CN107392895A - 一种基于卷积循环网络的3d血管结构提取方法 - Google Patents

一种基于卷积循环网络的3d血管结构提取方法 Download PDF

Info

Publication number
CN107392895A
CN107392895A CN201710576670.1A CN201710576670A CN107392895A CN 107392895 A CN107392895 A CN 107392895A CN 201710576670 A CN201710576670 A CN 201710576670A CN 107392895 A CN107392895 A CN 107392895A
Authority
CN
China
Prior art keywords
convolution
data
mrow
blood vessel
section
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.)
Withdrawn
Application number
CN201710576670.1A
Other languages
English (en)
Inventor
夏春秋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Vision Technology Co Ltd
Original Assignee
Shenzhen Vision Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Vision Technology Co Ltd filed Critical Shenzhen Vision Technology Co Ltd
Priority to CN201710576670.1A priority Critical patent/CN107392895A/zh
Publication of CN107392895A publication Critical patent/CN107392895A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明中提出的一种基于卷积循环网络的3D血管结构提取方法，其主要内容包括：实验数据、综合数据、卷积神经网络(CNN)构架、卷积长期短期存储器单元(ConvLSTM)，其过程为，使用临床数据和合成数据进行实验，实际数据使用高分辨率荧光多光子显微镜，在小鼠中使用腹腔模型成像，获得图像来描绘脉管系统，添加噪声模拟实际情况，将CNN网络与卷积LSTM网络结合，卷积长短期存储器单元使用深配置和浅配置组合和训练网络，使用加权二进制交叉熵损失测试训练结果。本发明能够从复杂的显微镜图像中提取真正的3D血管结构，减少了在三维中卷积的复杂性；大大减少了模型参数的数量，具有更广泛的视图，而且能提取更丰富的特征。

Description

一种基于卷积循环网络的3D血管结构提取方法
技术领域
本发明涉及图像处理领域，尤其是涉及了一种基于卷积循环网络的3D血管结构提取方法。
背景技术
在诊断和治疗脑血管疾病的临床实践中，借助计算机对三维脑血管图像进行处理，为医生提供一个能够在任意角度下观察血管的三维结构，帮助医生对病人做出更为准确的诊断和治疗。一般通过摄取脉管系统等的图像来观察它们的情况，因此所获得的图像的质量好坏都会影响医生的判断。然而由于血管分支众多，形态细小，并且随着人们对血管形态绘制的要求越来越细，如何得到血管结构的准确描述已经成为一个非常棘手的问题。之前的脉管系统的3D重建方法会使体素尺寸高度各向异性，大大降低细节分辨能力。
本发明提出了一种基于卷积循环网络的3D血管结构提取方法，使用临床数据和合成数据进行实验，实际数据使用高分辨率荧光多光子显微镜，在小鼠中使用腹腔模型进行成像，获得图像来描绘脉管系统，添加噪声模拟实际情况，将卷积神经网络网络与卷积长期短期存储器网络相结合，卷积长期短期存储器单元使用深配置和浅配置组合和训练网络，使用加权二进制交叉熵损失测试训练结果。本发明能够从复杂的显微镜图像中提取真正的3D血管结构，减少了在三维中卷积的复杂性；大大减少了模型参数的数量，具有更广泛的视图，而且能提取更丰富的特征。
发明内容
针对细节分辨能力低的问题，本发明的目的在于提供一种基于卷积循环网络的3D血管结构提取方法，使用临床数据和合成数据进行实验，将CNN网络与卷积LSTM网络相结合，卷积长期短期存储器单元使用深配置和浅配置组合和训练网络，使用加权二进制交叉熵损失测试训练结果。
为解决上述问题，本发明提供一种基于卷积循环网络的3D血管结构提取方法，其主要内容包括：
(一)实验数据；
(二)综合数据；
(三)卷积神经网络(CNN)构架；
(四)卷积长期短期存储器单元(ConvLSTM)。
其中，所述的实验数据，使用临床数据和合成数据进行实验，实际数据使用高分辨率荧光多光子显微镜，在小鼠中使用腹腔模型进行成像，获得图像来描绘脉管系统；使用标记的基于血液池的药物和具有荧光标记的(心脏、血管、淋巴管、浆液膜腔的)内皮的转基因小鼠模型，评估肿瘤脉管系统的功能。
进一步地，所述的切片，通过在每个切片上产生脉管系统的手动分割来得到骨骼，然后使用软件包，以3D为中心线提取，手动分割；然后使用软件包手动修剪和改进提取的骨架；训练数据集包括25个大小为512×512×70的手动分割的切片，然后再重新分割，形成较小的图像堆栈训练集；切片是从4个不同的肿瘤中取出的。
其中，所述的综合数据，合成数据由多个中空的管状结构组成，紧密包装并用各向异性体素尺寸表示，与实际数据相当；首先通过在整个体积中迭代地生长中心线来生成血管；然后通过将该骨架扩展成一些随机选择的半径(选择以反映实际数据中可见的大小的范围)来产生分割掩模；然后生成两个距离图d1和d2，分别表示距离最近的前景和最近背景的距离；然后从这些距离图生成内皮荧光标记：
E＝exp(-d1/σ1)exp(-d2/σ2) (1)
其中，调整σ1和σ2，给出类似数据的定性外观；由于各向异性，该算法必须重建3D分支结构。
进一步地，所述的噪声，添加高斯噪声，其方差被调整到真实图像中的背景噪声；再添加椒盐噪声和泊松噪声来模拟荧光显微镜中存在的检测器噪声；还添加了切片“抖动”来模拟由于小鼠呼吸而存在于实际数据中的切片没对准的情况；
以这种方式生成了20个图像体积，大小为512×512×40；每个体积分为128×128×16的切片；测试在20个分离体积上进行，与训练体积相同。
其中，所述的卷积神经网络(CNN)构架，对于网络的CNN部分，在每个池级别使用具有2个卷积层的网络架构；每个卷积层之后是批次归一化层，然后是整流线性单元(LReLU)，其定义如下：
ReLU通过在负数部分保持小斜率，同时保留分段恒定梯度，使ReLU激活更有效率。
进一步地，所述的单元，下抽样单元(U1)为图像提供了更广泛的视图；在粗粒度视图中，U0单元提取丰富的特征；然后通过对U2单元进行上采样，同时将这些新函数与相应缩放的U1单元的特征相连。
进一步地，所述的S形函数，在通过S形函数激活之前，使用1×1卷积减少最终特征图：
产生与输入图像相同的空间尺寸的特征图；使用3×3内核执行所有卷积；最大汇集在2×2区域上执行，并且采用步幅2进行上采样；权重由均匀分布初始化。
其中，所述的卷积长期短期存储器单元(ConvLSTM)，每个ConvLSTM层使用20个单元；“深”配置堆叠了两个单元，其次是最大的池层；接下来是两个单元，随后是一个上采样层，随后是最后两个单元，然后将其输出通过1×1卷积，以在S形激活之前压缩特征以提供最终输出；“浅”配置只使用一个ConvLSTM单元；然后组合和训练网络。
进一步地，所述的测试训练结果，针对不同的损失函数测试训练结果；二进制交叉熵损失由下式给出：
一个方块的系数损失为：
这里，δ是在|x|＝|y|＝0的情况下保持损失良好的小的正值；
而一个类似于像素的损失加权，如下式所示：
W＝(1-β)y*gσ+β (7)
其中，gσ表示具有标准偏差的高斯内核σ，*表示内核卷积运算符；β表示类别失衡的比例。
附图说明
图1是本发明一种基于卷积循环网络的3D血管结构提取方法的系统框架图。
图2是本发明一种基于卷积循环网络的3D血管结构提取方法的综合数据。
图3是本发明一种基于卷积循环网络的3D血管结构提取方法的卷积神经网络构架。
图4是本发明一种基于卷积循环网络的3D血管结构提取方法的卷积长期短期存储器单元。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和具体实施例对本发明作进一步详细说明。
图1是本发明一种基于卷积循环网络的3D血管结构提取方法的系统框架图。主要包括实验数据，综合数据，卷积神经网络(CNN)构架，卷积长期短期存储器单元(ConvLSTM)。
实验数据，使用临床数据和合成数据进行实验，实际数据使用高分辨率荧光多光子显微镜，在小鼠中使用腹腔模型进行成像，获得图像来描绘脉管系统；使用标记的基于血液池的药物和具有荧光标记的(心脏、血管、淋巴管、浆液膜腔的)内皮的转基因小鼠模型，评估肿瘤脉管系统的功能。
通过在每个切片上产生脉管系统的手动分割来得到骨骼，然后使用软件包，以3D为中心线提取，手动分割；然后使用软件包手动修剪和改进提取的骨架；训练数据集包括25个大小为512×512×70的手动分割的切片，然后再重新分割，形成较小的图像堆栈训练集；切片是从4个不同的肿瘤中取出的。
图2是本发明一种基于卷积循环网络的3D血管结构提取方法的综合数据。合成数据由多个中空的管状结构组成，紧密包装并用各向异性体素尺寸表示，与实际数据相当；首先通过在整个体积中迭代地生长中心线来生成血管；然后通过将该骨架扩展成一些随机选择的半径(选择以反映实际数据中可见的大小的范围)来产生分割掩模；然后生成两个距离图d1和d2，分别表示距离最近的前景和最近背景的距离；然后从这些距离图生成内皮荧光标记：
E＝exp(-d1/σ1)exp(-d2/σ2) (1)
其中，调整σ1和σ2，给出类似数据的定性外观；由于各向异性，该算法必须重建3D分支结构。
添加高斯噪声，其方差被调整到真实图像中的背景噪声；再添加椒盐噪声和泊松噪声来模拟荧光显微镜中存在的检测器噪声；还添加了切片“抖动”来模拟由于小鼠呼吸而存在于实际数据中的切片没对准的情况；
以这种方式生成了20个图像体积，大小为512×512×40；每个体积分为128×128×16的切片；测试在20个分离体积上进行，与训练体积相同。
图3是本发明一种基于卷积循环网络的3D血管结构提取方法的卷积神经网络构架。对于网络的CNN部分，在每个池级别使用具有2个卷积层的网络架构；每个卷积层之后是批次归一化层，然后是整流线性单元(LReLU)，其定义如下：
ReLU通过在负数部分保持小斜率，同时保留分段恒定梯度，使ReLU激活更有效率。
下抽样单元(U1)为图像提供了更广泛的视图；在粗粒度视图中，U0单元提取丰富的特征；然后通过对U2单元进行上采样，同时将这些新函数与相应缩放的U1单元的特征相连。
在通过S形函数激活之前，使用1×1卷积减少最终特征图：
产生与输入图像相同的空间尺寸的特征图；使用3×3内核执行所有卷积；最大汇集在2×2区域上执行，并且采用步幅2进行上采样；权重由均匀分布初始化。
图4是本发明一种基于卷积循环网络的3D血管结构提取方法的卷积长期短期存储器单元。每个ConvLSTM层使用20个单元；“深”配置堆叠了两个单元，其次是最大的池层；接下来是两个单元，随后是一个上采样层，随后是最后两个单元，然后将其输出通过1×1卷积，以在S形激活之前压缩特征以提供最终输出；“浅”配置只使用一个ConvLSTM单元；然后组合和训练网络。
针对不同的损失函数测试训练结果；二进制交叉熵损失由下式给出：
一个方块的系数损失为：
这里，δ是在|x|＝|y|＝0的情况下保持损失良好的小的正值；
而一个类似于像素的损失加权，如下式所示：
W＝(1-β)y*gσ+β (7)
其中，gσ表示具有标准偏差的高斯内核σ，*表示内核卷积运算符；β表示类别失衡的比例。
对于本领域技术人员，本发明不限制于上述实施例的细节，在不背离本发明的精神和范围的情况下，能够以其他具体形式实现本发明。此外，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围，这些改进和变型也应视为本发明的保护范围。因此，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

Claims (10)

1.一种基于卷积循环网络的3D血管结构提取方法，其特征在于，主要包括实验数据(一)；综合数据(二)；卷积神经网络(CNN)构架(三)；卷积长期短期存储器单元(ConvLSTM)(四)。
2.基于权利要求书1所述的实验数据(一)，其特征在于，使用临床数据和合成数据进行实验，实际数据使用高分辨率荧光多光子显微镜，在小鼠中使用腹腔模型进行成像，获得图像来描绘脉管系统；使用标记的基于血液池的药物和具有荧光标记的(心脏、血管、淋巴管、浆液膜腔的)内皮的转基因小鼠模型，评估肿瘤脉管系统的功能。
3.基于权利要求书2所述的切片，其特征在于，通过在每个切片上产生脉管系统的手动分割来得到骨骼，然后使用软件包，以3D为中心线提取，手动分割；然后使用软件包手动修剪和改进提取的骨架；训练数据集包括25个大小为512×512×70的手动分割的切片，然后再重新分割，形成较小的图像堆栈训练集；切片是从4个不同的肿瘤中取出的。
4.基于权利要求书1所述的综合数据(二)，其特征在于，合成数据由多个中空的管状结构组成，紧密包装并用各向异性体素尺寸表示，与实际数据相当；首先通过在整个体积中迭代地生长中心线来生成血管；然后通过将该骨架扩展成一些随机选择的半径(选择以反映实际数据中可见的大小的范围)来产生分割掩模；然后生成两个距离图d1和d2，分别表示距离最近的前景和最近背景的距离；然后从这些距离图生成内皮荧光标记：
E＝exp(-d1/σ1)exp(-d2/σ2) (1)
其中，调整σ1和σ2，给出类似数据的定性外观；由于各向异性，该算法必须重建3D分支结构。
5.基于权利要求书4所述的噪声，其特征在于，添加高斯噪声，其方差被调整到真实图像中的背景噪声；再添加椒盐噪声和泊松噪声来模拟荧光显微镜中存在的检测器噪声；还添加了切片“抖动”来模拟由于小鼠呼吸而存在于实际数据中的切片没对准的情况；
以这种方式生成了20个图像体积，大小为512×512×40；每个体积分为128×128×16的切片；测试在20个分离体积上进行，与训练体积相同。
6.基于权利要求书1所述的卷积神经网络(CNN)构架(三)，其特征在于，对于网络的CNN部分，在每个池级别使用具有2个卷积层的网络架构；每个卷积层之后是批次归一化层，然后是整流线性单元(LReLU)，其定义如下：
ReLU通过在负数部分保持小斜率，同时保留分段恒定梯度，使ReLU激活更有效率。
7.基于权利要求书6所述的单元，其特征在于，下抽样单元(U1)为图像提供了更广泛的视图；在粗粒度视图中，U0单元提取丰富的特征；然后通过对U2单元进行上采样，同时将这些新函数与相应缩放的U1单元的特征相连。
8.基于权利要求书7所述的S形函数，其特征在于，在通过S形函数激活之前，使用1×1卷积减少最终特征图：
<mrow> <mi>&amp;sigma;</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>1</mn> <mo>+</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>x</mi> </mrow> </msup> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
产生与输入图像相同的空间尺寸的特征图；使用3×3内核执行所有卷积；最大汇集在2×2区域上执行，并且采用步幅2进行上采样；权重由均匀分布初始化。
9.基于权利要求书1所述的卷积长期短期存储器单元(ConvLSTM)(四)，其特征在于，每个ConvLSTM层使用20个单元；“深”配置堆叠了两个单元，其次是最大的池层；接下来是两个单元，随后是一个上采样层，随后是最后两个单元，然后将其输出通过1×1卷积，以在S形激活之前压缩特征以提供最终输出；“浅”配置只使用一个ConvLSTM单元；然后组合和训练网络。
10.基于权利要求书9所述的测试训练结果，其特征在于，针对不同的损失函数测试训练结果；二进制交叉熵损失由下式给出：
一个方块的系数损失为：
这里，δ是在|x|＝|y|＝0的情况下保持损失良好的小的正值；
而一个类似于像素的损失加权，如下式所示：
W＝(1-β)y*gσ+β (7)
其中，gσ表示具有标准偏差的高斯内核σ，*表示内核卷积运算符；β表示类别失衡的比例。
CN201710576670.1A 2017-07-14 2017-07-14 一种基于卷积循环网络的3d血管结构提取方法 Withdrawn CN107392895A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710576670.1A CN107392895A (zh) 2017-07-14 2017-07-14 一种基于卷积循环网络的3d血管结构提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710576670.1A CN107392895A (zh) 2017-07-14 2017-07-14 一种基于卷积循环网络的3d血管结构提取方法

Publications (1)

Publication Number Publication Date
CN107392895A true CN107392895A (zh) 2017-11-24

Family

ID=60339786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710576670.1A Withdrawn CN107392895A (zh) 2017-07-14 2017-07-14 一种基于卷积循环网络的3d血管结构提取方法

Country Status (1)

Country Link
CN (1) CN107392895A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108309229A (zh) * 2018-04-18 2018-07-24 电子科技大学 一种针对眼底图像视网膜血管的层次结构划分方法
CN109313710A (zh) * 2018-02-02 2019-02-05 深圳蓝胖子机器人有限公司 目标识别模型训练方法、目标识别方法、设备及机器人
CN109447185A (zh) * 2018-11-28 2019-03-08 中国科学院自动化研究所 基于深度学习的显微荧光图像分类方法
CN109979558A (zh) * 2017-12-27 2019-07-05 中国科学院沈阳自动化研究所 基于新型人工智能技术的症状药物关联关系分析方法
CN111612027A (zh) * 2019-02-26 2020-09-01 沛智生医科技股份有限公司 细胞分类方法、系统与医疗分析平台
WO2021070108A1 (en) * 2019-10-11 2021-04-15 International Business Machines Corporation Disease detection from weakly annotated volumetric medical images using convolutional long short-term memory
US11417424B2 (en) 2019-10-11 2022-08-16 International Business Machines Corporation Disease detection from weakly annotated volumetric medical images using convolutional long short-term memory and multiple instance learning

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
RUSSELL BATES等: "Extracting 3D Vascular Structures from Microscopy Images using Convolutional Recurrent Networks", 《ARXIV（HTTPS://ARXIV.ORG/ABS/1705.09597）》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109979558A (zh) * 2017-12-27 2019-07-05 中国科学院沈阳自动化研究所 基于新型人工智能技术的症状药物关联关系分析方法
CN109979558B (zh) * 2017-12-27 2022-12-20 中国科学院沈阳自动化研究所 基于人工智能技术的症状药物关联关系分析方法
CN109313710A (zh) * 2018-02-02 2019-02-05 深圳蓝胖子机器人有限公司 目标识别模型训练方法、目标识别方法、设备及机器人
CN108309229A (zh) * 2018-04-18 2018-07-24 电子科技大学 一种针对眼底图像视网膜血管的层次结构划分方法
CN109447185A (zh) * 2018-11-28 2019-03-08 中国科学院自动化研究所 基于深度学习的显微荧光图像分类方法
CN111612027A (zh) * 2019-02-26 2020-09-01 沛智生医科技股份有限公司 细胞分类方法、系统与医疗分析平台
US11195273B2 (en) 2019-10-11 2021-12-07 International Business Machines Corporation Disease detection from weakly annotated volumetric medical images using convolutional long short-term memory
CN114503213A (zh) * 2019-10-11 2022-05-13 国际商业机器公司 使用卷积长短期记忆从弱注释的卷式医学图像检测疾病
US11417424B2 (en) 2019-10-11 2022-08-16 International Business Machines Corporation Disease detection from weakly annotated volumetric medical images using convolutional long short-term memory and multiple instance learning
GB2604503A (en) * 2019-10-11 2022-09-07 Ibm Disease detection from weakly annotated volumetric medical images using convolutional long short-term memory
WO2021070108A1 (en) * 2019-10-11 2021-04-15 International Business Machines Corporation Disease detection from weakly annotated volumetric medical images using convolutional long short-term memory
GB2604503B (en) * 2019-10-11 2023-12-20 Merative Us L P Disease detection from weakly annotated volumetric medical images using convolutional long short-term memory
CN114503213B (zh) * 2019-10-11 2024-03-08 玛雷迪夫美国公司 使用卷积长短期记忆从弱注释的卷式医学图像检测疾病

Similar Documents

Publication Publication Date Title
CN107392895A (zh) 一种基于卷积循环网络的3d血管结构提取方法
CN107958257A (zh) 一种基于深度神经网络的中药材识别方法
CN110503654A (zh) 一种基于生成对抗网络的医学图像分割方法、系统及电子设备
CN103996056B (zh) 一种基于深度学习的纹身图像分类方法
CN109063753A (zh) 一种基于卷积神经网络的三维点云模型分类方法
CN109522973A (zh) 基于生成式对抗网络与半监督学习的医疗大数据分类方法及系统
CN109166130A (zh) 一种图像处理方法及图像处理装置
CN109544534A (zh) 一种病灶图像检测装置、方法和计算机可读存储介质
CN107169974A (zh) 一种基于多监督全卷积神经网络的图像分割方法
CN110110751A (zh) 一种基于注意力机制的金字塔网络的中草药识别方法
CN110458833A (zh) 基于人工智能的医学图像处理方法、医学设备和存储介质
CN108171711A (zh) 一种基于完全卷积网络的婴幼儿脑部磁共振图像分割方法
CN107464216A (zh) 一种基于多层卷积神经网络的医学图像超分辨率重构方法
CN106372051B (zh) 一种专利地图的可视化方法和系统
CN109661684A (zh) 用于现实交互式超声模拟的射线追踪方法
CN111932529B (zh) 一种图像分类分割方法、装置及系统
CN107424145A (zh) 基于三维全卷积神经网络的核磁共振图像的分割方法
Du et al. Accelerated super-resolution MR image reconstruction via a 3D densely connected deep convolutional neural network
CN106651887A (zh) 一种基于卷积神经网络的图像像素分类方法
DE102013218594A1 (de) System, Verfahren und Computerprogrammprodukt zur parallelen Rekonstruktion eines gesampelten Suffixarrays
CN107563434A (zh) 一种基于三维卷积神经网络的脑部mri图像分类方法、装置
CN109785399B (zh) 合成病变图像的生成方法、装置、设备及可读存储介质
CN107636730A (zh) 用于web上的定制可缩放动画角色的参数生成的系统
CN104599326B (zh) 一种人体心脏的实时逼真绘制方法
CN108763874A (zh) 一种基于生成对抗网络的染色体分类方法及装置

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20171124

WW01 Invention patent application withdrawn after publication