。
在对脑肿瘤分割结果筛选的步骤说明中,VFlair、VT1c、VT2分别表示经不均匀偏移校正以及亮度规整化处理以后的Flair、T1c、T2模式的磁共振图像。Result表示脑肿瘤分割结果。对脑肿瘤分割结果筛选的步骤包括:
步骤31,使用融合全卷积神经网络和条件随机场的分割网络的分割结果初始化Result。
步骤32,如果meanFlair(n)>150且meanT2(n)>150,删除Result中第n个三维联通的肿瘤区域。其中,meanFlair(n)表示Result中第n个三维联通的包括水肿在内的肿瘤区域在VFlair对应区域中体素亮度的均值;meanT2(n)表示Result中第n个三维联通的包括水肿在内的肿瘤区域在VT2对应区域中体素亮度的均值。因为经不均匀偏移校正以及亮度规整化处理以后,这样的局部高亮往往是成像异常造成的,而不是肿瘤。
步骤33,如果体素(x,y,z)同时满足条件:
(1)VFlair(x,y,z)<0.8*MeanFlair;(2)VT1c(x,y,z)<125;(3)VT2(x,y,z)<0.9*MeanT2;(4)Result(x,y,z)<4,令Result(x,y,z)=0。其中,MeanFlair表示Result中包括水肿在内的全部肿瘤区域在VFlair对应区域中体素亮度的均值,MeanT2表示Result中包括水肿在内的全部肿瘤区域在VT2对应区域中体素亮度的均值,Result(x,y,z)=0,1,2,3,4依次表示体素(x,y,z)被标注为健康组织、坏死、水肿、非增强核、增强核。体素如果同时在Flair、T1c、T2上呈现低信号或等信号,则该体素为健康组织的概率更大。
步骤34,如果volume(n)/Volumemax<0.1,删除Result中第n个三维联通的肿瘤区域。其中,volume(n)表示当前Result所示的肿瘤区域中第n个三维联通区域的体积,Volumemax表示这些体积中的最大值。
步骤35,填补Result中的孔洞。将Result中肿瘤区域中的空白区域填补为坏死。
步骤36,如果分割结果中vole/volt<0.05,对于其中满足VT1c(x,y,z)<85和Result(x,y,z)=2的体素,令Result(x,y,z)=3。其中,vole表示Result中增强核的体积;volt表示Result中包括水肿在内的全部肿瘤的体积。当增强核体积很小时,非增强核体积往往比较大,而本发明的方法在这种情况下极易将非增强核错分为水肿。该步骤中通过简单阈值法将部分错分修正过来。
步骤37,如果VT1c(x,y,z)<100,且Result(x,y,z)=4,令Result(x,y,z)=1。本方法容易将部分坏死错分为增强核,该步骤通过简单阈值法将部分错分修正过来。
综上所述,本发明的融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法使用神经网络形式实现的条件随机场模型并将其与全卷积神经网络融合,解决了深度学习脑肿瘤分割模型无法保证分割结果在外观和空间上的连续性问题。另外,本发明在BRATS2013Challenge数据集上的测试结果当前排名第二,在BRATS 2013LeaderBoard数据集上的测试结果当前排名第一。与BRATS 2013Challenge数据集中排名第一的方法相比:本方法测试时可以逐切片(slice by slice)端对端进行脑肿瘤分割,具有更高的运算效率。并且,本方法仅用Flair、T1c、T2三种模态的磁共振图像进行肿瘤分割,而不是Flair、T1、T1c、T2四种,一定程度上降低了数据采集和存储的成本。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、单元及方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法,其特征在于,包括以下步骤:
步骤1,采用不均匀偏移校正以及亮度规整化方法,对包含脑肿瘤图像的磁共振图像进行处理,生成第二磁共振图像;
步骤2,采用融合全卷积神经网络和条件随机场的神经网络,对所述第二磁共振图像进行脑肿瘤分割,并输出脑肿瘤分割结果。
2.根据权利要求1所述的方法,其特征在于,步骤1中对包含脑肿瘤图像的磁共振图像进行处理的步骤包括:
步骤11,使用N4ITK算法对包含脑肿瘤图像的磁共振图像进行不均匀场偏移校正,生成磁共振图像f1;
步骤12,对磁共振图像f1进行亮度规整化处理。
3.根据权利要求2所述的方法,其特征在于,步骤12具体包括:
步骤121,线性调整磁共振图像f1的亮度,使其对应的灰度值落入预设的灰度值区间,生成磁共振图像f2;
步骤122,计算所述磁共振图像f2的亮度直方图;
步骤123,利用所述磁共振图像f2的亮度直方图的峰值处对应的亮度I和脑所在区域的体素亮度相对于I的方差对磁共振图像f2进行归一化,生成磁共振图像f3;
步骤124,对所述磁共振图像f3的亮度范围进行调整,使其对应的灰度值落入所述预设的灰度值区间,生成磁共振图像f4,磁共振图像f4即为第二磁共振图像。
