CN107767378A - 基于深度神经网络的gbm多模态磁共振图像分割方法 - Google Patents
基于深度神经网络的gbm多模态磁共振图像分割方法 Download PDFInfo
- Publication number
- CN107767378A CN107767378A CN201711115689.2A CN201711115689A CN107767378A CN 107767378 A CN107767378 A CN 107767378A CN 201711115689 A CN201711115689 A CN 201711115689A CN 107767378 A CN107767378 A CN 107767378A
- Authority
- CN
- China
- Prior art keywords
- image
- voxel
- neural network
- deep neural
- image block
- 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
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
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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
Abstract
本发明提出了一种基于深度神经网络的GBM多模态磁共振图像分割方法,包括以下步骤:首先分别对所收集GBM多模态磁共振图像的每个切片图像进行预处理后,将所有切片图像分成训练样本和测试样本,并对训练样本中的切片图像进行标注;其次提取训练样本图像块并标准化均值和方差,扩增数据后形成一个训练数据集;之后构建一个深度神经网络,利用训练数据集训练深度神经网络,得到深度神经网络分割模型;最后预处理待分割切片图像并提取其图像块,并利用深度神经网络分割模型对其体素进行分类和后处理,实现GBM多模态磁共振图像的分割;本发明可满足自动诊断、手术规划和预后预测等对非正常脑组织和周围正常结构的检测和定位精度高的需求。
Description
技术领域
本发明涉及数字医学影像处理与分析和计算机辅助诊断领域,尤其是一种基于深度神经网络的GBM多模态磁共振图像分割方法。
背景技术
脑胶质瘤是最常见的原发性脑肿瘤,主要发生于成年人,特别是老年人,具有复发率高、病死率高及治愈率低的三大特点。相关资料统计表明,一半以上的脑胶质瘤患者为恶性度最高的GBM(Glioblastoma Multiforme,多形性成胶质细胞瘤)。GBM患者即使采用了最为积极的治疗手段,中位生存期仍然少于15个月,而5年以上的存活率不足5%。GBM在多模态磁共振图像中呈现出一片异质的肿瘤区域。这片区域通常包括4个部分:坏死区、水肿区、非增强肿瘤区和增强肿瘤区。由于GBM在组织形态上的复杂性与特殊性,单模态磁共振图像无法清晰的反映GBM的不同组织结构。相比之下,多模态磁共振图像中含有丰富的组织结构信息,被广泛应用于GBM的诊断和治疗。
GBM多模态磁共振图像的精确分割对于诊断、手术规划、术后分析以及化疗/放疗计划至关重要,目前国内外有很多研究人员提出了各种各样的GBM多模态磁共振图像的分割方法,主要分为基于像素或者体素的分割算法和基于图形分割的算法等。基于像素或者体素分割算法的基本思想是根据每个像素在多模态图像上亮度信息、纹理信息等把该像素点分类到相应的类别中。分类的算法包括无监督的聚类和有监督的学习。例如,基于模糊C均值聚类算法(Fuzzy C-Means,FCM)的模糊均值聚类的算法,以多模态磁共振图像的灰度作为特征向量,利用FCM对所有体素点进行聚类得到初始的分类,根据对称性,灰度分布等先验知识对初始分类进行优化,得到最终的分割结果。由于FCM聚类时,没有考虑空间邻域信息,并且GBM组织的灰度分布会产生重叠,因此容易产生误分割。基于图形分割算法用图的顶点来描述图像的像素,用图的边描述2个像素的相似性,由此形成一个网络图,通过解决能量最小化问题把图分割成子网络图,使不同子网络图之间的差异和同一子网络图内部的相似性达到最大。这类算法通常需要解决一个求解广义特征向量问题,当图像比较大时,这类算法会遭遇计算复杂度大的问题。除了以上两类算法,基于Levelset(水平集)的分割算法也广泛应用于GBM多模态磁共振图像分割,但是由于GBM组织灰度不均匀,并且GBM组织之间经常没有明显的边界,采用这类算法容易出现边缘泄露的问题。
近来,深度学习理论引起了很大关注,在语音识别、图像目标分类与检测等很多领域已经取得了广泛的应用,尤其是深度卷积神经网络具有非常强的自主学习能力和高度的非线性映射,这为设计对鲁棒性和精度要求高的分割模型提供了可能。
专利号为201710379095.6的发明专利《一种基于全卷积网络的MRI图像脑肿瘤自动分割方法》,包括脑肿瘤多模态MRI图像预处理、全卷积网络模型构造、网络训练与参数调优和脑肿瘤图像自动分割。
该发明专利具有以下特点:
1、采用了15层的网络,且全卷积网络含有全连接层和反卷积层,并不是真正意义上的全卷积深度神经网络;
2、采用了按语义训练的卷积神经网络架构,对输入的整张图像的每个像素进行预测,包括编码部分(提取特征)和解码部分(降采样或去卷积从编码器得到的高维特征)和组合从编码部分得到的高维特征来分类像素;
3、采用了迁移学习算法进行训练,将利用ImageNet图像集训练好的VGG16模型的中间特征层作为该发明专利所述模型的基础特征层。
上述发明仍不能加快分割速度,并解决训练时出现网络权值数量爆炸的问题。因此,需要对现有技术进行改进。
发明内容
本发明要解决的技术问题是提出一种能够按照正常组织区(C0)、坏死区(C1)、水肿区(C2)、非增强肿瘤区(C3)和增强肿瘤区(C4)五种不同区域对GBM多模态磁共振图像进行分割的基于深度神经网络的GBM多模态磁共振图像分割方法。
为了解决上述技术问题,本发明提出一种基于深度神经网络的GBM多模态磁共振图像分割方法,包括以下步骤:
S1、收集并切割GBM多模态磁共振图像,获得切片图像;分别对每个切片图像进行预处理后将每种模态的所有切片图像分成训练样本和测试样本;对训练样本中的切片图像进行标注,分为脑部正常组织区(C0)、坏死区(C1)、水肿区(C2)、非增强肿瘤区(C3)和增强肿瘤区(C4);上述坏死区(C1)、水肿区(C2)、非增强肿瘤区(C3)和增强肿瘤区(C4)共同形成非正常组织区;
S2、提取训练样本图像块并标准化均值和方差,扩增数据后形成一个训练数据集;
S3、构建一个深度神经网络,利用训练数据集训练深度神经网络,得到深度神经网络分割模型;
S4、获取待分割模态图像的待分割切片图像,预处理待分割切片图像并提取其图像块后,利用深度神经网络分割模型对其体素进行分类和后处理,获得正常组织区(C0)、坏死区(C1)、水肿区(C2)、非增强肿瘤区(C3)和增强肿瘤区(C4)五种不同区域。
作为本发明基于深度神经网络的GBM多模态磁共振图像分割方法的改进:
所述步骤S3中深度神经网络为全卷积神经网络,包含13层,总共有2485253个可训练参数;
所述全卷积神经网络的所有卷积层的滤波器大小为3×3,步长为1×1;
所述全卷积神经网络每隔2或3层就会应用一个池化层,卷积层和池化层交替应用直至得到正确输出变为5×8×8的三维数组;
所述全卷积神经网络对以图像块中心体素为中心的8×8区域内所有体素进行分类;
所述全卷积神经网络最后一层的输出结果被重塑为5×64的二维数组,并以该二维数组为输入,采用softmax函数计算64个体素中每个体素对应五种类别的最大概率,其输出结果即为64个体素所属类别的概率分布。
作为本发明基于深度神经网络的GBM多模态磁共振图像分割方法的进一步改进:
所述步骤S3中所述的利用训练样本集训练全卷积深度神经网络,建立深度神经网络分割模型包括如下内容:
所述全卷积神经网络训练时采用自适应矩估计法(Adam)加速收敛,使损失函数达到最小值;
所述全卷积神经网络训练时采用BN(Batch Normalisation)算法正则化网络,并在损失函数中加入一个L2正则化惩罚项;
所述全卷积神经网络训练时,每个卷积层的权重利用Xavier法进行初始化,偏置因子全部初始化为0,激活函数采用泄露修正线性函数(LReLU);所述激活函数的公式如下:
其中,x为进行激活转换前每个神经元的输出值,α的取值范围为0<α<1。
作为本发明基于深度神经网络的GBM多模态磁共振图像分割方法的进一步改进:
所述步骤S2中提取训练样本图像块并标准化均值和方差后扩增数据的方法如下:
(2.1)、分别提取训练样本中每个切片图像的图像块:
(2.2)、标准化提取的图像块的均值和方差:
对步骤(2.1)提取的图像块分别进行归一化处理,方法为:
将图像块中每个体素值减去各自模态体图像所有体素的平均值并除以标准差,使均值标准化为0,方差标准化为1,公式如下:
x'i为归一化后的第i个体素的值;xi为归一化前的第i个体素的值;μ为体素值的均值(每个模态图像块的像素值均值);ρ为体素值的标准差(每个模态图像块的像素值标准差);
(2.3)、扩增训练样本图像块数据:
将步骤(2.2)归一化处理后的每个图像块旋转n×90°(n=1,2,3),形成训练数据集。
作为本发明基于深度神经网络的GBM多模态磁共振图像分割方法的进一步改进:
所述步骤(2.1)分别提取训练样本中每个切片图像的图像块,包括依次进行以下步骤:
(2.1.1)、分别以切片图像中的每个体素为中心,按正常组织区(C0)、坏死区(C1)、水肿区(C2)、非增强肿瘤区(C3)和增强肿瘤区(C4)五种类别提取预定义大小为64×64的图像块,同时忽略中心体素位于切片图像边缘处的图像块;
(2.1.2)、对步骤(2.1.1)中所获取类别为正常组织区(C0)的图像块进行筛选;筛选后获得的一半图像块为中心体素在非正常组织区域内的图像块,另一半图像块为中心体素距离x、y和z方向(上下、左右方向)至少3个体素的图像块,以确保深度神经网络的输入图像块能够遍布整个模态图像;
(2.1.3)、在每个训练迭代回合,随机重采样训练样本中的图像块,令每种类别的图像块数量保持相同。
作为本发明基于深度神经网络的GBM多模态磁共振图像分割方法的进一步改进:
所述步骤S4对待分割模态图像的GBM多模态磁共振图像的分割方法如下:
(4.1)将待分割模态图像的每个切片图像在x轴和y轴前端分别填充28个“0”,而在x轴和y轴后端分别填充36个“0”;
(4.2)分别以步骤(4.1)处理前的每个切片图像的每个体素为图像块中心体素,在步骤(4.1)处理后的每个对应切片图像上提取大小为64×64的图像块,并通过步骤(2.2)完成待分割切片图像图像块的均值和方差的标准化;
(4.3)利用深度神经网络分割模型对步骤(4.2)标准化后有图像块的8×8区域块体素分类,获得每个体素分别对应正常组织区(C0)、坏死区(C1)、水肿区(C2)、非增强肿瘤区(C3)和增强肿瘤区(C4)五种类别的概率分布,概率最大的类别作为该体素所属类别;得到切片图像正常组织区(C0)、坏死区(C1)、水肿区(C2)、非增强肿瘤区(C3)和增强肿瘤区(C4)对应组织的体积;
(4.4)进行后处理,移除步骤(4.3)所获得分割结果中连续体积小于预设定阈值tvol的连通量,得到GBM磁共振多模态图像最终分割结果。
作为本发明基于深度神经网络的GBM多模态磁共振图像分割方法的进一步改进:
所述步骤S1中的预处理包括依次进行如下步骤:
(1.1)、限制每种模态的每个切片图像体素强度的极值,降低边界效应的影响;
(1.2)、消除步骤(1.1)所获得图像因磁共振扫描仪磁场多向性引起的相同组织体素值在不同切片图像的差异。
作为本发明基于深度神经网络的GBM多模态磁共振图像分割方法的进一步改进:
所述步骤(1.1)限制每种模态的每个切片图像体素强度极值的方法为:采用九十八百分位缩尾处理方式限制图像边界处体素的极值(即体素值低于第一百分位数的值设定为第一百分位数的值,体素值高于第九十九百分位数的值设定为第九十九百分位数的值)。
作为本发明基于深度神经网络的GBM多模态磁共振图像分割方法的进一步改进:
所述步骤(1.2)消除图像因磁共振扫描仪磁场多向性引起的相同组织体素值在不同切片图像的差异的方法为N4ITK校正法。
作为本发明基于深度神经网络的GBM多模态磁共振图像分割方法的进一步改进:
所述GBM多模态磁共振图像包括T1(T1加权成像)、T1c(T1增强成像)、T2(T2加权成像)和Flair(液体衰减反转成像)四种模态。
本发明与现有技术相比,具有如下技术优势:
1、本发明采用了13层的全卷积深度神经网络,具有非常强的自主学习能力和高度的非线性映射,能够提高GBM多模态磁共振图像的分割精度和鲁棒性。
2、本发明对以图像块中心体素为中心的8×8区域内的所有体素进行分类,而不只是对中心体素进行分类,能够加快分割速度并避免训练时出现网络权值数量爆炸的问题。
3、本发明将使用更大的图像块作为全卷集神经网络的输入,使得全卷积深度神经网络分割模型能够结合远离切片图像体素的更多上下文信息,有利于提高整体的分割精度。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细说明。
图1是本发明GBM多模态磁共振图像分割算法的原理流程图。
图2是本发明实施例中的图像块提取过程示意图。
图3是图1的全卷积深度神经网络的架构图。
图4是实施例中64×64的图像块示意图;本图还是以图像块中心体素为中心的8×8区域示意图。
图5是为实施例中GBM多模态磁共振图像某两个切片图像的分割结果(左上图为对T2模态中第66个切片图像分割的结果,右上图为将该分割结果叠加到T2模态中第66个切片图像原图上的结果;左下图为对T2模态中第71个切片图像分割的结果,右下图为将该分割结果叠加到T2模态中第71个切片图像原图上的结果)。
具体实施方式
下面结合具体实施例对本发明进行进一步描述,但本发明的保护范围并不仅限于此。
实施例1、基于深度神经网络的GBM多模态磁共振图像分割方法,如图1-图5所示,包括以下内容:
将GBM多模态磁共振图像进行分割获得切片图像,分别对每个切片图像进行预处理后提取图像块,再通过训练好的深度神经网络分割模型对以图像块中心体素为中心的8×8区域内的所有体素进行分类,确定体素点的类别是脑部正常组织区(下文中简称为C0)、坏死区(下文中简称为C1)、水肿区(下文中简称为C2)、非增强肿瘤区(下文中简称为C3)或增强肿瘤区(下文中简称为C4),从而完成对GBM四个模态体图像的分割,后处理所得结果为最终的GBM多模态磁共振图像分割结果。本实施例中深度神经网络为全卷积深度神经网络,所训练的模型为全卷积深度神经网络分割模型(下文中简称为分割模型)。
本实施例采用的测试数据为BRATS 2013挑战数据集中患者1的GBM多模态磁共振图像,包括T1(T1加权成像)、T1c(T1增强成像)、T2(T2加权成像)和Flair(液体衰减反转成像)四种模态。
具体工作内容包括如下步骤:
步骤1、收集并切割GBM多模态磁共振图像,获得切片图像;分别对每个切片图像进行预处理后,将每种模态的所有切片图像随机分成训练样本和测试样本,并对训练样本中的切片图像进行标注,分为C0、C1、C2、C3和C4。具体工作流程如下:
(1.1)、收集并切割GBM多模态磁共振图像;收集的GBM多模态磁共振图像包括T1、T1c、T2和Flair四种模态。
GBM多模态磁共振图像进行分割获得切片图像的方法为现有技术,故在本说明书中不对其进行详细阐述。
(1.2)、对步骤(1.1)中所收集的GBM多模态磁共振图像的每个切片图像进行预处理,包括依次进行的以下步骤:
(1.2.1)限制每种模态的每个切片图像体素强度的极值,降低边界效应的影响;
采用九十八百分位缩尾处理方式限制图像边界处体素的极值,即,体素值低于第一百分位数的值设定为第一百分位数的值,体素值高于第九十九百分位数的值设定为第九十九百分位数的值,从而降低边界效应的影响。
(1.2.2)、消除步骤(1.2.1)所获得图像因磁共振扫描仪磁场多向性引起的相同组织体素值在不同切片图像中的差异;
由于磁共振扫描仪磁场的多向性导致在扫描过程中,不同切片图像的相同脑组织强度值不同,使得自动分割算法难于识别出实际上相同的组织。因此,本实施例利用N4ITK校正法消除步骤(1.2.1)所获得图像由磁共振扫描仪磁场多向性引起的相同组织体素值在不同切片图像的差异。N4ITK以N3偏置校正法(N3Bias Correction)为基础,通过取代N3架构中的B样条平滑策略和修改迭代的优化方案提高收敛性能。N4ITK校正法广泛应用于医学图像处理,故不再本说明书中对其进行详细介绍。本实施例中N4ITK校正法相关参数设定如下表1:
表1、N4ITK校正法参数表
参数 | 值 |
迭代次数 | [20,20,20,10] |
维数 | 3 |
B样条拟合距离 | 200 |
收缩因子 | 2 |
收敛阈值 | 0 |
(1.3)、GBM多模态磁共振图像的每种模态所有切片图像通过步骤(1.2.2)完成预处理后,随机提取70%作为训练样本,剩余30%作为测试样本;将训练样本的切片图像分别标注为C0、C1、C2、C3和C4五种类别,其中非正常组织区域(肿瘤区域)包括C1、C2、C3和C4。
步骤2:从步骤(1.3)所获得的训练样本中提取图像块并标准化均值和方差,扩增数据后形成一个训练数据集;
由于本发明采用按图像块训练的全卷积深度神经网络架构,因此需要从训练样本中提取预定大小的图像块对分割模型进行训练。对于每种模态的每个切片图像,图像块是一个大小为n×n的二维区域,并沿着轴向平面提取。如图2所示为对单一模态切片图像提取图像块的过程,对于一个模态图像,分别对其所有切片图像提取大小为64×64的图像块。具体工作流程如下:
(2.1)、从步骤(1.3)所获得的训练样本中提取图像块;
由于GBM多模态磁共振图像中绝大多数都是类别为C0的体素,故在提取测试样本的图像块时,为了提高欠表达类别图像块的比列,保持数据平衡,增强分割模型的泛化能力,包括依次进行的以下步骤:
(2.1.1)分别以切片图像中的每个体素为中心,按C0、C1、C2、C3和C4五种类别提取预定义大小为64×64的图像块,同时忽略中心体素位于切片边缘处的图像块。
因大部分靠近切片图像边缘的体素属于类别C0,若提取的图像块的中心体素过于靠近边缘,则忽略该体素,从而使每种类别的体素周围均有足够表达该类别的体素。
(2.1.2)、对步骤(2.1.1)中所获取类别为C0的图像块进行筛选;筛选后获得的一半图像块为中心体素在非正常组织区域内的图像块,另一半图像块为中心体素距离x、y和z方向(上下、左右方向)至少3个体素的图像块,以确保深度神经网络的输入图像块能够遍布整个模态图像。
(2.1.3)在每个训练迭代回合,随机重采样训练样本中的图像块(即,步骤(2.1.1)中提取类别为C1、C2、C3和C4的图像块,以及步骤(2.1.2)筛选后类别为C0的图像块),使每种类别的图像块数量保持相同。
(2.2)、标准化提取的图像块的均值和方差;
对步骤(2.1.3)所获得的训练样本每个模态的图像块分别进行归一化处理,方法为:
将图像块中每个体素值减去各自模态体图像所有体素的平均值并除以标准差,使均值标准化为0,方差标准化为1,公式如下:
x'i为归一化后的第i个体素的值;xi为归一化前的第i个体素的值;μ为体素值的均值(每个模态图像块的像素值均值);ρ为体素值的标准差(每个模态图像块的像素值标准差)。
(2.3)、扩增训练样本图像块数据;
为了增大数据量,降低分割模型训练时过拟合的可能性,将经过步骤(2.2)归一化处理后的每个图像块旋转n×90°(n=1,2,3),完成对GBM多模态磁共振图像训练样本图像块的数据扩增。将所有训练样本图像块和对应的类别进行储存,形成训练数据集。
对于深度神经网络来说,训练样本的数量很重要,一般来说,训练样本越多,训练出来的分割模型泛化能力也就越强。本实施例中数据扩增的具体方法为对提取的训练样本图像块分别进行90度、180度和270度旋转,并和未旋转前的类别(C0、C1、C2、C3和C4)对应,这样1个图像块可变成4个,从而达到扩增训练样本图像块数据的目的。
步骤3:构建一个全卷积深度神经网络(全卷积深度神经网络架构如图3所示,图3中的箭头表示数据输入方向),利用训练样本集训练该全卷积深度神经网络,从而实现分割模型的建立;该全卷积深度神经网络总共由13层组成,总共有2485253个可训练参数,如下表2所示:
表2、全卷积深度神经网络可训练参数
层类型 | 输出形状 | 可训练参数个数 |
卷积层 | 64×64×64 | 2368 |
卷积层 | 64×64×64 | 36928 |
池化层 | 64×32×32 | 0 |
卷积层 | 128×32×32 | 73856 |
卷积层 | 128×32×32 | 147584 |
卷积层 | 128×32×32 | 147584 |
池化层 | 128×16×16 | 0 |
卷积层 | 256×16×16 | 295168 |
卷积层 | 256×16×16 | 590080 |
池化层 | 256×8×8 | 0 |
卷积层 | 256×8×8 | 590080 |
卷积层 | 256×8×8 | 590080 |
卷积层 | 5×8×8 | 11525 |
本实施例中,全卷积深度神经网络的所有卷积层的滤波器大小预设定为3×3,步长预设定为1×1,全卷积深度神经网络每隔2或3层就应用一个池化层,卷积层和池化层交替应用直至得到正确输出变为5×8×8的三维数组。
如图4所示,本发明为了使全卷积深度神经网络能够融合远离图像块中心体素的更多上下文信息,以利于提高分割的整体准确率,全卷积深度神经网络的输入选择为更大的图像块(现有技术中通常情况下所选图像块的大小为33×33),大小为64×64。
如图4所示,全卷积深度神经网络对以图像块中心体素为中心的8×8区域内所有体素进行分类,而不只是对图像块的中心体素进行分类。那么分类的输出结果不再是对应每种类别概率的一个5×1数组,而是以图像块中心体素为中心的8×8区域内所有体素对应每种类别概率的一个5×64的二维数组,并以该二维数组为输入,采用一个softmax函数计算64个体素中每个体素对应五种类别的最大概率,其输出结果即为64个体素所属类别的概率分布,从而实现对体素的分类。全卷积深度神经网络架构中每层的神经元个数减少,能够加快分割速度并避免训练时出现网络权值数量爆炸问题。
利用训练样本集训练全卷积深度神经网络的具体内容如下:
训练时采用自适应矩估计法(Adam)加速收敛全卷积深度神经网络,使损失函数值达到最小值;同时采用BN(Batch Normalisation)算法正则化网络,并在损失函数中加入一个L2正则化惩罚项,进一步降低出现过拟合的可能性。每个卷积层的权重利用Xavier法进行初始化,偏置因子全部初始化为0,每个卷积层采用的激活函数为泄露修正线性函数(LReLU);激活函数的公式如下:
其中,x为进行激活转换前每个神经元的输出值,α的取值范围为0<α<1;本实施例中α为0.33。全卷积深度神经网络训练40个epoch(时期),每个epoch使用1000个图像块。
步骤4:预处理测试样本并提取其图像块,利用分割模型对其体素进行分类和后处理,获得C0、C1、C2、C3和C4五种不同区域,实现GBM多模态磁共振图像的分割;
实际使用中待分割的GBM多模态磁共振图像分割方法与测试样本的切割方法一致,故本说明书中以测试样本为例进行详细阐述,主要包括如下步骤:
(4.1)、将测试数据集(即所有测试样本组成的测试数据集)中每个模态的每个切片图像在x轴和y轴前端分别填充28个“0”,而在在x轴和y轴后端分别填充36个“0”;
(4.2)、分别以步骤(4.1)处理前的每个切片图像的每个体素为图像块中心体素(即,填充前的切片图像),在步骤(4.1)处理后的每个对应切片图像上提取大小为64×64的图像块,并通过步骤(2.2)完成测试数据集图像的均值和方差的标准化(即,完成预处理);
(4.3)、利用分割模型对步骤(4.2)标准化后所有图像块的8×8区域块体素分类,获得每个体素分别对应C0、C1、C2、C3和C4五种类别的概率分布,概率最大的类别作为该体素所属类别;得到切片图像C0、C1、C2、C3和C4对应组织的体积;
(4.4)、进行后处理,移除步骤(4.3)所获得分割结果中连续体积小于预设定阈值tvol的连通量,得到GBM磁共振图像最终分割结果。本实施例中预设阈值tvol为10000体素。
通过上述方法对切片图像进行分割后的结果如图5所示。图5中左上图为对T2模态中第66个切片图像分割的结果,右上图为将分割结果叠加到T2模态中第66个切片图像原图上的结果;左下图为对T2模态中第71个切片图像分割的结果,右下图为将分割结果叠加到T2模态中第71个切片图像原图上的结果。
本发明深度神经网络采用了全卷积神经网络,包含13层,没有全连接层,是真正意义上的全卷积神经网络,该全卷积深度神经网络具有非常强的自主学习能力和高度的非线性映射,能够提高GBM多模态磁共振图像的分割精度和鲁棒性。本发明中卷积层只有卷积运算,从而使切割模型具有更快的训练速度;本发明以图像块中心体素为中心的8×8区域内的64个体素进行分类,能够加快分割速度并避免训练时出现网络权值数量爆炸的问题。本发明利用训练样本集中的图像块进行训练时,采用自适应矩估计法(Adam)加速收敛,利用BN(Batch Normalisation)算法正则化网络,并在损失函数中加入一个L2正则化惩罚项的方法,降低了过拟合的可能性;本发明提取训练样本图像块时忽略了中心体素位于切片图像边缘处的图像块;并对C0的图像块进行筛选,还在每个训练迭代回合,随机重采样训练样本中的图像块,使每种类别的图像块数量保持相同,从而提高分割模型的泛化能力。
最后,还需要注意的是,以上列举的仅是本发明的若干个具体实施例。显然,本发明不限于以上实施例,还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形,均应认为是本发明的保护范围。
Claims (10)
1.基于深度神经网络的GBM多模态磁共振图像分割方法,其特征在于,所述方法包括以下步骤:
S1、收集并切割GBM多模态磁共振图像,获得切片图像;分别对每个切片图像进行预处理后将每种模态的所有切片图像分成训练样本和测试样本;对训练样本中的切片图像进行标注,分为脑部正常组织区、坏死区、水肿区、非增强肿瘤区和增强肿瘤区;上述坏死区、水肿区、非增强肿瘤区和增强肿瘤区共同形成非正常组织区;
S2、提取训练样本图像块并标准化均值和方差,扩增数据后形成一个训练数据集;
S3、构建一个深度神经网络,利用训练数据集训练深度神经网络,得到深度神经网络分割模型;
S4、获取待分割模态图像的待分割切片图像,预处理待分割切片图像并提取其图像块后,利用深度神经网络分割模型对其体素进行分类和后处理,获得正常组织区、坏死区、水肿区、非增强肿瘤区和增强肿瘤区五种不同区域。
2.根据权利要求1所述的基于深度神经网络的GBM多模态磁共振图像分割方法,其特征在于:
所述步骤S3中深度神经网络为全卷积神经网络,包含13层,总共有2485253个可训练参数;
所述全卷积神经网络的所有卷积层的滤波器大小为3×3,步长为1×1;
所述全卷积神经网络每隔2或3层就会应用一个池化层,卷积层和池化层交替应用直至得到正确输出变为5×8×8的三维数组;
所述全卷积神经网络对以图像块中心体素为中心的8×8区域内所有体素进行分类;
所述全卷积神经网络最后一层的输出结果被重塑为5×64的二维数组,并以该二维数组为输入,采用softmax函数计算64个体素中每个体素对应五种类别的最大概率,其输出结果即为64个体素所属类别的概率分布。
3.根据权利要求2所述的基于深度神经网络的GBM多模态磁共振图像分割方法,其特征在于:
所述步骤S3中所述的利用训练样本集训练全卷积深度神经网络,建立深度神经网络分割模型包括如下内容:
所述全卷积神经网络训练时采用自适应矩估计法加速收敛,使损失函数达到最小值;
所述全卷积神经网络训练时采用BN算法正则化网络,并在损失函数中加入一个L2正则化惩罚项;
所述全卷积神经网络训练时,每个卷积层的权重利用Xavier法进行初始化,偏置因子全部初始化为0,激活函数采用泄露修正线性函数;所述激活函数的公式如下:
其中,x为进行激活转换前每个神经元的输出值,α的取值范围为0<α<1。
4.根据权利要求1-3任一所述的基于深度神经网络的GBM多模态磁共振图像分割方法,其特征在于:
所述步骤S2中提取训练样本图像块并标准化均值和方差后扩增数据的方法如下:
(2.1)、分别提取训练样本中每个切片图像的图像块:
(2.2)、标准化提取的图像块的均值和方差:
对步骤(2.1)提取的图像块分别进行归一化处理,方法为:
将图像块中每个体素值减去各自模态体图像所有体素的平均值并除以标准差,使均值标准化为0,方差标准化为1,公式如下:
<mrow>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>&mu;</mi>
</mrow>
<mi>&rho;</mi>
</mfrac>
</mrow>
x′i为归一化后的第i个体素的值;xi为归一化前的第i个体素的值;μ为体素值的均值;ρ为体素值的标准差;
(2.3)、扩增训练样本图像块数据:
将步骤(2.2)归一化处理后的每个图像块旋转n×90°(n=1,2,3),形成训练数据集。
5.根据权利要求4所述的基于深度神经网络的GBM多模态磁共振图像分割方法,其特征在于:
所述步骤(2.1)分别提取训练样本中每个切片图像的图像块,包括依次进行以下步骤:
(2.1.1)、分别以切片图像中的每个体素为中心,按正常组织区、坏死区、水肿区、非增强肿瘤区和增强肿瘤区五种类别提取预定义大小为64×64的图像块,同时忽略中心体素位于切片图像边缘处的图像块;
(2.1.2)、对步骤(2.1.1)中所获取类别为正常组织区的图像块进行筛选;筛选后获得的一半图像块为中心体素在非正常组织区域内的图像块,另一半图像块为中心体素距离x、y和z方向至少3个体素的图像块;
(2.1.3)、在每个训练迭代回合,随机重采样训练样本中的图像块,令每种类别的图像块数量保持相同。
6.根据权利要求5所述的基于深度神经网络的GBM多模态磁共振图像分割方法,其特征在于:
所述步骤S4对待分割模态图像的GBM多模态磁共振图像的分割方法如下:
(4.1)将待分割模态图像的每个切片图像在x轴和y轴前端分别填充28个“0”,而在x轴和y轴后端分别填充36个“0”;
(4.2)分别以步骤(4.1)处理前的每个切片图像的每个体素为图像块中心体素,在步骤(4.1)处理后的每个对应切片图像上提取大小为64×64的图像块,并通过步骤(2.2)完成待分割切片图像图像块的均值和方差的标准化;
(4.3)利用深度神经网络分割模型对步骤(4.2)标准化后有图像块的8×8区域块体素分类,获得每个体素分别对应正常组织区、坏死区、水肿区、非增强肿瘤区和增强肿瘤区五种类别的概率分布,概率最大的类别作为该体素所属类别;得到切片图像正常组织区、坏死区、水肿区、非增强肿瘤区和增强肿瘤区对应组织的体积;
(4.4)进行后处理,移除步骤(4.3)所获得分割结果中连续体积小于预设定阈值tvol的连通量,得到GBM磁共振多模态图像最终分割结果。
7.根据权利要求6所述的基于深度神经网络的GBM多模态磁共振图像分割方法,其特征在于:
所述步骤S1中的预处理包括依次进行如下步骤:
(1.1)、限制每种模态的每个切片图像体素强度的极值,降低边界效应的影响;
(1.2)、消除步骤(1.1)所获得图像因磁共振扫描仪磁场多向性引起的相同组织体素值在不同切片图像的差异。
8.根据权利要求7所述的基于深度神经网络的GBM多模态磁共振图像分割方法,其特征在于:
所述步骤(1.1)限制每种模态的每个切片图像体素强度极值的方法为:采用九十八百分位缩尾处理方式限制图像边界处体素的极值。
9.根据权利要求8所述的基于深度神经网络的GBM多模态磁共振图像分割方法,其特征在于:
所述步骤(1.2)消除图像因磁共振扫描仪磁场多向性引起的相同组织体素值在不同切片图像的差异的方法为N4ITK校正法。
10.根据权利要求9所述的基于深度神经网络的GBM多模态磁共振图像分割方法,其特征在于:
所述GBM多模态磁共振图像包括T1、T1c、T2和Flair四种模态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711115689.2A CN107767378B (zh) | 2017-11-13 | 2017-11-13 | 基于深度神经网络的gbm多模态磁共振图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711115689.2A CN107767378B (zh) | 2017-11-13 | 2017-11-13 | 基于深度神经网络的gbm多模态磁共振图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107767378A true CN107767378A (zh) | 2018-03-06 |
CN107767378B CN107767378B (zh) | 2020-08-04 |
Family
ID=61273463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711115689.2A Active CN107767378B (zh) | 2017-11-13 | 2017-11-13 | 基于深度神经网络的gbm多模态磁共振图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107767378B (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629777A (zh) * | 2018-04-19 | 2018-10-09 | 麦克奥迪(厦门)医疗诊断系统有限公司 | 一种数字病理全切片图像病变区域自动分割方法 |
CN108875693A (zh) * | 2018-07-03 | 2018-11-23 | 北京旷视科技有限公司 | 一种图像处理方法、装置、电子设备及其存储介质 |
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 |
CN109242879A (zh) * | 2018-08-16 | 2019-01-18 | 北京航空航天大学青岛研究院 | 基于深度卷积神经网络的脑部胶质瘤核磁图像分割方法 |
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 |
CN109377497A (zh) * | 2018-08-17 | 2019-02-22 | 西安电子科技大学 | 一种低场强胃部mri图像的分割装置及方法 |
CN109726752A (zh) * | 2018-12-25 | 2019-05-07 | 脑玺(上海)智能科技有限公司 | 基于时间信号曲线的灌注动态影像的分割方法及系统 |
CN109949288A (zh) * | 2019-03-15 | 2019-06-28 | 上海联影智能医疗科技有限公司 | 肿瘤类型确定系统、方法及存储介质 |
CN110009598A (zh) * | 2018-11-26 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 用于图像分割的方法和图像分割设备 |
CN110070173A (zh) * | 2019-03-26 | 2019-07-30 | 山东女子学院 | 一种基于纵横子片的深度神经网络分割方法 |
CN110074786A (zh) * | 2019-04-30 | 2019-08-02 | 上海东软医疗科技有限公司 | 核磁共振匀场方法、装置、计算设备及核磁共振成像系统 |
CN110097550A (zh) * | 2019-05-05 | 2019-08-06 | 电子科技大学 | 一种基于深度学习的医学图像分割方法及系统 |
CN110148195A (zh) * | 2019-05-22 | 2019-08-20 | 山东颐邦齐鲁医生集团管理有限公司 | 一种磁共振图像生成方法、系统、终端及存储介质 |
CN110175615A (zh) * | 2019-04-28 | 2019-08-27 | 华中科技大学 | 模型训练方法、域自适应的视觉位置识别方法及装置 |
WO2019200745A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技(深圳)有限公司 | Mri病变位置检测方法、装置、计算机设备和存储介质 |
WO2019223121A1 (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 |
WO2019223147A1 (zh) * | 2018-05-23 | 2019-11-28 | 平安科技(深圳)有限公司 | 肝脏癌变定位方法、装置及存储介质 |
CN110533668A (zh) * | 2019-07-30 | 2019-12-03 | 北京理工大学 | 基于统计约束损失函数的脑梗塞病灶自动分割方法 |
CN110717907A (zh) * | 2019-10-06 | 2020-01-21 | 浙江大学 | 一种基于深度学习的手部肿瘤智能检测方法 |
WO2020033566A1 (en) * | 2018-08-07 | 2020-02-13 | Human Longevity, Inc. | Neural networks for volumetric segmentation and parcellated surface representations |
CN111447900A (zh) * | 2018-11-14 | 2020-07-24 | 途亚特有限公司 | 基于深度学习的影像分析方法、系统及移动终端 |
CN111798428A (zh) * | 2020-07-03 | 2020-10-20 | 南京信息工程大学 | 一种皮肤病理图像多种组织自动分割方法 |
CN112634211A (zh) * | 2020-12-14 | 2021-04-09 | 上海健康医学院 | 基于多个神经网络的mri图像分割方法、装置及设备 |
WO2021121126A1 (zh) * | 2020-07-28 | 2021-06-24 | 平安科技(深圳)有限公司 | 基于深度学习的脑瘤图像分割方法、装置、设备及介质 |
CN113506302A (zh) * | 2021-07-27 | 2021-10-15 | 四川九洲电器集团有限责任公司 | 一种交互式对象更新方法、装置及处理系统 |
CN114820535A (zh) * | 2022-05-05 | 2022-07-29 | 深圳市铱硙医疗科技有限公司 | 动脉瘤的图像检测方法、装置、计算机设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296699A (zh) * | 2016-08-16 | 2017-01-04 | 电子科技大学 | 基于深度神经网络和多模态mri图像的脑肿瘤分割方法 |
CN106600571A (zh) * | 2016-11-07 | 2017-04-26 | 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 |
CN106780482A (zh) * | 2017-01-08 | 2017-05-31 | 广东工业大学 | 一种医学图像分类方法 |
CN107066553A (zh) * | 2017-03-24 | 2017-08-18 | 北京工业大学 | 一种基于卷积神经网络与随机森林的短文本分类方法 |
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 |
US10347010B2 (en) * | 2016-09-21 | 2019-07-09 | Realize, Inc. | Anomaly detection in volumetric images using sequential convolutional and recurrent neural networks |
-
2017
- 2017-11-13 CN CN201711115689.2A patent/CN107767378B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296699A (zh) * | 2016-08-16 | 2017-01-04 | 电子科技大学 | 基于深度神经网络和多模态mri图像的脑肿瘤分割方法 |
US10347010B2 (en) * | 2016-09-21 | 2019-07-09 | Realize, Inc. | Anomaly detection in volumetric images using sequential convolutional and recurrent neural networks |
CN106600571A (zh) * | 2016-11-07 | 2017-04-26 | 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 |
CN106780482A (zh) * | 2017-01-08 | 2017-05-31 | 广东工业大学 | 一种医学图像分类方法 |
CN107066553A (zh) * | 2017-03-24 | 2017-08-18 | 北京工业大学 | 一种基于卷积神经网络与随机森林的短文本分类方法 |
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 |
Non-Patent Citations (1)
Title |
---|
王锦程; 郁芸; 杨坤; 胡新华: "《基于BP神经网络的脑肿瘤MRI图像分割》", 《生物医学工程研究》 * |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629777A (zh) * | 2018-04-19 | 2018-10-09 | 麦克奥迪(厦门)医疗诊断系统有限公司 | 一种数字病理全切片图像病变区域自动分割方法 |
WO2019200745A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技(深圳)有限公司 | Mri病变位置检测方法、装置、计算机设备和存储介质 |
WO2019223147A1 (zh) * | 2018-05-23 | 2019-11-28 | 平安科技(深圳)有限公司 | 肝脏癌变定位方法、装置及存储介质 |
WO2019223121A1 (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 |
CN108875693A (zh) * | 2018-07-03 | 2018-11-23 | 北京旷视科技有限公司 | 一种图像处理方法、装置、电子设备及其存储介质 |
CN108875693B (zh) * | 2018-07-03 | 2021-08-10 | 北京旷视科技有限公司 | 一种图像处理方法、装置、电子设备及其存储介质 |
WO2020033566A1 (en) * | 2018-08-07 | 2020-02-13 | Human Longevity, Inc. | Neural networks for volumetric segmentation and parcellated surface representations |
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 |
CN109242879A (zh) * | 2018-08-16 | 2019-01-18 | 北京航空航天大学青岛研究院 | 基于深度卷积神经网络的脑部胶质瘤核磁图像分割方法 |
CN109377497A (zh) * | 2018-08-17 | 2019-02-22 | 西安电子科技大学 | 一种低场强胃部mri图像的分割装置及方法 |
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 |
CN111447900A (zh) * | 2018-11-14 | 2020-07-24 | 途亚特有限公司 | 基于深度学习的影像分析方法、系统及移动终端 |
CN110009598B (zh) * | 2018-11-26 | 2023-09-05 | 腾讯科技(深圳)有限公司 | 用于图像分割的方法和图像分割设备 |
CN110009598A (zh) * | 2018-11-26 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 用于图像分割的方法和图像分割设备 |
CN109726752A (zh) * | 2018-12-25 | 2019-05-07 | 脑玺(上海)智能科技有限公司 | 基于时间信号曲线的灌注动态影像的分割方法及系统 |
CN109949288A (zh) * | 2019-03-15 | 2019-06-28 | 上海联影智能医疗科技有限公司 | 肿瘤类型确定系统、方法及存储介质 |
CN110070173A (zh) * | 2019-03-26 | 2019-07-30 | 山东女子学院 | 一种基于纵横子片的深度神经网络分割方法 |
CN110175615A (zh) * | 2019-04-28 | 2019-08-27 | 华中科技大学 | 模型训练方法、域自适应的视觉位置识别方法及装置 |
CN110175615B (zh) * | 2019-04-28 | 2021-01-01 | 华中科技大学 | 模型训练方法、域自适应的视觉位置识别方法及装置 |
CN110074786A (zh) * | 2019-04-30 | 2019-08-02 | 上海东软医疗科技有限公司 | 核磁共振匀场方法、装置、计算设备及核磁共振成像系统 |
CN110074786B (zh) * | 2019-04-30 | 2022-12-06 | 上海东软医疗科技有限公司 | 核磁共振匀场方法、装置、计算设备及核磁共振成像系统 |
CN110097550A (zh) * | 2019-05-05 | 2019-08-06 | 电子科技大学 | 一种基于深度学习的医学图像分割方法及系统 |
CN110148195A (zh) * | 2019-05-22 | 2019-08-20 | 山东颐邦齐鲁医生集团管理有限公司 | 一种磁共振图像生成方法、系统、终端及存储介质 |
CN110533668B (zh) * | 2019-07-30 | 2021-09-21 | 北京理工大学 | 基于统计约束损失函数的脑梗塞病灶自动分割方法 |
CN110533668A (zh) * | 2019-07-30 | 2019-12-03 | 北京理工大学 | 基于统计约束损失函数的脑梗塞病灶自动分割方法 |
CN110717907A (zh) * | 2019-10-06 | 2020-01-21 | 浙江大学 | 一种基于深度学习的手部肿瘤智能检测方法 |
CN111798428A (zh) * | 2020-07-03 | 2020-10-20 | 南京信息工程大学 | 一种皮肤病理图像多种组织自动分割方法 |
CN111798428B (zh) * | 2020-07-03 | 2023-05-30 | 南京信息工程大学 | 一种皮肤病理图像多种组织自动分割方法 |
WO2021121126A1 (zh) * | 2020-07-28 | 2021-06-24 | 平安科技(深圳)有限公司 | 基于深度学习的脑瘤图像分割方法、装置、设备及介质 |
CN112634211A (zh) * | 2020-12-14 | 2021-04-09 | 上海健康医学院 | 基于多个神经网络的mri图像分割方法、装置及设备 |
CN113506302A (zh) * | 2021-07-27 | 2021-10-15 | 四川九洲电器集团有限责任公司 | 一种交互式对象更新方法、装置及处理系统 |
CN113506302B (zh) * | 2021-07-27 | 2023-12-12 | 四川九洲电器集团有限责任公司 | 一种交互式对象更新方法、装置及处理系统 |
CN114820535A (zh) * | 2022-05-05 | 2022-07-29 | 深圳市铱硙医疗科技有限公司 | 动脉瘤的图像检测方法、装置、计算机设备及存储介质 |
CN114820535B (zh) * | 2022-05-05 | 2023-09-12 | 深圳市铱硙医疗科技有限公司 | 动脉瘤的图像检测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107767378B (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107767378A (zh) | 基于深度神经网络的gbm多模态磁共振图像分割方法 | |
Işın et al. | Review of MRI-based brain tumor image segmentation using deep learning methods | |
CN105957063B (zh) | 基于多尺度加权相似性测度的ct图像肝脏分割方法及系统 | |
CN109584254A (zh) | 一种基于深层全卷积神经网络的心脏左心室分割方法 | |
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 | |
CN104933709B (zh) | 基于先验信息的随机游走ct肺组织图像自动分割方法 | |
CN106780518B (zh) | 一种基于随机游走和图割的活动轮廓模型的mr图像三维交互分割方法 | |
CN101576997B (zh) | 基于二次三维区域生长的腹部器官分割方法 | |
CN107403201A (zh) | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 | |
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 | |
CN107590809A (zh) | 肺分割方法及医学成像系统 | |
CN107220980A (zh) | 一种基于全卷积网络的mri图像脑肿瘤自动分割方法 | |
CN110120048B (zh) | 结合改进U-Net和CMF的三维脑肿瘤图像分割方法 | |
CN108898140A (zh) | 基于改进的全卷积神经网络的脑肿瘤图像分割算法 | |
CN106204587A (zh) | 基于深度卷积神经网络和区域竞争模型的多器官分割方法 | |
CN109741343A (zh) | 一种基于3D-Unet和图论分割的T1WI-fMRI图像肿瘤协同分割方法 | |
CN105389811A (zh) | 一种基于多级阈值分割的多模态医学图像处理方法 | |
CN108364294A (zh) | 基于超像素的腹部ct图像多器官分割方法 | |
CN102737382B (zh) | 一种前列腺超声图像自动精确分割方法 | |
CN106408576B (zh) | 基于三维超声图像的感兴趣区域的自动分割方法及系统 | |
Li et al. | Low-grade glioma segmentation based on CNN with fully connected CRF | |
Ghose et al. | A random forest based classification approach to prostate segmentation in MRI | |
Paul et al. | RETRACTED ARTICLE: Computer aided diagnosis of brain tumor using novel classification techniques | |
CN103942780A (zh) | 基于改进模糊连接度算法的丘脑及其子结构分割方法 | |
Chen et al. | Skin lesion segmentation using recurrent attentional convolutional 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |