CN107424145A - 基于三维全卷积神经网络的核磁共振图像的分割方法 - Google Patents
基于三维全卷积神经网络的核磁共振图像的分割方法 Download PDFInfo
- Publication number
- CN107424145A CN107424145A CN201710429118.XA CN201710429118A CN107424145A CN 107424145 A CN107424145 A CN 107424145A CN 201710429118 A CN201710429118 A CN 201710429118A CN 107424145 A CN107424145 A CN 107424145A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- mrow
- nuclear magnetic
- convolutional neural
- resonance image
- 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
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T2207/10072—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
- G06T2207/20084—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
Abstract
本发明公开了一种基于三维全卷积神经网络的核磁共振图像的分割方法,包括如下步骤:输入核磁共振图像数据;设置三维全卷积神经网络结构,将脑部皮下组织的分割任务看作基于核磁共振图像的多特征多分类问题,提取脑部皮下组织的特征;优化三维全卷积神经网络的参数;将训练模型应用于核磁共振图像测试集进行测试,产生测试集的分类结果;将测试集的分类结果画图产生三维脑皮下组织图。本发明解决现有方法中脑皮下组织区域分割不清晰,过多冗余等技术问题,并解决一般二维卷积神经网络对核磁共振图像进行分割只能对切片进行分析,丢失深度信息导致的分割不清晰问题,从而对核磁共振图像实现清晰准确的图像分割。
Description
技术领域
本发明涉及核磁共振技术领域,具体涉及一种基于三维全卷积神经网络的核磁共振图像的分割方法。
背景技术
核磁共振成像(magnetic resonance imaging,MRI)能够提供高分辨率、高品质的图像,对大脑的解剖结构进行准确地描述,因此,对大脑的核磁共振图像的皮下组织区域进行分割一直是一个重要的研究热点之一,也是脑部诊断的重要辅助手段,对脑部的疾病诊断、治疗及手术引导具有重要的意义。为了充分利用核磁共振图像中的解剖信息,为临床诊断提供量化、直观的参考,首先必须精确地对脑皮下组织区域进行分割。然而,由于大脑皮下组织形状多变、结构复杂以及灰度不均匀,不同病人不同模态图像之间差异信息大,使得核磁共振图像分割仍是一个值得深入研究的问题。
传统上对人脑的核磁共振图像进行分割从而确定大脑结构的外形特征和相对位置,主要由医生手工分割或采用标准脑图谱。前者主要基于医生的经验和知识,后者是过去十多年间MRI图像分割的主流技术,主要基于标准脑图谱,如加拿大蒙特利尔神经研究所(Montreal Neurological Institute,MNI)于90年代表所建立的MNI系列模板,以及更为广泛使用的脑成像国际联盟(International Consortium for Brain Mapping,ICBM)公认的ICBM152模板。然而,无论哪个模板,清晰度都差强人意。而且,模板还需转化成图谱。研究者发展了多种算法进行转换,最初的转换算法是将MNI坐标转换成Talairach坐标,再使用Talairch大脑图谱进行生理结构的标定,另外一个典型算法是Lancaster,J.L等于2007年发表的算法。这些转换算法都是非线性的,因此天然存在着计算误差。因此,目前还没有哪种标准图谱被认为是受到所有人认可的黄金标准图谱。
因此,研究者们还研究基于像素的核磁共振图像分割方法,主要采用特征提取、特征选择和分类器设计技术。其中特征提取按方法主要可分为模型方法、统计方法和信号处理方法。统计方法比较简单,易实现,对小图像具有一定的优势,但其对全局信息的利用率不高,与人类视觉模型脱节;模型方法能够注意到纹理局部的随机性和整体上的规律性,不足是模型系数难以求解,参数调节不方便;信号处理方法善于捕捉纹理的细节信息,能同时在空间和频域上体现纹理的特征,然而对高频信息处理不足,非规则纹理特征往往被忽视。MRI的不同模态图像能提供不同的纹理边界信息,由于个体差异,不同病人同一模态所表现的信息也大不相同。由上可见,没有一种特征提取方法适合所有MRI脑肿瘤的分割。
由Yam LeCun等人提出的卷积神经网络(Convolutional Neural Networks,CNNs)是有监督深度学习方法的一种,已在众多领域取得巨大的成功,如图像识别、语音识别、自然语言处理。CNNs通过对原始输入数据进行循环卷积下采样,以有监督训练的方式获取卷积权重,最终实现直接从原始输入中提取有利于分类的特征,在图像识别中特征表现为纹理、形状、结构等。但是由于CNNs需要多次卷积与下采样,计算量巨大,因此输入对象通常是一幅二维的图像。例如专利-一种基于深度学习的脑肿瘤自动分割方法,是对“MRI切片进行图像块的提取”再用CNNs方法进行训练。但是CNNs在卷积和特征提取的迭代过程中往往失掉一些细节特征,只关注显著特征。这在人脸识别和语音识别等应用中并无大碍,但对于细节纹理丰富、变化多样的核磁共振图像来说,很多细腻特征将不被提取和识别。此外,由于核磁共振图像其实是三维数据,所谓的“MRI切片”是人为将三维数据分割成二维图像,这样,二维CNNs对三维图像的深度信息将不会提取和识别出来,导致最终提取出的脑部组织图像粗糙,尤其深度特征严重缺失。
发明内容
有鉴于此,本发明提供了一种基于三维全卷积神经网络的核磁共振图像的分割方法,解决现有方法中脑皮下组织区域分割不清晰,过多冗余等技术问题,实现清晰准确的图像分割。
本发明通过以下技术手段解决上述问题:
一种基于三维全卷积神经网络的核磁共振图像的分割方法,包括如下步骤:
输入核磁共振图像数据;
设置三维全卷积神经网络结构,将脑部皮下组织的分割任务看作基于核磁共振图像的多特征多分类问题,提取脑部皮下组织的特征;
优化三维全卷积神经网络的参数;
将训练模型应用于核磁共振图像测试集进行测试,产生测试集的分类结果;
将测试集的分类结果画图产生三维脑皮下组织图。
进一步地,设置三维全卷积神经网络结构之前还包括:
预处理核磁共振图像数据。
进一步地,预处理核磁共振图像数据包括去除骨头部分和刚性配准。
进一步地,通过无监督的训练方法提取脑部皮下组织的特征。
进一步地,设置三维全卷积神经网络结构,将脑部皮下组织的分割任务看作基于核磁共振图像的多特征多分类问题,提取脑部皮下组织的特征具体包括:
构造的三维全卷积神经网络结构,包含3组共9层全卷积层,之后是3层全连接层,最后是1层分类层,共13层;
3组全卷积层包含3组,每组包含同样数目的三维卷积核,每层卷积核被应用在上一层的输入,卷积计算得到的结果是卷积核,假设ml是l层网络卷积核的数量,是l层网络的第n个输入的3维数组,那么l层网络的第k个输出的卷积核是:
是与上一层进行卷积的权值,是偏移量,是实卷积操作,对卷积核采用激活函数进行特征转换,得到的结果是特征映射
f是非线性激活函数,使用Parametric Rectified Linear Unit作为激活函数,其定义为:
f(xi)=max(0,xi)+αi·min(0,xi)
xi是输入信号,f(xi)代表输出信号,αi是当xi为负数时的倍数值;
全连接层用来建立特征和分类之间的模型,全连接层被设置为3层,每层被设计为一个1×1×1的卷积;
分类层含有m=C个特征映射,其中C为分类的数量,分类层L的输出被softmax函数归一化,因此,分类c∈{1,...,C}的概率为:
进一步地,采用随机梯度下降法和反向转播机制寻找最小化损失函数,优化三维全卷积神经网络网络的参数。
进一步地,采用Stochastic Gradient Descent和Cross Entropy方法来定义最小化损失函数:
其中是分类层像素v和分类c的输出。
与现有技术相比,本发明的有益效果如下:
本发明基于三维全卷积神经网络的人脑核磁共振图像的分割方法,解决现有方法中脑皮下组织区域分割不清晰,过多冗余等技术问题,并解决一般二维卷积神经网络对核磁共振图像进行分割只能对切片进行分析,丢失深度信息导致的分割不清晰问题,从而对核磁共振图像实现清晰准确的图像分割。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明基于三维全卷积神经网络的核磁共振图像的分割方法的步骤图;
图2是本发明基于三维全卷积神经网络的核磁共振图像的分割方法的流程图;
图3是本发明三维全卷积神经网络的结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1、图2所示,本发明提供了一种基于三维全卷积神经网络的核磁共振图像的分割方法,包括如下步骤:
1)、核磁共振图像数据输入和预处理。输入的核磁共振图像数据是三维的整个图像数据,而一般深度学习方法仅能处理二维图像。预处理步骤主要包括去除骨头部分和刚性配准。这两步不是必须的,不做处理会增大计算量,但不会影响最终结果。这两步预处理步骤可以通过多种软件实现,例如Elastix[Klein et.Al.,2010]。
2)、设置三维全卷积神经网络结构。图3示例给出了本发明所构造和使用的三维全卷积神经网络结构,包含3组共9层全卷积层,之后是3层全连接层,最后是1层分类层,共13层。
3组全卷积层包含3组,每组包含同样数目的三维卷积核。每层卷积核被应用在上一层的输入(在第一层时是输入的数据)。卷积计算得到的结果是卷积核。假设ml是l层网络卷积核的数量,是l层网络的第n个输入的3维数组,那么l层网络的第k个输出的卷积核是:
这里是与上一层进行卷积的权值,是偏移量,是实卷积操作。对卷积核采用激活函数进行特征转换,得到的结果是特征映射
这里f是非线性激活函数。这里我们使用Parametric Rectified Linear Unit(PReLU)作为激活函数,其定义为:
f(xi)=max(0,xi)+αi·min(0,xi)
这里xi是输入信号,f(xi)代表输出信号,αi是当xi为负数时的倍数值(一般设为0)。
全连接层用来建立特征和分类之间的模型,在一般的卷积神经网络当中被用来提取语义信息,然而在当前技术中为了保证空间信息被尽可能地被保留,全连接层被设置为3层,每层被设计为一个1×1×1的卷积。
分类层含有m=C个特征映射,其中C为分类的数量。分类层L的输出被softmax函数归一化,因此,分类c∈{1,...,C}的概率为:
3)、优化三维全卷积神经网络的参数。在步骤2)中构建了三维全卷积神经网络,将脑部皮下组织的分割任务看作基于核磁共振图像的多特征多分类问题,通过无监督的训练方法提取脑部皮下组织的特征。在这一步需要采用随机梯度下降法和反向转播机制寻找最小化损失函数,优化网络的参数。主要采用Stochastic Gradient Descent(SGD)和CrossEntropy(CE)方法来定义最小化损失函数:
其中是分类层像素v和分类c的输出。
4)、将上述训练模型应用于核磁共振图像测试集进行测试,产生测试集的分类结果。
5)、将测试的分类结果画图产生三维脑皮下组织图。
本发明基于三维全卷积神经网络的人脑核磁共振图像的分割方法,解决现有方法中脑皮下组织区域分割不清晰,过多冗余等技术问题,并解决一般二维卷积神经网络对核磁共振图像进行分割只能对切片进行分析,丢失深度信息导致的分割不清晰问题,从而对核磁共振图像实现清晰准确的图像分割。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于三维全卷积神经网络的核磁共振图像的分割方法,其特征在于,包括如下步骤:
输入核磁共振图像数据;
设置三维全卷积神经网络结构,将脑部皮下组织的分割任务看作基于核磁共振图像的多特征多分类问题,提取脑部皮下组织的特征;
优化三维全卷积神经网络的参数;
将训练模型应用于核磁共振图像测试集进行测试,产生测试集的分类结果;
将测试集的分类结果画图产生三维脑皮下组织图。
2.根据权利要求1所述的基于三维全卷积神经网络的核磁共振图像的分割方法,其特征在于,设置三维全卷积神经网络结构之前还包括:
预处理核磁共振图像数据。
3.根据权利要求2所述的基于三维全卷积神经网络的核磁共振图像的分割方法,其特征在于,预处理核磁共振图像数据包括去除骨头部分和刚性配准。
4.根据权利要求1所述的基于三维全卷积神经网络的核磁共振图像的分割方法,其特征在于,通过无监督的训练方法提取脑部皮下组织的特征。
5.根据权利要求1所述的基于三维全卷积神经网络的核磁共振图像的分割方法,其特征在于,设置三维全卷积神经网络结构,将脑部皮下组织的分割任务看作基于核磁共振图像的多特征多分类问题,提取脑部皮下组织的特征具体包括:
构造的三维全卷积神经网络结构,包含3组共9层全卷积层,之后是3层全连接层,最后是1层分类层,共13层;
3组全卷积层包含3组,每组包含同样数目的三维卷积核,每层卷积核被应用在上一层的输入,卷积计算得到的结果是卷积核,假设ml是l层网络卷积核的数量,是l层网络的第n个输入的3维数组,那么l层网络的第k个输出的卷积核是:
<mrow>
<msubsup>
<mi>h</mi>
<mi>l</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>m</mi>
<mrow>
<mi>l</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</munderover>
<msubsup>
<mi>W</mi>
<mi>i</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msubsup>
<mo>&CircleTimes;</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>l</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>b</mi>
<mi>l</mi>
<mi>k</mi>
</msubsup>
</mrow>
是与上一层进行卷积的权值,是偏移量,是实卷积操作,对卷积核采用激活函数进行特征转换,得到的结果是特征映射
<mrow>
<msubsup>
<mi>y</mi>
<mi>l</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>h</mi>
<mi>l</mi>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
f是非线性激活函数,使用Parametric Rectified Linear Unit作为激活函数,其定义为:
f(xi)=max(0,xi)+αi·min(0,xi)
xi是输入信号,f(xi)代表输出信号,αi是当xi为负数时的倍数值;
全连接层用来建立特征和分类之间的模型,全连接层被设置为3层,每层被设计为一个1×1×1的卷积;
分类层含有m=C个特征映射,其中C为分类的数量,分类层L的输出被softmax函数归一化,因此,分类c∈{1,...,C}的概率为:
<mrow>
<msub>
<mi>P</mi>
<mi>c</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>y</mi>
<mi>L</mi>
<mi>c</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<msup>
<mi>c</mi>
<mo>&prime;</mo>
</msup>
<mi>C</mi>
</msubsup>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>y</mi>
<mi>L</mi>
<msup>
<mi>c</mi>
<mo>&prime;</mo>
</msup>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>.</mo>
</mrow>
6.根据权利要求5所述的基于三维全卷积神经网络的核磁共振图像的分割方法,其特征在于,采用随机梯度下降法和反向转播机制寻找最小化损失函数,优化三维全卷积神经网络网络的参数。
7.根据权利要求6所述的基于三维全卷积神经网络的核磁共振图像的分割方法,其特征在于,采用Stochastic Gradient Descent和Cross Entropy方法来定义最小化损失函数:
其中是分类层像素v和分类c的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710429118.XA CN107424145A (zh) | 2017-06-08 | 2017-06-08 | 基于三维全卷积神经网络的核磁共振图像的分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710429118.XA CN107424145A (zh) | 2017-06-08 | 2017-06-08 | 基于三维全卷积神经网络的核磁共振图像的分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107424145A true CN107424145A (zh) | 2017-12-01 |
Family
ID=60429632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710429118.XA Pending CN107424145A (zh) | 2017-06-08 | 2017-06-08 | 基于三维全卷积神经网络的核磁共振图像的分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107424145A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062753A (zh) * | 2017-12-29 | 2018-05-22 | 重庆理工大学 | 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法 |
CN108460783A (zh) * | 2018-05-09 | 2018-08-28 | 电子科技大学 | 一种脑部核磁共振图像组织分割方法 |
CN109146891A (zh) * | 2018-07-23 | 2019-01-04 | 北京邮电大学 | 一种应用于mri的海马体分割方法、装置及电子设备 |
CN109222972A (zh) * | 2018-09-11 | 2019-01-18 | 华南理工大学 | 一种基于深度学习的fMRI全脑数据分类方法 |
CN109785334A (zh) * | 2018-12-17 | 2019-05-21 | 深圳先进技术研究院 | 心脏磁共振图像分割方法、装置、终端设备及存储介质 |
CN110276755A (zh) * | 2019-06-25 | 2019-09-24 | 广东工业大学 | 一种肿瘤位置定位系统及相关装置 |
CN110321910A (zh) * | 2018-03-29 | 2019-10-11 | 中国科学院深圳先进技术研究院 | 面向点云的特征提取方法、装置及设备 |
CN110598675A (zh) * | 2019-09-24 | 2019-12-20 | 深圳度影医疗科技有限公司 | 一种超声胎儿姿态的识别方法、存储介质及电子设备 |
CN110689521A (zh) * | 2019-08-15 | 2020-01-14 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 一种医学影像所属人体部位的自动识别方法及系统 |
CN111080569A (zh) * | 2019-12-24 | 2020-04-28 | 北京推想科技有限公司 | 一种骨抑制图像的生成方法、装置、存储介质及电子设备 |
WO2020168648A1 (zh) * | 2019-02-18 | 2020-08-27 | 平安科技(深圳)有限公司 | 一种图像分割方法、装置及计算机可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101515367A (zh) * | 2009-04-01 | 2009-08-26 | 西北工业大学 | 三维大脑磁共振图像的大脑皮层表面上脑沟区域分割方法 |
CN103942763A (zh) * | 2014-05-03 | 2014-07-23 | 南方医科大学 | 一种基于mr信息引导的体素水平pet图像部分容积校正方法 |
CN104867153A (zh) * | 2015-05-28 | 2015-08-26 | 重庆大学 | 基于脑磁共振影像中磷酸化tau蛋白含量信息的检测系统 |
CN105205810A (zh) * | 2015-08-30 | 2015-12-30 | 南方医科大学 | 基于距离场融合的mr图像海马体分割方法 |
CN105310776A (zh) * | 2014-12-02 | 2016-02-10 | 复旦大学 | 一种基于子块的软组织表面变形追踪方法 |
CN105719295A (zh) * | 2016-01-21 | 2016-06-29 | 浙江大学 | 一种基于三维超体素的颅内出血区域分割方法及系统 |
CN105809175A (zh) * | 2014-12-30 | 2016-07-27 | 深圳先进技术研究院 | 一种基于支持向量机算法的脑水肿分割方法及系统 |
CN106097347A (zh) * | 2016-06-14 | 2016-11-09 | 福州大学 | 一种多模态医学图像配准与可视化方法 |
-
2017
- 2017-06-08 CN CN201710429118.XA patent/CN107424145A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101515367A (zh) * | 2009-04-01 | 2009-08-26 | 西北工业大学 | 三维大脑磁共振图像的大脑皮层表面上脑沟区域分割方法 |
CN103942763A (zh) * | 2014-05-03 | 2014-07-23 | 南方医科大学 | 一种基于mr信息引导的体素水平pet图像部分容积校正方法 |
CN105310776A (zh) * | 2014-12-02 | 2016-02-10 | 复旦大学 | 一种基于子块的软组织表面变形追踪方法 |
CN105809175A (zh) * | 2014-12-30 | 2016-07-27 | 深圳先进技术研究院 | 一种基于支持向量机算法的脑水肿分割方法及系统 |
CN104867153A (zh) * | 2015-05-28 | 2015-08-26 | 重庆大学 | 基于脑磁共振影像中磷酸化tau蛋白含量信息的检测系统 |
CN105205810A (zh) * | 2015-08-30 | 2015-12-30 | 南方医科大学 | 基于距离场融合的mr图像海马体分割方法 |
CN105719295A (zh) * | 2016-01-21 | 2016-06-29 | 浙江大学 | 一种基于三维超体素的颅内出血区域分割方法及系统 |
CN106097347A (zh) * | 2016-06-14 | 2016-11-09 | 福州大学 | 一种多模态医学图像配准与可视化方法 |
Non-Patent Citations (7)
Title |
---|
JENS KLEESIEK ET AL.: "Deep MRI brain extraction: A 3D convolutional neural network for skull stripping", 《NEUROIMAGE》 * |
JOCELYNETROCCAZ: "《智能机器人先进技术丛书 医疗机器人》", 31 August 2015, 北京理工大学出版社 * |
KONSTANTINOS KAMNITSAS ET AL.: "Efficient multi-scale 3D CNN with fully connected CRF for accurate brain lesion segmentation", 《MEDICAL IMAGE ANALYSIS》 * |
RENSKE DE BOER ET AL.: "White matter lesion extension to automatic brain tissue segmentation on MRI", 《NEUROIMAGE》 * |
STEFAN KLEIN ET AL.: "elastix: A Toolbox for Intensity-Based Medical Image Registration", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
唐光健等: "《现代全身CT诊断学》", 30 November 2013, 中国医药科技出版社 * |
陈珊: "医学图像刚性配准与非刚性配准技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062753B (zh) * | 2017-12-29 | 2020-04-17 | 重庆理工大学 | 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法 |
CN108062753A (zh) * | 2017-12-29 | 2018-05-22 | 重庆理工大学 | 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法 |
CN110321910B (zh) * | 2018-03-29 | 2021-05-28 | 中国科学院深圳先进技术研究院 | 面向点云的特征提取方法、装置及设备 |
CN110321910A (zh) * | 2018-03-29 | 2019-10-11 | 中国科学院深圳先进技术研究院 | 面向点云的特征提取方法、装置及设备 |
CN108460783A (zh) * | 2018-05-09 | 2018-08-28 | 电子科技大学 | 一种脑部核磁共振图像组织分割方法 |
CN109146891A (zh) * | 2018-07-23 | 2019-01-04 | 北京邮电大学 | 一种应用于mri的海马体分割方法、装置及电子设备 |
CN109146891B (zh) * | 2018-07-23 | 2020-11-13 | 北京邮电大学 | 一种应用于mri的海马体分割方法、装置及电子设备 |
CN109222972A (zh) * | 2018-09-11 | 2019-01-18 | 华南理工大学 | 一种基于深度学习的fMRI全脑数据分类方法 |
CN109222972B (zh) * | 2018-09-11 | 2020-09-22 | 华南理工大学 | 一种基于深度学习的fMRI全脑数据分类方法 |
WO2020125498A1 (zh) * | 2018-12-17 | 2020-06-25 | 深圳先进技术研究院 | 心脏磁共振图像分割方法、装置、终端设备及存储介质 |
CN109785334A (zh) * | 2018-12-17 | 2019-05-21 | 深圳先进技术研究院 | 心脏磁共振图像分割方法、装置、终端设备及存储介质 |
WO2020168648A1 (zh) * | 2019-02-18 | 2020-08-27 | 平安科技(深圳)有限公司 | 一种图像分割方法、装置及计算机可读存储介质 |
CN110276755A (zh) * | 2019-06-25 | 2019-09-24 | 广东工业大学 | 一种肿瘤位置定位系统及相关装置 |
CN110689521A (zh) * | 2019-08-15 | 2020-01-14 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 一种医学影像所属人体部位的自动识别方法及系统 |
CN110598675A (zh) * | 2019-09-24 | 2019-12-20 | 深圳度影医疗科技有限公司 | 一种超声胎儿姿态的识别方法、存储介质及电子设备 |
CN111080569A (zh) * | 2019-12-24 | 2020-04-28 | 北京推想科技有限公司 | 一种骨抑制图像的生成方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Kumar et al. | Breast cancer classification of image using convolutional neural network | |
CN110069958B (zh) | 一种密集深度卷积神经网络的脑电信号快速识别方法 | |
Li et al. | Infrared and visible image fusion using a deep learning framework | |
CN107506761A (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 | |
CN110188795A (zh) | 图像分类方法、数据处理方法和装置 | |
CN108491849A (zh) | 基于三维稠密连接卷积神经网络的高光谱图像分类方法 | |
CN107169974A (zh) | 一种基于多监督全卷积神经网络的图像分割方法 | |
CN110675411B (zh) | 基于深度学习的宫颈鳞状上皮内病变识别算法 | |
CN108053398A (zh) | 一种半监督特征学习的黑色素瘤自动检测方法 | |
CN112465827A (zh) | 一种基于逐类卷积操作的轮廓感知多器官分割网络构建方法 | |
Das et al. | Efficient automated detection of mitotic cells from breast histological images using deep convolution neutral network with wavelet decomposed patches | |
CN110472530B (zh) | 基于小波变换和迁移学习的视网膜oct图像分类方法 | |
CN107909588A (zh) | 基于三维全卷积神经网络的mri皮质下分区系统 | |
CN107256398A (zh) | 基于特征融合的奶牛个体识别方法 | |
CN111080575A (zh) | 一种基于残差密集u形网络模型的丘脑分割方法 | |
Naz et al. | Deep autoencoder-decoder framework for semantic segmentation of brain tumor | |
CN110334566A (zh) | 一种基于三维全卷积神经网络的oct内外指纹提取方法 | |
Fu et al. | MDRANet: A multiscale dense residual attention network for magnetic resonance and nuclear medicine image fusion | |
Nagtode et al. | Two dimensional discrete Wavelet transform and Probabilistic neural network used for brain tumor detection and classification | |
Xiang et al. | A novel weight pruning strategy for light weight neural networks with application to the diagnosis of skin disease | |
Abbasi et al. | A hybrid approach for detection of brain tumor in MRI images | |
Rezaei et al. | Brain abnormality detection by deep convolutional neural network | |
CN116630964A (zh) | 一种基于离散小波注意力网络的食品图像分割方法 | |
CN115909016A (zh) | 基于GCN分析fMRI图像的系统、方法、电子设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171201 |
|
RJ01 | Rejection of invention patent application after publication |