4.根据权利要求3所述的方法,其特征在于,所述第二磁共振图像包含Flair、T1c和T2三种模式的磁共振图像。
5.根据权利要求1所述的方法,其特征在于,所述融合全卷积神经网络和条件随机场的神经网络为全卷积神经网络和条件随机场融合后构成的深度神经网络;所述的条件随机场为CRF-RNN网络。
6.根据权利要求5所述的方法,其特征在于,所述全卷积神经网络为串联结构的卷积神经网络,由第一卷积神经网络和第二卷积神经网络串联构成,所述全卷积神经网络具有第一尺度输入和第二尺度输入,具体为:
第一尺度输入经过第一卷积神经网络生成特征图,将所述特征图与所述第二尺度输入进行合并作为第二卷积神经网络的输入;所述特征图与所述第二尺度输入大小相同。
7.根据权利要求1所述的方法,其特征在于,所述步骤2对所述第二磁共振图像进行脑肿瘤分割的步骤包括:
步骤21,依次获取第二磁共振图像三个模式图像的各个轴向切片;所述轴向切片大小为w*h*3,3个通道的数据依次取自Flair、T1c、T2;
步骤22,对步骤21中所获取的轴向切片进行周围补零的操作,生成大小为(w+64)*(h+64)*3和(w+32)*(h+32)*3的两种尺寸的图片;
步骤23,将步骤22中补零操作后生成图片输入融合全卷积神经网络和条件随机场的神经网络进行脑肿瘤分割,并输出脑肿瘤分割结果图片。
8.根据权利要求7所述的方法,其特征在于,所述的融合全卷积神经网络和条件随机场的神经网络,通过如下步骤进行参数训练:
步骤S1,使用取自磁共振图像轴向切片的小块对全卷积神经网络进行训练;所述取自磁共振图像轴向切片的小块,具体为以特定像素为中心的Flair、T1c、T2三种模式磁共振图像上正方形的块,其分类标签为该像素的标签;
步骤S2,使用取自磁共振图像的轴向切片,输入步骤S1训练好的全卷积神经网络,并将全卷积网络的输出作为条件随机场的输入,条件随机场网络将输出对该轴向切片的肿瘤分割结果,该结果将与真值图像对比并计算softmax损失,然后误差反传训练条件随机场的网络参数,该步骤中固定全卷积神经网络参数;
步骤S3,使用取自磁共振图像的轴向切片,对融合全卷积神经网络和条件随机场的神经网络进行参数的优化。
9.根据权利要求1~8中任一项所述的方法,其特征在于,在步骤2输出脑肿瘤分割结果之后,还包括脑肿瘤分割结果筛选的步骤,具体为通过滤除小体积肿瘤区域和通过阈值过滤法对脑肿瘤分割结果进行筛选。
10.根据权利要求9所述的方法,其特征在于,所述的阈值过滤法为:
Flair、T1c、T2三种模式磁共振图像对应的脑肿瘤分割结果中,
如果分割结果中VFlair(x,y,z)<0.8*MeanFlair,VT1c(x,y,z)<125,VT2(x,y,z)<0.9*MeanT2,Result(x,y,z)<4,令Result(x,y,z)=0;
如果分割结果中vole/volt<0.05,VT1c(x,y,z)<85,并且Result(x,y,z)=2,令Result(x,y,z)=3;
如果VT1c(x,y,z)<100,且Result(x,y,z)=4,令Result(x,y,z)=1;
其中,VFlair、VT1c、VT2分别表示Flair、T1c、T2模式的第二磁共振图像;Result表示脑肿瘤分割结果;MeanFlair和MeanT2分别表示Result中所示的包括水肿在内的全部肿瘤区域在Flair和T2模式的第二磁共振图像对应位置处的平均亮度;vole表示Result中增强核的体积;volt表示Result中包括水肿在内的全部肿瘤的体积;(x,y,z)表示体素;Result(x,y,z)=0,1,2,3,4依次表示体素(x,y,z)被标注为健康组织、坏死、水肿、非增强核、增强核。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610972506.8A CN106600571A (zh) | 2016-11-07 | 2016-11-07 | 融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610972506.8A CN106600571A (zh) | 2016-11-07 | 2016-11-07 | 融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106600571A true CN106600571A (zh) | 2017-04-26 |
Family
ID=58590921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610972506.8A Pending CN106600571A (zh) | 2016-11-07 | 2016-11-07 | 融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600571A (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220980A (zh) * | 2017-05-25 | 2017-09-29 | 重庆理工大学 | 一种基于全卷积网络的mri图像脑肿瘤自动分割方法 |
