CN108447052A - 一种基于神经网络的对称性脑肿瘤分割方法 - Google Patents
一种基于神经网络的对称性脑肿瘤分割方法 Download PDFInfo
- Publication number
- CN108447052A CN108447052A CN201810215019.6A CN201810215019A CN108447052A CN 108447052 A CN108447052 A CN 108447052A CN 201810215019 A CN201810215019 A CN 201810215019A CN 108447052 A CN108447052 A CN 108447052A
- Authority
- CN
- China
- Prior art keywords
- image
- brain
- symmetry
- neural network
- net
- 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- Withdrawn
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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- 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
- 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
本发明提出了一种基于神经网络的对称性脑肿瘤分割方法,其主要内容包括:对称编码神经网络、数据集、预处理、模型比较,其过程为,首先计算原始脑部图像和翻转的脑部图像之间的差异,在差异上提取特征,连接差异与原始图像的特征图以保留原始图像的信息,然后对现有神经网络中的对称性进行编码;由于大脑对称性处于高度抽象层次,因此在几个卷积层和池化层之后对对称性执行相减,接着在具有连续卷积和池化层的神经网络上提取不同抽象层次的特征。本发明解决了脑肿瘤结构复杂、边界模糊且与正常脑组织混叠的问题,在分割中着重关注大脑的不对称性,克服了脑肿瘤分割中存在的问题,提升了脑肿瘤分割的正确率。
Description
技术领域
本发明涉及图像分割领域,尤其是涉及了一种基于神经网络的对称性脑肿瘤分割方法。
背景技术
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。脑肿瘤图像作为一种特殊的医学图像,同样隶属于自然图像。脑肿瘤图像分割算法,则是自然图像分割算法在脑肿瘤图像中的应用,同时需要考虑脑肿瘤图像的特殊性,目前脑肿瘤已成为威胁人类健康的重要疾病,每年全世界都有许多人由于脑肿瘤失去生命,因此肿瘤及周围器官的轮廓提取对于肿瘤的诊治有着非常重要的研究意义,在临床上,对脑肿瘤的准确分割具有重要应用价值,可以辅助医生诊断肿瘤病情,提升诊断准确率,但由于脑肿瘤结构复杂、边界模糊且与正常脑组织混叠在一起,因此,要实现对脑肿瘤的正确分割非常困难。
本发明提出了一种基于神经网络的对称性脑肿瘤分割方法,首先计算原始脑部图像和翻转的脑部图像之间的差异,在差异上提取特征,连接差异与原始图像的特征图以保留原始图像的信息,然后对现有神经网络中的对称性进行编码;由于大脑对称性处于高度抽象层次,因此在几个卷积层和池化层之后对对称性执行相减,接着在具有连续卷积和池化层的神经网络上提取不同抽象层次的特征。本发明解决了脑肿瘤结构复杂、边界模糊且与正常脑组织混叠的问题,克服了脑肿瘤分割中存在的问题,提升了脑肿瘤分割的正确率。
发明内容
针对脑肿瘤结构复杂、边界模糊且与正常脑组织混叠在一起的问题,本发明的目的在于提供一种基于神经网络的对称性脑肿瘤分割方法,首先计算原始脑部图像和翻转的脑部图像之间的差异,在差异上提取特征,连接差异与原始图像的特征图以保留原始图像的信息,然后对现有神经网络中的对称性进行编码;由于大脑对称性处于高度抽象层次,因此在几个卷积层和池化层之后对对称性执行相减,以此在具有连续卷积和池化层的神经网络上提取不同抽象层次的特征。
为解决上述问题,本发明提供一种基于神经网络的对称性脑肿瘤分割方法,其主要内容包括:
(一)对称编码神经网络;
(二)数据集;
(三)预处理;
(四)模型比较。
其中,对称编码神经网络,首先计算原始脑部图像和翻转的脑部图像之间的差异,在差异上提取特征,连接差异与原始图像的特征图以保留原始图像的信息,然后对现有神经网络中的对称性进行编码;由于大脑对称性处于高度抽象层次,因此在几个卷积层和池化层之后对对称性执行相减,以此在具有连续卷积和池化层的神经网络上提取不同抽象层次的特征。
进一步地,所述的提取特征,医学成像分割中最先进的神经网络之一的U-Net是一个完全卷积网络,利用其卷积和汇集层进行特征提取,提取过程中的向下路径由一系列卷积层和池化层组成用来提取不同分辨率的特征,向上路径包含卷积和增加输出分辨率的上卷积层,执行跳转的快捷方式将信息从向下路径传递到向上路径,可以在分割中更精确地定义边界。
进一步地,所述的路径,特征映射的数量在向下路径中的每一层处加倍,并且在向上路径中的每一层处减半,其输入和输出具有4个通道,向下路径中共享相同滤波器权重的两个分支将对称性编码到U-Net中,两个分支分别采用原始图像和翻转的脑部图像。
进一步地,所述的两个分支,在几个图层之后计算出这两个分支特征映射的差别,并与原始图像的特征映射连接起来,网络中的参数数量仅为U-Net中标准参数数量的1.15倍,所采用的模型与带翻转图像的数据增强不同,该模型可以同时看到原始图像和翻转图像,并利用它们在高级特征映射上的差异,而数据增强方法只能分别查看原始图像和翻转图像,并将它们视为独立的训练图像。
其中,所述的数据集,采用一个包含285位脑肿瘤患者的多模式MRI扫描图像的数据集,这些模式分别包括T1、后对比T1、T2,以及T2流体衰减反转恢复,这些模式中每个患者的脑部图像是尺寸为240×240×155的3D矩阵,所有的图像结构都能配准到相同的大脑模板,图像由专家手动分成四类:背景或健康部分(0类)、钆剂增强肿瘤(ET,1类)、瘤周水肿(ED,2类)以及坏死和非增强肿瘤(NCR/NET,3类),根据脑肿瘤的严重程度将285名受试者分成两组:其中被称为高级别胶质瘤(HGG)的较严重组有210名受试者,称为低级别胶质瘤(LGG)的组有75名受试者。
其中,所述的预处理,步骤如下:
(1)由于网络需要2D图像,因此将每个3D脑部图像转换为155个尺寸为240×240的2D切片;
(2)根据切片图像可以观察到,99.1%的像素被标记为健康组织0,所以舍弃类别为0的任何图像,并将图像大小裁剪为156×192,为了确保翻转的图像与原始图像对齐,裁剪后的图像在其中间位置设置对称轴;
(3)每个图像的强度缩放范围为[0,1],采用所有图像的平均图像作为模板,并使用直方图与模板进行匹配,在预处理之后,每个图像的尺寸为156×192×4,并将每个模式置于不同的通道中。
进一步地,所述的受试者,将210名受试者随机分为两部分,其中80%为训练图像,20%为验证图像,实验在不同分区重复5次,并给出实验的平均结果,使用加权交叉熵损失进行训练,由于95.1%的像素在预处理之后类别仍然为0,所以分类仍然非常不平衡,因此应用中值频率平衡来衡量交叉熵损失,损失被定义为:
其中C是类别数量,p是像素,tpi是真实二进制标签,ypi是类别i中的S形函数对于像素p的输出,αc是类别c的权重,学习率设置为0.001,评估指标是4个类别戴斯分数的平均分,当分类不平衡时,戴斯分数能很好地评估分类结果的质量,对于每个类别,戴斯分数定义为:
其中T和P是真实的和预测的二元标签,|·|是评估区域。
进一步地,所述的训练图像,k是第一层神经网络的特征映射数量,取k=4,8,16,32时进行试验,在处理8000个训练图像时评估验证数据上的戴斯分数,不同肿瘤在验证数据上连续进行五次评估,若各分类的平均戴斯评分都没有增加,则实验被标记为收敛。
其中,所述的模型比较,对称编码模型能高效地从训练图像中提取信息,并以较少的时间段训练模型,以实现肿瘤分割,当k是4或8时,与U-Net相比,新模型的戴斯分数更高,当k是16或32时两个模型具有相似的戴斯分数,其原因是:当k较小时,新模型提取的相关特征比基于U-Net网络提取的更多,但随着k变大,U-Net包含的相关特征和其他特征较多,因此U-Net获取的信息开始变得冗余。
附图说明
图1是本发明一种基于神经网络的对称性脑肿瘤分割方法的系统框架图。
图2是本发明一种基于神经网络的对称性脑肿瘤分割方法的标准U-Net架构图。
图3是本发明一种基于神经网络的对称性脑肿瘤分割方法的分割实例图。
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是本发明一种基于神经网络的对称性脑肿瘤分割方法的系统框架图。主要包括编码神经网络、数据集、预处理、模型比较。
其中,对称编码神经网络,首先计算原始脑部图像和翻转的脑部图像之间的差异,在差异上提取特征,连接差异与原始图像的特征图以保留原始图像的信息,然后对现有神经网络中的对称性进行编码;由于大脑对称性处于高度抽象层次,因此在几个卷积层和池化层之后对对称性执行相减,以此在具有连续卷积和池化层的神经网络上提取不同抽象层次的特征。
图2是本发明一种基于神经网络的对称性脑肿瘤分割方法的标准U-Net架构图。图(a)表示用U-net作为基线,图(b)表示对称编码的U-net,翻转的图像和原始图像分支共享相同的滤波器权重,k是特征映射的数量。医学成像分割中最先进的神经网络之一的U-Net是一个完全卷积网络,利用其卷积和汇集层进行特征提取,提取过程中的向下路径由一系列卷积层和池化层组成,用来提取不同分辨率的特征,向上路径包含卷积和增加输出分辨率的上卷积层,执行跳转的快捷方式将信息从向下路径传递到向上路径,可以在分割中更精确地定义边界。
进一步地,所述的路径,特征映射的数量在向下路径中的每一层处加倍,并且在向上路径中的每一层处减半,其输入和输出具有4个通道,向下路径中共享相同滤波器权重的两个分支将对称性编码到U-Net中,两个分支分别采用原始图像和翻转的脑部图像。
进一步地,所述的两个分支,在几个图层之后计算出这两个分支特征映射的差别,并与原始图像的特征映射连接起来,网络中的参数数量仅为U-Net中标准参数数量的1.15倍,所采用的模型与带翻转图像的数据增强不同,该模型可以同时看到原始图像和翻转图像,并利用它们在高级特征映射上的差异,而数据增强方法只能分别查看原始图像和翻转图像,并将它们视为独立的训练图像。
其中,所述的数据集,采用一个包含285位脑肿瘤患者的多模式MRI扫描图像的数据集,这些模式分别包括T1、后对比T1、T2,以及T2流体衰减反转恢复,这些模式中每个患者的脑部图像是尺寸为240×240×155的3D矩阵,所有的图像结构都能配准到相同的大脑模板,图像由专家手动分成四类:背景或健康部分(0类)、钆剂增强肿瘤(ET,1类)、瘤周水肿(ED,2类)以及坏死和非增强肿瘤(NCR/NET,3类),根据脑肿瘤的严重程度将285名受试者分成两组:其中被称为高级别胶质瘤(HGG)的较严重组有210名受试者,称为低级别胶质瘤(LGG)的组有75名受试者。
其中,所述的预处理,步骤如下:
(1)由于网络需要2D图像,因此将每个3D脑部图像转换为155个尺寸为240×240的2D切片;
(2)根据切片图像可以观察到,99.1%的像素被标记为健康组织0,所以舍弃类别为0的任何图像,并将图像大小裁剪为156×192,为了确保翻转的图像与原始图像对齐,裁剪后的图像在其中间位置设置对称轴;
(3)每个图像的强度缩放范围为[0,1],采用所有图像的平均图像作为模板,并使用直方图与模板进行匹配,在预处理之后,每个图像的尺寸为156×192×4,并将每个模式置于不同的通道中。
进一步地,所述的受试者,将210名受试者随机分为两部分,其中80%为训练图像,20%为验证图像,实验在不同分区重复5次,并给出实验的平均结果,使用加权交叉熵损失进行训练,由于95.1%的像素在预处理之后类别仍然为0,所以分类仍然非常不平衡,因此应用中值频率平衡来衡量交叉熵损失,损失被定义为:
其中C是类别数量,p是像素,tpi是真实二进制标签,ypi是类别i中的S形函数对于像素p的输出,αc是类别c的权重,学习率设置为0.001,评估指标是4个类别戴斯分数的平均分,当分类不平衡时,戴斯分数能很好地评估分类结果的质量,对于每个类别,戴斯分数定义为:
其中T和P是真实的和预测的二元标签,|·|是评估区域。
进一步地,所述的训练图像,k是第一层神经网络的特征映射数量,取k=4,8,16,32时进行试验,在处理8000个训练图像时评估验证数据上的戴斯分数,不同肿瘤在验证数据上连续进行五次评估,若各分类的平均戴斯评分都没有增加,则实验被标记为收敛。
图3是本发明一种基于神经网络的对称性脑肿瘤分割方法的分割实例图。对称编码模型能高效地从训练图像中提取信息,并以较少的时间段训练模型,以实现肿瘤分割,当k是4或8时,与U-Net相比,新模型的戴斯分数更高,当k是16或32时两个模型具有相似的戴斯分数,其原因是:当k较小时,新模型提取的相关特征比基于U-Net网络提取的更多,但随着k变大,U-Net包含的相关特征和其他特征较多,因此U-Net获取的信息开始变得冗余。
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)
1.一种基于神经网络的对称性脑肿瘤分割方法,其特征在于,主要包括对称编码神经网络(一);数据集(二);预处理(三);模型比较(四)。
2.基于权利要求书1所述的对称编码神经网络(一),其特征在于,首先计算原始脑部图像和翻转的脑部图像之间的差异,在差异上提取特征,连接差异与原始图像的特征图以保留原始图像的信息,然后对现有神经网络中的对称性进行编码;由于大脑对称性处于高度抽象层次,因此在几个卷积层和池化层之后对对称性执行相减,以此在具有连续卷积和池化层的神经网络上提取不同抽象层次的特征。
3.基于权利要求书2所述的提取特征,其特征在于,医学成像分割中最先进的神经网络之一的U-Net是一个完全卷积网络,利用其卷积和汇集层进行特征提取,提取过程中的向下路径由一系列卷积层和池化层组成,用来提取不同分辨率的特征,向上路径包含卷积和增加输出分辨率的上卷积层,执行跳转的快捷方式将信息从向下路径传递到向上路径,可以在分割中更精确地定义边界。
4.基于权利要求书3所述的路径,其特征在于,特征映射的数量在向下路径中的每一层处加倍,并且在向上路径中的每一层处减半,其输入和输出具有4个通道,向下路径中共享相同滤波器权重的两个分支将对称性编码到U-Net中,两个分支分别采用原始图像和翻转的脑部图像。
5.基于权利要求书4所述的两个分支,其特征在于,在几个图层之后计算出这两个分支特征映射的差别,并与原始图像的特征映射连接起来,网络中的参数数量仅为U-Net中标准参数数量的1.15倍,所采用的模型与带翻转图像的数据增强不同,该模型可以同时看到原始图像和翻转图像,并利用它们在高级特征映射上的差异,而数据增强方法只能分别查看原始图像和翻转图像,并将它们视为独立的训练图像。
6.基于权利要求书1所述的数据集(二),其特征在于,采用一个包含285位脑肿瘤患者的多模式MRI扫描图像的数据集,这些模式分别包括T1、后对比T1、T2,以及T2流体衰减反转恢复,这些模式中每个患者的脑部图像是尺寸为240×240×155的3D矩阵,所有的图像结构都能配准到相同的大脑模板,图像由专家手动分成四类:背景或健康部分(0类)、钆剂增强肿瘤(ET,1类)、瘤周水肿(ED,2类)以及坏死和非增强肿瘤(NCR/NET,3类),根据脑肿瘤的严重程度将285名受试者分成两组:其中被称为高级别胶质瘤(HGG)的较严重组有210名受试者,称为低级别胶质瘤(LGG)的组有75名受试者。
7.基于权利要求书1所述的预处理(三),其特征在于,步骤如下:
(1)由于网络需要2D图像,因此将每个3D脑部图像转换为155个尺寸为240×240的2D切片;
(2)根据切片图像可以观察到,99.1%的像素被标记为健康组织0,所以舍弃类别为0的任何图像,并将图像大小裁剪为156×192,为了确保翻转的图像与原始图像对齐,裁剪后的图像在其中间位置设置对称轴;
(3)每个图像的强度缩放范围为[0,1],采用所有图像的平均图像作为模板,并使用直方图与模板进行匹配,在预处理之后,每个图像的尺寸为156×192×4,并将每个模式置于不同的通道中。
8.基于权利要求书6所述的受试者,其特征在于,将210名受试者随机分为两部分,其中80%为训练图像,20%为验证图像,实验在不同分区重复5次,并给出实验的平均结果,使用加权交叉熵损失进行训练,由于95.1%的像素在预处理之后类别仍然为0,所以分类仍然非常不平衡,因此应用中值频率平衡来衡量交叉熵损失,损失被定义为:
其中C是类别数量,p是像素,tpi是真实二进制标签,ypi是类别i中的S形函数对于像素p的输出,αc是类别c的权重,学习率设置为0.001,评估指标是4个类别戴斯分数的平均分,当分类不平衡时,戴斯分数能很好地评估分类结果的质量,对于每个类别,戴斯分数定义为:
其中T和P是真实的和预测的二元标签,|·|是评估区域。
9.基于权利要求书7所述的训练图像,其特征在于,k是第一层神经网络的特征映射数量,取k=4,8,16,32时进行试验,在处理8000个训练图像时评估验证数据上的戴斯分数,不同肿瘤在验证数据上连续进行五次评估,若各分类的平均戴斯评分都没有增加,则实验被标记为收敛。
10.基于权利要求书1所述的模型比较(四),其特征在于,对称编码模型能高效地从训练图像中提取信息,并以较少的时间段训练模型,以实现肿瘤分割,当k是4或8时,与U-Net相比,新模型的戴斯分数更高,当k是16或32时两个模型具有相似的戴斯分数,其原因是:当k较小时,新模型提取的相关特征比基于U-Net网络提取的更多,但随着k变大,U-Net包含的相关特征和其他特征较多,因此U-Net获取的信息开始变得冗余。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810215019.6A CN108447052A (zh) | 2018-03-15 | 2018-03-15 | 一种基于神经网络的对称性脑肿瘤分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810215019.6A CN108447052A (zh) | 2018-03-15 | 2018-03-15 | 一种基于神经网络的对称性脑肿瘤分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108447052A true CN108447052A (zh) | 2018-08-24 |
Family
ID=63194585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810215019.6A Withdrawn CN108447052A (zh) | 2018-03-15 | 2018-03-15 | 一种基于神经网络的对称性脑肿瘤分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108447052A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360206A (zh) * | 2018-09-08 | 2019-02-19 | 华中农业大学 | 基于深度学习的大田稻穗分割方法 |
CN109446970A (zh) * | 2018-10-24 | 2019-03-08 | 西南交通大学 | 一种基于深度学习的变电站巡检机器人道路场景识别方法 |
CN109528152A (zh) * | 2019-01-22 | 2019-03-29 | 湖南兰茜生物科技有限公司 | 一种新型肺病智能辅助检测方法和系统 |
CN110175977A (zh) * | 2019-04-01 | 2019-08-27 | 苏州比格威医疗科技有限公司 | 三维脉络膜新生血管生长预测方法、装置及定量分析方法 |
CN110889853A (zh) * | 2018-09-07 | 2020-03-17 | 天津大学 | 基于残差-注意力深度神经网络的肿瘤分割方法 |
CN111127482A (zh) * | 2019-12-20 | 2020-05-08 | 广州柏视医疗科技有限公司 | 基于深度学习的ct影像肺气管的分割方法及系统 |
CN111667458A (zh) * | 2020-04-30 | 2020-09-15 | 杭州深睿博联科技有限公司 | 一种对平扫ct中的早急性脑梗死检测方法及装置 |
WO2020215985A1 (zh) * | 2019-04-22 | 2020-10-29 | 腾讯科技(深圳)有限公司 | 医学影像分割方法、装置、电子设备和存储介质 |
CN112070777A (zh) * | 2020-11-10 | 2020-12-11 | 中南大学湘雅医院 | 一种基于增量学习的多场景下的危及器官分割方法及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930552A (zh) * | 2012-11-22 | 2013-02-13 | 北京理工大学 | 基于对称结构减影的脑肿瘤自动提取方法 |
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 |
-
2018
- 2018-03-15 CN CN201810215019.6A patent/CN108447052A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930552A (zh) * | 2012-11-22 | 2013-02-13 | 北京理工大学 | 基于对称结构减影的脑肿瘤自动提取方法 |
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 |
Non-Patent Citations (1)
Title |
---|
HEJIA ZHANG: "Segmenting Brain Tumors with Symmetry", 《ARXIV:1711.06636V1》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889853A (zh) * | 2018-09-07 | 2020-03-17 | 天津大学 | 基于残差-注意力深度神经网络的肿瘤分割方法 |
CN109360206A (zh) * | 2018-09-08 | 2019-02-19 | 华中农业大学 | 基于深度学习的大田稻穗分割方法 |
CN109360206B (zh) * | 2018-09-08 | 2021-11-12 | 华中农业大学 | 基于深度学习的大田稻穗分割方法 |
CN109446970A (zh) * | 2018-10-24 | 2019-03-08 | 西南交通大学 | 一种基于深度学习的变电站巡检机器人道路场景识别方法 |
CN109446970B (zh) * | 2018-10-24 | 2021-04-27 | 西南交通大学 | 一种基于深度学习的变电站巡检机器人道路场景识别方法 |
CN109528152A (zh) * | 2019-01-22 | 2019-03-29 | 湖南兰茜生物科技有限公司 | 一种新型肺病智能辅助检测方法和系统 |
CN110175977B (zh) * | 2019-04-01 | 2021-01-08 | 苏州比格威医疗科技有限公司 | 三维脉络膜新生血管生长预测方法、装置及定量分析方法 |
CN110175977A (zh) * | 2019-04-01 | 2019-08-27 | 苏州比格威医疗科技有限公司 | 三维脉络膜新生血管生长预测方法、装置及定量分析方法 |
WO2020215985A1 (zh) * | 2019-04-22 | 2020-10-29 | 腾讯科技(深圳)有限公司 | 医学影像分割方法、装置、电子设备和存储介质 |
US11887311B2 (en) | 2019-04-22 | 2024-01-30 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for segmenting a medical image, and storage medium |
CN111127482A (zh) * | 2019-12-20 | 2020-05-08 | 广州柏视医疗科技有限公司 | 基于深度学习的ct影像肺气管的分割方法及系统 |
CN111667458A (zh) * | 2020-04-30 | 2020-09-15 | 杭州深睿博联科技有限公司 | 一种对平扫ct中的早急性脑梗死检测方法及装置 |
CN111667458B (zh) * | 2020-04-30 | 2023-09-01 | 杭州深睿博联科技有限公司 | 一种对平扫ct中的早急性脑梗死检测方法及装置 |
CN112070777A (zh) * | 2020-11-10 | 2020-12-11 | 中南大学湘雅医院 | 一种基于增量学习的多场景下的危及器官分割方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108447052A (zh) | 一种基于神经网络的对称性脑肿瘤分割方法 | |
Rezvantalab et al. | Dermatologist level dermoscopy skin cancer classification using different deep learning convolutional neural networks algorithms | |
Charron et al. | Automatic detection and segmentation of brain metastases on multimodal MR images with a deep convolutional neural network | |
Asif et al. | An enhanced deep learning method for multi-class brain tumor classification using deep transfer learning | |
CN106127255A (zh) | 一种癌症数字病理细胞图像的分类方法及系统 | |
CN110415234A (zh) | 基于多参数磁共振成像的脑部肿瘤分割方法 | |
CN110025312A (zh) | 基于结构磁共振的带状疱疹性神经痛疗效预测方法及系统 | |
Minaee et al. | A deep unsupervised learning approach toward MTBI identification using diffusion MRI | |
Cao et al. | Deep learning derived automated ASPECTS on non‐contrast CT scans of acute ischemic stroke patients | |
Nandakumar et al. | Automated eloquent cortex localization in brain tumor patients using multi-task graph neural networks | |
CN110148108A (zh) | 基于功能磁共振的带状疱疹性神经痛疗效预测方法及系统 | |
Šušteršič et al. | A deep learning model for automatic detection and classification of disc herniation in magnetic resonance images | |
Yadav et al. | Chest X-ray scanning based detection of COVID-19 using deepconvolutional neural network | |
Jain et al. | A deep learning-based feature extraction model for classification brain tumor | |
Dusa et al. | Smart framework for black fungus detection using VGG 19 deep learning approach | |
Shrwan et al. | Classification of pituitary tumor and multiple sclerosis brain lesions through convolutional neural networks | |
Abraham et al. | Lung nodule classification in CT images using convolutional neural network | |
Pugazhenthi et al. | Identification of autism in MR brain images using deep learning networks | |
Mahesh et al. | MRI techniques using image processing Brain Tumor Detection | |
Mahyoub et al. | Brain Tumor Segmentation in Fluid-Attenuated Inversion Recovery Brain MRI using Residual Network Deep Learning Architectures | |
Rachmadi et al. | Evaluation of four supervised learning schemes in white matter hyperintensities segmentation in absence or mild presence of vascular pathology | |
Balasooriya et al. | Intelligent brain hemorrhage diagnosis system | |
Zaitoon et al. | Enhanced Brain Tumor Detection and Classification in MRI Scans using Convolutional Neural Networks | |
Krishna et al. | A brain tumor identification using fully convolution neural networks in the deep learning | |
Archana et al. | Feedforward Model of Deep Learning Strategy for Brain Tumor Segmentation on MRI Images. |
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: 20180824 |
|
WW01 | Invention patent application withdrawn after publication |