CN108010041B - 一种人体心脏冠脉提取方法 - Google Patents

一种人体心脏冠脉提取方法 Download PDF

Info

Publication number
CN108010041B
CN108010041B CN201711400356.4A CN201711400356A CN108010041B CN 108010041 B CN108010041 B CN 108010041B CN 201711400356 A CN201711400356 A CN 201711400356A CN 108010041 B CN108010041 B CN 108010041B
Authority
CN
China
Prior art keywords
coronary artery
model
image
segmentation
full
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.)
Active
Application number
CN201711400356.4A
Other languages
English (en)
Other versions
CN108010041A (zh
Inventor
安宝磊
龙甫荟
马春娥
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.)
Shukun Shanghai Medical Technology Co ltd
Original Assignee
Shukun Beijing Network 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 Shukun Beijing Network Technology Co Ltd filed Critical Shukun Beijing Network Technology Co Ltd
Priority to CN201711400356.4A priority Critical patent/CN108010041B/zh
Publication of CN108010041A publication Critical patent/CN108010041A/zh
Application granted granted Critical
Publication of CN108010041B publication Critical patent/CN108010041B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30048—Heart; Cardiac
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种基于深度学习神经网络级联模型的人体心脏冠脉提取方法，其包括S1、将CT序列原始图按一定的窗宽窗位转换成图片格式，获得CT序列图片；S2、通过预先训练的全图模型对CT序列图片进行分割，得到主冠脉和主要分支血管的分割结果；S3、基于S2全图分割的结果，提取血管在当前层的前景像素，计算出当前层每根血管的中心，然后根据各血管的中心位置在相邻层图片的对应位置，扩展出patch图像，通过预先训练的局部patch模型对patch图像做分割，得到小血管的分割结果；S4、融合主冠脉、分支血管及小血管的分割结果，获得人体心脏冠脉。本发明对小血管的分割效果优势明显，将提取的小血管与主冠脉及主要分支血管进行融合，可以获得完整、清晰的心脏冠脉提取结果。

Description

一种人体心脏冠脉提取方法
技术领域
本发明涉及图像分割，尤其涉及一种基于深度学习神经网络级联模型的人体心脏冠脉提取方法。
背景技术
从CT图像序列中提取出冠状动脉，具有重要的临床价值和实际意义。受图像质量、病例变异、小血管有效像素少、其它组织结构干扰的影响，实现冠状动脉的准确提取有着很大的挑战。传统的提取方法主要是基于增强滤波和区域增长的方法，受复杂阈值参数调整的影响，传统方法对于不同病例的适应性、抗干扰能力较差，存在着明显的小血管遗漏、静脉或其它组织被误分割成冠脉的问题。
随着深度卷积神经网络(CNN)研究的日益广泛，可以直接进行像素级别端到端(end-to-end)的语义分割。CNN的特征检测层通过训练数据进行学习，避免了人为设定的显示抽取，而是隐式地从训练数据中进行学习，提取的特征具有位移、缩放、扭曲不变性。基于深度学习对冠脉血管做语义分割，相对于传统的分割方法有很大的优势。
然而，在现有冠脉分割方法中，只使用一个全图的分割模型做冠脉分割，如图1所示的小血管在CT图像中的比例示例图，由于小血管(矩形框中区域) 在全图视野中为低对比度的微小目标，在现有基于深度学习的分割方法中，经过两次Down Sampling下来，小血管基本上细微到无法识别，分割结果中往往出现小血管的缺失。
发明内容
本发明的目的在于提供一种鲁棒性好、能实现低对比度的小血管分割提取的、基于级联模型的人体心脏冠脉提取方法。
为实现上述目的，本发明采用以下技术方案：
基于深度学习神经网络级联模型的人体心脏冠脉提取方法，包括：
S1、冠脉CT序列原始图的预处理：将CT序列原始图按一定的窗宽窗位转换成图片格式，获得CT序列图片；
S2、全图分割：通过预先训练的全图模型对CT序列图片进行分割，得到主冠脉和主要分支血管的分割结果；
S3、局部patch分割：基于S2全图分割的结果，提取血管在当前层的前景像素，计算出当前层每根血管的中心，然后根据各血管的中心位置在相邻层图片的对应位置，扩展出patch图像，通过预先训练的局部patch模型对patch 图像做分割，得到小血管的分割结果；
S4、融合全图和patch的分割结果：融合主冠脉、分支血管及小血管的分割结果，获得人体心脏冠脉。
进一步地，步骤S1中，动态选择窗宽窗位使得所有直径1.5mm以上的血管清晰可见。
进一步地，步骤S2中用于训练全图模型的特征图的宽度和高度为CT序列图片的1/4。
进一步地，步骤S3中用于训练局部patch模型的特征图的宽度和高度为 patch图像的1/8。
进一步地，所述全图模型及局部patch模型为卷积神经网络模型。
进一步地，全图模型或局部patch模型的网络模型结构由Resnet+PyramidPooling+Densecrf构成。
进一步地，步骤S2及步骤S3中，对全图模型及局部patch模型中的softmax 损失函数进行优化，在计算Loss时，对不同类别的Label乘以不同的权重w，使Loss函数取得最小值，则有：
Loss＝-wk*logpk；
式中，k为样本Lable,pk为样本属于k的概率。
进一步地，主要分支血管及小血管的权重大于主冠脉的权重，主冠脉的权重大于背景的权重。
进一步地，背景权重为1，主冠脉权重为2，主要分支血管及小血管的权重为10。
进一步地，步骤S4具体为：将S3的各patch图像分割结果映射到全图分割结果的对应位置进行融合；若全图分割结果在对应位置没有提取出血管，则用patch图像分割的结果替代该位置的全图分割结果。
采用上述技术方案后，本发明与背景技术相比，具有如下优点：
本发明采用级联模型，利用全图分割模型分割主动脉与主要分支血管，利用局部patch模型分割小血管，相比于只使用一个全图模型的方法，能更有效地识别提取在全图视野中以低对比度及微小目标方式存在的小血管，从而获得清晰、完整的人体心脏冠脉结构。
本发明对分割模型的网络结构、训练特征图参数以及损失函数进行优化，使其在血管提取时更具鲁棒性，在血管亮度和对比度差异大、血管亮度跳变等传统方法不擅长分割提取的情况下，本发明依然可以准确的分割出血管，而传统算法需要调整不同的阈值去适应多变的场景，提取的效果也很难保证。
附图说明
图1为小血管在CT图像中的比例示例图；
图2为本发明流程图；
图3为全图分割结果示例图；
图4为patch图像示例图；
图5为在图4获取的patch图像上进行小血管提取的结构示例图；
图6为融合主冠脉、分支血管及小血管的最终提取结果示例图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
请参考图1所示，本发明公开了一种基于深度学习神经网络级联模型的人体心脏冠脉提取方法，主要包括S1-S4四大步骤。
S1、冠脉CT序列原始图的预处理。
CT序列是以Dicom文件格式存放的，将CT序列原始图按一定的窗宽窗位转换成图片格式，获得CT序列图片。本实施例中采用的图片格式为jpg。动态调整窗宽窗位，以确保图像中直径1.5mm以上的血管可以被清晰地显示，本实施例窗宽窗位为400，70。
S2、全图分割。
通过预先训练的全图模型对CT序列图片进行分割，得到主冠脉和主要分支血管的分割结果。
S3、局部patch分割。
基于S2全图分割的结果，提取血管在当前层的前景像素，计算出当前层每根血管的中心，然后利用CT图像相邻层间的相关性，根据各血管的中心位置在相邻层(上下层)图片的对应位置，扩展出patch图像(本实施例中，patch 图像像素大小为40x40)，通过预先训练的局部patch模型对patch图像做分割，得到小血管的分割结果。
S4、融合全图和patch的分割结果。
将S3的各patch图像分割结果映射到全图分割结果的对应位置进行融合，若全图分割结果在对应位置没有提取出血管，则用patch图像分割的结果替代该位置的全图分割结果，如此，即实现主冠脉、分支血管及小血管的分割结果的融合，获得人体心脏冠脉。
本实施例中，全图模型及局部patch模型为卷积神经网络模型，本实施例中的网络模型结构优选地由Resnet+Pyramid Pooling+Densecrf构成。Resnet 相对于VGG等网络，可以用更深的网络(如50层、101层)更加准确的提取特征，同时可以保证训练能够很好的收敛。Pyramid Pooling模块融合了4 种不同金字塔尺度特征，减少了不同子区域上下文信息损失，可以从不同感受野表征子区域融合信息。
在步骤S2及S3中，考虑到血管的特殊性，需要选择合适的训练全图模型和训练局部patch模型的特征图的宽度和高度。具体地，考虑到CT序列图片中，血管的尺寸较小，为了使血管细节可以被清晰地被识别分割，本实施例中将用于训练全图模型的特征图的宽度和高度设置为CT序列图片的1/4；而在patch图像中，血管占比较大，将用于训练局部patch模型的特征图的宽度和高度设为patch图像的1/8。
全图模型与局部patch模型中的原始损失函数的计算步骤包括：
a、计算softmax的归一化概率，则有：
xi＝xi-max(x1，...，xn)；
Figure BDA0001519307630000051
b、计算损失，则有：
Loss＝-logpk，k为样本label。
由于血管像素和背景像素之间存在严重的不平衡，本实施例对softmax损失函数进行优化，在计算Loss时，给不同类别的Label乘以不同的权重w，则有：
Loss＝-wk*logpk；
式中,pk为样本属于k的概率；根据图像质量和适用场景，动态优化出权重组合，使得Loss函数取得最小值，从而解决前景和背景不均衡导致模型不能收敛到更好的位置，以使得分割效果最优。本实施例中，对主要分支血管及小血管赋予大于主冠脉的权重，对主冠脉赋予大于背景的权重，具体地，主分支血管及小血管分类的权重优选为10，主动脉的权重优选为2，背景的权重优选为1，从而使得模型可以更好地被收敛，获得准确的分割结果。
如图3所示的是全图分割结果示例图，图中A处所示为主冠脉，B处所示为主要分支血管；如图4所示的是扩展获得的patch图像示例图；如图5所示的是局部patch图像的分割结果示例图，图中C处所示为小血管，如图6 所示的是融合主冠脉、分支血管及小血管的分割结果示例图。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.基于深度学习神经网络级联模型的人体心脏冠脉提取方法，其特征在于，包括：
S1、冠脉CT序列原始图的预处理：将CT序列原始图按一定的窗宽窗位转换成图片格式，获得CT序列图片；
S2、全图分割：通过预先训练的全图模型对CT序列图片进行分割，得到主冠脉和分支血管的分割结果；
S3、局部patch分割：基于S2全图分割的结果，提取血管在当前层的前景像素，计算出当前层每根血管的中心，然后根据各血管的中心位置在相邻层图片的对应位置，扩展出patch图像，通过预先训练的局部patch模型对patch图像做分割，得到小血管的分割结果；
所述全图模型及局部patch模型为卷积神经网络模型，步骤S2及步骤S3中，对全图模型及局部patch模型中的softmax损失函数进行优化，在计算Loss时，对不同类别的Label乘以不同的权重w，使Loss函数取得最小值，则有：
Loss＝-wk*logpk；
式中，k为样本Lable,pk为样本属于k的概率；
S4、融合全图和patch的分割结果：融合主冠脉、分支血管及小血管的分割结果，获得人体心脏冠脉。
2.如权利要求1所述的基于深度学习神经网络级联模型的人体心脏冠脉提取方法，其特征在于：步骤S1中，动态选择窗宽窗位使得所有直径1.5mm以上的血管清晰可见。
3.如权利要求1所述的基于深度学习神经网络级联模型的人体心脏冠脉提取方法，其特征在于：步骤S2中用于训练全图模型的特征图的宽度和高度为CT序列图片的1/4。
4.如权利要求1所述的基于深度学习神经网络级联模型的人体心脏冠脉提取方法，其特征在于：步骤S3中用于训练局部patch模型的特征图的宽度和高度为patch图像的1/8。
5.如权利要求1所述的基于深度学习神经网络级联模型的人体心脏冠脉提取方法，其特征在于：全图模型或局部patch模型的网络模型结构由Resnet+Pyramid Pooling+Densecrf构成。
6.如权利要求1所述的基于深度学习神经网络级联模型的人体心脏冠脉提取方法，其特征在于：主要分支血管及小血管的权重大于主冠脉的权重，主冠脉的权重大于背景的权重。
7.如权利要求6所述的基于深度学习神经网络级联模型的人体心脏冠脉提取方法，其特征在于：背景权重为1，主冠脉权重为2，主要分支血管及小血管的权重为10。
8.如权利要求1所述的基于深度学习神经网络级联模型的人体心脏冠脉提取方法，其特征在于，步骤S4具体为：将S3的各patch图像分割结果映射到全图分割结果的对应位置进行融合；若全图分割结果在对应位置没有提取出血管，则用patch图像分割的结果替代该位置的全图分割结果。
CN201711400356.4A 2017-12-22 2017-12-22 一种人体心脏冠脉提取方法 Active CN108010041B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711400356.4A CN108010041B (zh) 2017-12-22 2017-12-22 一种人体心脏冠脉提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711400356.4A CN108010041B (zh) 2017-12-22 2017-12-22 一种人体心脏冠脉提取方法

Publications (2)

Publication Number Publication Date
CN108010041A CN108010041A (zh) 2018-05-08
CN108010041B true CN108010041B (zh) 2020-08-11

Family

ID=62060569

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711400356.4A Active CN108010041B (zh) 2017-12-22 2017-12-22 一种人体心脏冠脉提取方法

Country Status (1)

Country Link
CN (1) CN108010041B (zh)

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110148129B (zh) * 2018-05-24 2021-10-01 深圳科亚医疗科技有限公司 3d图像的分割学习网络的训练方法、分割方法、分割装置和介质
CN109272510B (zh) * 2018-07-24 2021-06-04 清华大学 一种三维医学图像中管状结构的分割方法
CN109087352B (zh) * 2018-08-16 2021-07-13 数坤(北京)网络科技股份有限公司 一种心脏冠脉优势型自动判别方法
CN109146872B (zh) * 2018-09-03 2021-12-17 北京邮电大学 基于深度学习和光流法的心脏冠状动脉影像分割识别方法
CN109360209B (zh) * 2018-09-30 2020-04-14 语坤（北京）网络科技有限公司 一种冠状血管分割方法及系统
CN109389606B (zh) * 2018-09-30 2019-12-27 语坤（北京）网络科技有限公司 一种冠状动脉分割方法及装置
CN109360214B (zh) * 2018-10-05 2021-07-13 数坤(北京)网络科技股份有限公司 用于冠脉分割的多通道网络预测优化方法
CN109325948B (zh) * 2018-10-09 2019-12-27 数坤（北京）网络科技有限公司 一种基于特殊区域优化的冠状动脉分割方法及装置
CN109636804A (zh) * 2018-10-10 2019-04-16 浙江大学 一种基于多粒度级联的人体图像分割方法
CN109584223A (zh) * 2018-11-20 2019-04-05 北京中科研究院 Ct图像中肺部血管分割方法
CN109741335B (zh) * 2018-11-28 2021-05-14 北京理工大学 血管oct图像中血管壁及血流区域的分割方法与装置
CN109682596B (zh) * 2018-12-20 2020-11-13 南京航空航天大学 非均衡样本下高速重载输入级故障诊断方法
CN111488878A (zh) * 2019-01-29 2020-08-04 镇江慧影科技发展有限公司 一种基于伪彩色ct图像的深度学习分割方法
CN109859140A (zh) * 2019-02-15 2019-06-07 数坤（北京）网络科技有限公司 一种用于医疗图像的修复方法及设备
CN109872336B (zh) * 2019-03-13 2021-07-09 数坤(北京)网络科技股份有限公司 一种血管分割方法、设备及计算机存储介质
CN110197206B (zh) * 2019-05-10 2021-07-13 杭州深睿博联科技有限公司 图像处理的方法及装置
CN110428431B (zh) * 2019-07-12 2022-12-16 广东省人民医院(广东省医学科学院) 一种心脏医学图像的分割方法、装置、设备及存储介质
CN110796613B (zh) * 2019-10-10 2023-09-26 东软医疗系统股份有限公司 一种图像伪影的自动识别方法及装置
CN111127430A (zh) * 2019-12-24 2020-05-08 北京推想科技有限公司 确定医学影像显示参数的方法及装置
CN111312374B (zh) * 2020-01-21 2024-03-22 上海联影智能医疗科技有限公司 医学图像处理方法、装置、存储介质及计算机设备
KR102375775B1 (ko) * 2020-02-10 2022-03-21 주식회사 메디픽셀 혈관 영상에 기초한 주요 혈관 영역 추출 방법 및 장치
CN111292314B (zh) * 2020-03-03 2024-05-24 上海联影智能医疗科技有限公司 冠脉分段方法、装置、图像处理系统和存储介质
CN113837985B (zh) * 2020-06-24 2023-11-07 上海博动医疗科技股份有限公司 用于血管造影图像处理的训练方法和装置、自动处理方法和装置
CN112037186A (zh) * 2020-08-24 2020-12-04 杭州深睿博联科技有限公司 一种基于多视图模型融合的冠脉血管提取方法及装置
CN112837306B (zh) * 2021-02-20 2022-11-22 薛竟宜 基于深度学习和中智理论的冠状动脉病变功能学定量方法
CN113674253B (zh) * 2021-08-25 2023-06-30 浙江财经大学 基于U-Transformer的直肠癌CT影像自动分割方法
CN114155193B (zh) * 2021-10-27 2022-07-26 北京医准智能科技有限公司 一种基于特征强化的血管分割方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015044433A1 (en) * 2013-09-27 2015-04-02 Koninklijke Philips N.V. Merging vessel maps
CN105701799A (zh) * 2015-12-31 2016-06-22 东软集团股份有限公司 从肺部掩膜影像中分割肺血管的方法和装置
CN105825509A (zh) * 2016-03-17 2016-08-03 电子科技大学 基于3d卷积神经网络的脑血管分割方法
CN106097338A (zh) * 2016-06-08 2016-11-09 孙凯 心脏头颈部血管联合成像方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015044433A1 (en) * 2013-09-27 2015-04-02 Koninklijke Philips N.V. Merging vessel maps
CN105701799A (zh) * 2015-12-31 2016-06-22 东软集团股份有限公司 从肺部掩膜影像中分割肺血管的方法和装置
CN105825509A (zh) * 2016-03-17 2016-08-03 电子科技大学 基于3d卷积神经网络的脑血管分割方法
CN106097338A (zh) * 2016-06-08 2016-11-09 孙凯 心脏头颈部血管联合成像方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
《CT Metal Artifact Reduction Method Based on Improved Image Segmentation and Sinogram In-Painting》;Yang Chen，et al。;《Mathematical Problems in Engineering》;20120627;第2012卷;第1-18页 *
《Estimation CT Image from MRI Data Using 3D Fully Convolutional Networks》;Done Nie，et al.;《Deep Learn Data Label Med Appl》;20160927;第170-178页 *
《基于全卷积神经网络的肝脏CT影像分割研究》;郭树旭，等;《计算机工程与应用》;20170930;第53卷(第18期);第126-131页 *
《基于多模态卷积神经网络的脑血管提取方法研究》;秦志光，等;《电子科技大学学报》;20160731;第45卷(第4期);第573-581页 *

Also Published As

Publication number Publication date
CN108010041A (zh) 2018-05-08

Similar Documents

Publication Publication Date Title
CN108010041B (zh) 一种人体心脏冠脉提取方法
CN108171698B (zh) 一种自动检测人体心脏冠脉钙化斑块的方法
CN111797716B (zh) 一种基于Siamese网络的单目标跟踪方法
CN107274419B (zh) 一种基于全局先验和局部上下文的深度学习显著性检测方法
CN108765363B (zh) 一种基于人工智能的冠脉cta自动后处理系统
CN106570486B (zh) 基于特征融合和贝叶斯分类的核相关滤波目标跟踪方法
CN106997597B (zh) 一种基于有监督显著性检测的目标跟踪方法
CN110378288B (zh) 一种基于深度学习的多级时空运动目标检测方法
US9042648B2 (en) Salient object segmentation
US8280165B2 (en) System and method for segmenting foreground and background in a video
CN108596102B (zh) 基于rgb-d的室内场景物体分割分类器构造方法
CN109460764B (zh) 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法
TW200834459A (en) Video object segmentation method applied for rainy situations
CN107564022A (zh) 基于贝叶斯融合的视频显著性检测方法
CN107909079B (zh) 一种协同显著性检测方法
CN108022244B (zh) 一种基于前景和背景种子用于显著目标检测的超图优化方法
CN105741319B (zh) 基于盲目更新策略和前景模型的改进视觉背景提取方法
CN114117614A (zh) 一种建筑物立面纹理自动生成方法和系统
CN109215047B (zh) 基于深海视频的运动目标检测方法和装置
CN106169186A (zh) 基于水平集运动目标检测中获取初始轮廓的方法
CN106407978B (zh) 一种结合似物度的无约束视频中显著物体检测方法
CN114943888B (zh) 基于多尺度信息融合的海面小目标检测方法
CN109872337B (zh) 一种基于快速均值移位的眼底图像视盘分割方法
CN114862707A (zh) 一种多尺度特征恢复图像增强方法、装置及存储介质
Lai et al. Single image dehazing with optimal transmission map

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
CP03 Change of name, title or address

Address after: 100120 rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing

Patentee after: Shukun (Beijing) Network Technology Co.,Ltd.

Address before: 100020 11th floor, No.1 andingmenwai street, Chaoyang District, Beijing (no.d416 anzhen incubator)

Patentee before: SHUKUN (BEIJING) NETWORK TECHNOLOGY Co.,Ltd.

CP03 Change of name, title or address
TR01 Transfer of patent right

Effective date of registration: 20230112

Address after: 200,030 Room 307, Area A, Floor 2, No.420 Fenglin Road, Xuhui District, Shanghai

Patentee after: Shukun (Shanghai) Medical Technology Co.,Ltd.

Address before: 100120 rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing

Patentee before: Shukun (Beijing) Network Technology Co.,Ltd.

TR01 Transfer of patent right