CN107239797A (zh) * | 2017-05-23 | 2017-10-10 | 西安电子科技大学 | 基于全卷积神经网络的极化sar地物分类方法 |
CN107622244A (zh) * | 2017-09-25 | 2018-01-23 | 华中科技大学 | 一种基于深度图的室内场景精细化解析方法 |
CN107665491A (zh) * | 2017-10-10 | 2018-02-06 | 清华大学 | 病理图像的识别方法及系统 |
CN107730507A (zh) * | 2017-08-23 | 2018-02-23 | 成都信息工程大学 | 一种基于深度学习的病变区域自动分割方法 |
CN107749061A (zh) * | 2017-09-11 | 2018-03-02 | 天津大学 | 基于改进的全卷积神经网络脑肿瘤图像分割方法及装置 |
CN107767378A (zh) * | 2017-11-13 | 2018-03-06 | 浙江中医药大学 | 基于深度神经网络的gbm多模态磁共振图像分割方法 |
CN107766874A (zh) * | 2017-09-07 | 2018-03-06 | 沈燕红 | 一种超声容积生物学参数的测量方法及测量系统 |
CN108010049A (zh) * | 2017-11-09 | 2018-05-08 | 华南理工大学 | 使用全卷积神经网络分割定格动画中人手部区域的方法 |
WO2018082084A1 (zh) * | 2016-11-07 | 2018-05-11 | 中国科学院自动化研究所 | 融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法 |
CN108447052A (zh) * | 2018-03-15 | 2018-08-24 | 深圳市唯特视科技有限公司 | 一种基于神经网络的对称性脑肿瘤分割方法 |
CN108898140A (zh) * | 2018-06-08 | 2018-11-27 | 天津大学 | 基于改进的全卷积神经网络的脑肿瘤图像分割算法 |
CN109035261A (zh) * | 2018-08-09 | 2018-12-18 | 北京市商汤科技开发有限公司 | 医疗影像处理方法及装置、电子设备及存储介质 |
CN109064434A (zh) * | 2018-06-28 | 2018-12-21 | 广州视源电子科技股份有限公司 | 图像增强的方法、装置、存储介质及计算机设备 |
WO2019027924A1 (en) * | 2017-07-30 | 2019-02-07 | Icahn School Of Medicine At Mount Sinai | DEEP PLANNING RADIATION THERAPY SYSTEM AND METHOD |
CN109410196A (zh) * | 2018-10-24 | 2019-03-01 | 东北大学 | 基于泊松环形条件随机场的宫颈癌组织病理图像诊断方法 |
CN109685809A (zh) * | 2018-12-18 | 2019-04-26 | 清华大学 | 一种基于神经网络的肝包虫病灶分割方法及系统 |
CN110415213A (zh) * | 2019-06-24 | 2019-11-05 | 上海联影医疗科技有限公司 | 磁场均匀性检测方法、装置、计算机设备和存储介质 |
CN110427954A (zh) * | 2019-07-26 | 2019-11-08 | 中国科学院自动化研究所 | 基于肿瘤影像的多区域的影像组学特征提取方法 |
CN110428426A (zh) * | 2019-07-02 | 2019-11-08 | 温州医科大学 | 一种基于改进随机森林算法的mri图像自动分割方法 |
WO2019223123A1 (zh) * | 2018-05-23 | 2019-11-28 | 平安科技(深圳)有限公司 | 病变部位识别方法及装置、计算机装置及可读存储介质 |
WO2020019757A1 (zh) * | 2018-07-24 | 2020-01-30 | 深圳先进技术研究院 | 一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法 |
CN110910335A (zh) * | 2018-09-15 | 2020-03-24 | 北京市商汤科技开发有限公司 | 一种图像处理方法、图像处理设备及计算机可读存储介质 |
CN111612722A (zh) * | 2020-05-26 | 2020-09-01 | 星际(重庆)智能装备技术研究院有限公司 | 基于简化Unet全卷积神经网络的低照度图像处理方法 |
CN111667499A (zh) * | 2020-06-05 | 2020-09-15 | 济南博观智能科技有限公司 | 一种交通信号灯的图像分割方法、装置、设备及存储介质 |
CN112132841A (zh) * | 2020-09-22 | 2020-12-25 | 上海交通大学 | 医疗图像切割方法及装置 |
CN116451139A (zh) * | 2023-06-16 | 2023-07-18 | 杭州新航互动科技有限公司 | 一种基于人工智能的直播数据快速分析方法 |
US11776128B2 (en) | 2020-12-11 | 2023-10-03 | Siemens Healthcare Gmbh | Automatic detection of lesions in medical images using 2D and 3D deep learning networks |
-
2016
- 2016-11-07 CN CN201610972506.8A patent/CN106600571A/zh active Pending
Cited By (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018082084A1 (zh) * | 2016-11-07 | 2018-05-11 | 中国科学院自动化研究所 | 融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法 |
US10679352B2 (en) | 2016-11-07 | 2020-06-09 | Institute Of Automation, Chinese Academy Of Sciences | Method for automatic segmentation of brain tumors merging full convolution neural networks with conditional random fields |
CN107239797A (zh) * | 2017-05-23 | 2017-10-10 | 西安电子科技大学 | 基于全卷积神经网络的极化sar地物分类方法 |
CN107220980B (zh) * | 2017-05-25 | 2019-12-03 | 重庆师范大学 | 一种基于全卷积网络的mri图像脑肿瘤自动分割方法 |
CN107220980A (zh) * | 2017-05-25 | 2017-09-29 | 重庆理工大学 | 一种基于全卷积网络的mri图像脑肿瘤自动分割方法 |
WO2019027924A1 (en) * | 2017-07-30 | 2019-02-07 | Icahn School Of Medicine At Mount Sinai | DEEP PLANNING RADIATION THERAPY SYSTEM AND METHOD |
US11717702B2 (en) | 2017-07-30 | 2023-08-08 | Icahn School Of Medicine At Mount Sinai | 3D deep planning radiotherapy system and method |
CN107730507A (zh) * | 2017-08-23 | 2018-02-23 | 成都信息工程大学 | 一种基于深度学习的病变区域自动分割方法 |
CN107766874B (zh) * | 2017-09-07 | 2021-06-04 | 深圳度影医疗科技有限公司 | 一种超声容积生物学参数的测量方法及测量系统 |
CN107766874A (zh) * | 2017-09-07 | 2018-03-06 | 沈燕红 | 一种超声容积生物学参数的测量方法及测量系统 |
CN107749061A (zh) * | 2017-09-11 | 2018-03-02 | 天津大学 | 基于改进的全卷积神经网络脑肿瘤图像分割方法及装置 |
CN107622244B (zh) * | 2017-09-25 | 2020-08-28 | 华中科技大学 | 一种基于深度图的室内场景精细化解析方法 |
CN107622244A (zh) * | 2017-09-25 | 2018-01-23 | 华中科技大学 | 一种基于深度图的室内场景精细化解析方法 |
CN107665491A (zh) * | 2017-10-10 | 2018-02-06 | 清华大学 | 病理图像的识别方法及系统 |
CN108010049A (zh) * | 2017-11-09 | 2018-05-08 | 华南理工大学 | 使用全卷积神经网络分割定格动画中人手部区域的方法 |
CN107767378A (zh) * | 2017-11-13 | 2018-03-06 | 浙江中医药大学 | 基于深度神经网络的gbm多模态磁共振图像分割方法 |
CN107767378B (zh) * | 2017-11-13 | 2020-08-04 | 浙江中医药大学 | 基于深度神经网络的gbm多模态磁共振图像分割方法 |
CN108447052A (zh) * | 2018-03-15 | 2018-08-24 | 深圳市唯特视科技有限公司 | 一种基于神经网络的对称性脑肿瘤分割方法 |
WO2019223123A1 (zh) * | 2018-05-23 | 2019-11-28 | 平安科技(深圳)有限公司 | 病变部位识别方法及装置、计算机装置及可读存储介质 |
CN108898140A (zh) * | 2018-06-08 | 2018-11-27 | 天津大学 | 基于改进的全卷积神经网络的脑肿瘤图像分割算法 |
CN109064434A (zh) * | 2018-06-28 | 2018-12-21 | 广州视源电子科技股份有限公司 | 图像增强的方法、装置、存储介质及计算机设备 |
WO2020019757A1 (zh) * | 2018-07-24 | 2020-01-30 | 深圳先进技术研究院 | 一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法 |
CN109035261A (zh) * | 2018-08-09 | 2018-12-18 | 北京市商汤科技开发有限公司 | 医疗影像处理方法及装置、电子设备及存储介质 |
CN109035261B (zh) * | 2018-08-09 | 2023-01-10 | 北京市商汤科技开发有限公司 | 医疗影像处理方法及装置、电子设备及存储介质 |
CN110910335B (zh) * | 2018-09-15 | 2023-02-24 | 北京市商汤科技开发有限公司 | 一种图像处理方法、图像处理设备及计算机可读存储介质 |
CN110910335A (zh) * | 2018-09-15 | 2020-03-24 | 北京市商汤科技开发有限公司 | 一种图像处理方法、图像处理设备及计算机可读存储介质 |
CN109410196A (zh) * | 2018-10-24 | 2019-03-01 | 东北大学 | 基于泊松环形条件随机场的宫颈癌组织病理图像诊断方法 |
CN109685809B (zh) * | 2018-12-18 | 2020-11-17 | 清华大学 | 一种基于神经网络的肝包虫病灶分割方法及系统 |
CN109685809A (zh) * | 2018-12-18 | 2019-04-26 | 清华大学 | 一种基于神经网络的肝包虫病灶分割方法及系统 |
CN110415213A (zh) * | 2019-06-24 | 2019-11-05 | 上海联影医疗科技有限公司 | 磁场均匀性检测方法、装置、计算机设备和存储介质 |
CN110428426A (zh) * | 2019-07-02 | 2019-11-08 | 温州医科大学 | 一种基于改进随机森林算法的mri图像自动分割方法 |
CN110427954A (zh) * | 2019-07-26 | 2019-11-08 | 中国科学院自动化研究所 | 基于肿瘤影像的多区域的影像组学特征提取方法 |
CN111612722A (zh) * | 2020-05-26 | 2020-09-01 | 星际(重庆)智能装备技术研究院有限公司 | 基于简化Unet全卷积神经网络的低照度图像处理方法 |
CN111612722B (zh) * | 2020-05-26 | 2023-04-18 | 星际(重庆)智能装备技术研究院有限公司 | 基于简化Unet全卷积神经网络的低照度图像处理方法 |
CN111667499A (zh) * | 2020-06-05 | 2020-09-15 | 济南博观智能科技有限公司 | 一种交通信号灯的图像分割方法、装置、设备及存储介质 |
CN112132841A (zh) * | 2020-09-22 | 2020-12-25 | 上海交通大学 | 医疗图像切割方法及装置 |
CN112132841B (zh) * | 2020-09-22 | 2024-04-09 | 上海交通大学 | 医疗图像切割方法及装置 |
US11776128B2 (en) | 2020-12-11 | 2023-10-03 | Siemens Healthcare Gmbh | Automatic detection of lesions in medical images using 2D and 3D deep learning networks |
CN116451139A (zh) * | 2023-06-16 | 2023-07-18 | 杭州新航互动科技有限公司 | 一种基于人工智能的直播数据快速分析方法 |
CN116451139B (zh) * | 2023-06-16 | 2023-09-01 | 杭州新航互动科技有限公司 | 一种基于人工智能的直播数据快速分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600571A (zh) | 融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法 | |
WO2018082084A1 (zh) | 融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法 | |
CN109584254B (zh) | 一种基于深层全卷积神经网络的心脏左心室分割方法 | |
Işın et al. | Review of MRI-based brain tumor image segmentation using deep learning methods | |
CN109087318A (zh) | 一种基于优化U-net网络模型的MRI脑肿瘤图像分割方法 | |
CN107767378A (zh) | 基于深度神经网络的gbm多模态磁共振图像分割方法 | |
Zhao et al. | Medical image fusion method based on dense block and deep convolutional generative adversarial network | |
CN107644420A (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像系统 | |
CN106934816A (zh) | 一种基于elm的眼底图像视网膜血管分割方法 | |
CN107292312A (zh) | 肿瘤识别方法 | |
CN103996193B (zh) | 结合加权邻域信息与偏移场恢复的脑mr图像分割方法 | |
Somasundaram et al. | Brain segmentation in magnetic resonance human head scans using multi-seeded region growing | |
CN113239755B (zh) | 一种基于空谱融合深度学习的医学高光谱图像分类方法 | |
Paul et al. | RETRACTED ARTICLE: Computer aided diagnosis of brain tumor using novel classification techniques | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
Banerjee et al. | A CADe system for gliomas in brain MRI using convolutional neural networks | |
Tripathi et al. | A framework with OTSU’S thresholding method for fruits and vegetables image segmentation | |
CN110458842B (zh) | 基于双通道三维密集连接网络的脑肿瘤分割方法 | |
Reddy | Effective CNN-MSO method for brain tumor detection and segmentation | |
Patil et al. | Deep learning based brain tumor segmentation: recent updates | |
Singh et al. | Detection and classification of brain tumor using hybrid feature extraction technique | |
CN110619633B (zh) | 一种基于多路滤波策略的肝脏图像分割方法 | |
Ganasala et al. | Semiautomatic and automatic brain tumor segmentation methods: performance comparison | |
Anand Kumar et al. | 3D deep learning for automatic brain MR tumor segmentation with T-spline intensity inhomogeneity correction | |
Ma et al. | Automatic nasopharyngeal carcinoma segmentation in MR images with convolutional neural networks |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |