CN108564582B - 一种基于深度神经网络的mri脑肿瘤图像自动优化方法 - Google Patents

一种基于深度神经网络的mri脑肿瘤图像自动优化方法 Download PDF

Info

Publication number
CN108564582B
CN108564582B CN201810366713.8A CN201810366713A CN108564582B CN 108564582 B CN108564582 B CN 108564582B CN 201810366713 A CN201810366713 A CN 201810366713A CN 108564582 B CN108564582 B CN 108564582B
Authority
CN
China
Prior art keywords
module
deconvolution
convolution
neural network
fusion
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
CN201810366713.8A
Other languages
English (en)
Other versions
CN108564582A (zh
Inventor
王旭初
刘辉煌
牛彦敏
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN201810366713.8A priority Critical patent/CN108564582B/zh
Publication of CN108564582A publication Critical patent/CN108564582A/zh
Application granted granted Critical
Publication of CN108564582B publication Critical patent/CN108564582B/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种基于深度神经网络的MRI脑肿瘤图像自动优化方法，其创新在于：所述MRI脑肿瘤图像自动优化方法包括：神经网络对脑部核磁共振图像进行处理后，输出新的脑部核磁共振图像，新的脑部核磁共振图像上标示有边界优化后的脑肿瘤区域；所述神经网络包括四个卷积模块、四个反卷积模块、联合反卷积模块、第一融合模块和第二融合模块；本发明的有益技术效果是：提出了一种基于深度神经网络的MRI脑肿瘤自动识别方法，该方法能够对原始图像中的特征进行有效利用，使肿瘤区域分割更加准确。

Description

一种基于深度神经网络的MRI脑肿瘤图像自动优化方法
技术领域
本发明涉及一种核磁共振图像数据处理技术，尤其涉及一种基于深度神经网络的MRI脑肿瘤图像自动优化方法。
背景技术
从脑部核磁共振图像中精确分割出肿瘤区域，对治疗方案规划和病情发展分析意义重大；然而，由于脑肿瘤形态各异、大小不一，而且病变广泛弥漫，没有特征性，因此，脑肿瘤区域的自动精确分割一直以来都面临挑战。
随着近些年深度学习的迅猛发展，基于深度学习的分割方法逐渐被研究人员所关注，由于其具有自主学习的特点，成为当前脑肿瘤分割中普遍应用的方法；一些基于深度卷积神经网络的脑肿瘤分割方法已经被提出，在这些方法中，包括深度特征融合的方法、基于图像块的识别方法、基于语义的识别方法和基于级联结构的识别方法。为了在三维图像各层中获得更多的全局上下文特征，Havaei等人提出了基于图像块的两条路径和级联的CNN体系结构，能够同时获得图像的局部和全局纹理信息，但是各层之间的上下文特征没有考虑，也就是忽略了三维图像的空间信息。为了融入三维上下文特征，Kamnitsas K等人提出双通路、11层深的三维卷积神经网络，但是三维的卷积操作在时间复杂度和计算复杂度上都比较高，尤其在于三维图像块含有大量的冗余信息，而且图像块的中心像素也不能完全表示图像块的所有信息。由于基于图像块的方法只对有限的空间上下文特征进行了探索，包含许多冗余卷积计算。带有反卷积层的FCN和带有对称编码器译码器结构的SegNet能以任意大小的整幅图像作为输入，训练端到端和像素到像素的卷积神经网络，实现像素水平的预测，避免使用图像块。但是由于三维脑图像的数据量巨大和有限的GPU内存，无法直接通过FCN和SegNet等网络用于3D图像分割。
多任务学习是一种归纳迁移机制，利用额外的信息来源来提高当前任务的学习性能，包括提高泛化准确率、学习速度和已学习模型的可理解性。Chen H等人提出的DCAN的识别方法用于检测腺体并同时分离接触腺体，该方法是在FCN的基础上进行改进的，应用多任务学习的方法引入边界检测的路径，更加关注腺体的边缘，得到了较好的分割效果。与之类似，在脑肿瘤的分割中，由于肿瘤水肿区域边界弥散，是分割任务中的难点，肿瘤边界的精准分割在临床诊断也具有不言而喻的重要性，因为在分割过程中更多的关注肿瘤的边界能在一定程度上提高分割的准确度。Shen H等人提出的网络与DCAN类似，同样也是更多的关注边界，提出一种区域任务加边缘任务的网络，分为两条路径，一条用于边缘检测，另一条用于区域检测，通过联合训练在整个肿瘤（whole tumor）的分割中得到很好的分割效果。在这个思想的基础上，通过把每个肿瘤组织之间的边界作为不同的分割任务，作者又提出了树形分支结构的多任务FCN分割网络，在公开数据集BRATS13数据集和BRATS15数据集上都能得到很好的分割效果，尤其是在后一数据集上十分接近当下最好的分割结果。但是关注边界的方法在多条路径的网络中存在冗余，对于边界任务的路径来说，是将边界特征进行抽象化，但是其余的信息并没有利用到，所以存在信息的冗余，而对于区域任务网络也是如此。另外，在上采样的过程中，并没有充分利用原始图像的边界信息。在脑肿瘤的分割问题中，对于不同组织之间的分类问题以及边界的分类问题，其重要性是不一样的，所以多个任务的侧重点及其重要性也不同。在上述提出的多任务肿瘤分割网络中，都没有考虑到每项分割任务的重要性的差异，训练阶段也没有考虑各个任务之间的联系。
发明内容
针对背景技术中的问题，本发明提出了一种基于深度神经网络的MRI脑肿瘤图像自动优化方法，其创新在于：所述MRI脑肿瘤图像自动优化方法包括：神经网络对脑部核磁共振图像进行处理后，输出新的脑部核磁共振图像，新的脑部核磁共振图像上标示有边界优化后的脑肿瘤区域；
所述神经网络包括四个卷积模块、四个反卷积模块、联合反卷积模块、第一融合模块和第二融合模块；
神经网络对脑部核磁共振图像进行处理时，初始图像数据通过第一卷积模块的输入端进入神经网络；第一卷积模块处理后，将处理结果分别输出至第一反卷积模块和第一融合模块；第一反卷积模块处理后，将处理结果输出至第二卷积模块；第二卷积模块处理后，将处理结果分别输出至第二反卷积模块和第一融合模块；第二反卷积模块处理后，将处理结果输出至第三卷积模块；第三卷积模块处理后，将处理结果分别输出至第三反卷积模块和第一融合模块；第三反卷积模块处理后，将处理结果输出至第四卷积模块；第四卷积模块处理后，将处理结果分别输出至第四反卷积模块和第一融合模块；第四反卷积模块处理后，将处理结果输出至第二融合模块；
第一融合模块能对四个卷积模块输出的数据进行特征融合，得到中间图像数据，然后将中间图像数据输出至联合反卷积模块；联合反卷积模块处理后，将处理结果输出至第二融合模块；第二融合模块能对第四反卷积模块和第一融合模块输出的数据进行特征融合，得到新的脑部核磁共振图像；
所述脑部核磁共振图像中的多个像素点分属于五类图像标签，这五类图像标签分别为：背景标签BG、水肿组织标签ED、增强组织标签EC、非增强组织标签NE、坏疽组织标签NC；
所述四个卷积模块的卷积层数相同，所述四个反卷积模块的反卷积层数相同；所述反卷积层数与卷积层数的数量相同；
第一卷积模块和第一反卷积模块的分割目标是将BG对应的像素点分割出来，第二卷积模块和第二反卷积模块的分割目标是将BG和ED各自对应的像素点分割出来，第三卷积模块和第三反卷积模块的分割目标是将BG、ED和NE各自对应的像素点分割出来，第四卷积模块和第四反卷积模块的分割目标是将BG、ED、NE、NC和EC各自对应的像素点全部分割开来；联合反卷积模块的分割目标是将BG、ED、NE、NC和EC各自对应的像素点全部分割开来。
本发明的原理是：为便于介绍，将第一卷积模块和第一反卷积模块所形成的处理单元记为一级处理单元，第二卷积模块和第二反卷积模块所形成的处理单元记为二级处理单元，第三卷积模块和第三反卷积模块所形成的处理单元记为三级处理单元，第四卷积模块和第四反卷积模块所形成的处理单元记为四级处理单元；
本发明的处理过程可看作两个子任务，第一个子任务是：四级处理单元能以级联方式对图像数据进行逐级分类处理，后一级处理单元能在前一级处理单元分类结果的基础上继续进行精细度更高的分类处理，第四反卷积模块的输出，即是经过四级处理单元逐级处理后的级联最优分类结果；第二个子任务是：每一级处理单元能将相应卷积模块的处理结果输出至第一融合模块，能对四个卷积模块输出的数据进行特征融合，得到中间图像数据，再由联合反卷积模块进行综合分类处理，得到综合最优分类结果；最终，由第二融合模块对两个子任务的输出数据进行特征融合，得到新的脑部核磁共振图像；
对于第一个子任务而言，一方面，由于各级处理单元的分类精度越来越细，这就使得我们可以对不同类别的图像标签进行不同分类强度的处理，在本方案中，考虑到肿瘤区域的边界范围是我们最为关注的，因此，第一级处理单元就以“将背景标签和其余标签进行分割”作为分类目标，最终结果中，与背景标签对应的像素点就是经过了4次分类处理后得到的结果（最终结果中，水肿组织标签、非增强组织标签、增强组织标签、坏疽组织标签所对应的像素点，经历的分类处理次数分别为3次、2次、1次、1次），这就可以大大增强神经网络对背景和肿瘤区分界部位的处理精度，得到更加准确的肿瘤区边界；另一方面，由于分类目标不同，各级处理单元的卷积模块所提取出的中间特征也不相同，本发明的第二个子任务即可对这些中间特征作进一步的利用，即将四个卷积模块输出的数据进行特征融合，得到中间图像数据，然后对中间图像数据再次进行反卷积处理；采用本发明方案后，可以使原始图像中的特征得到较好的利用，使肿瘤区域分割更加准确。
由于卷积处理、反卷积处理以及特征融合处理均为现有技术，故本文不再作赘述，具体实施时，卷积、反卷积和特征融合的相关手段，本领域技术人员可在现有技术中择优采用。
优选地，所述神经网络投入使用前，先对神经网络进行训练；训练时采用的训练样本来自BRATS13数据集和BRATS15数据集中的图像数据。
优选地，对输入神经网络的脑部核磁共振图像数据预先进行归一化处理。
优选地，训练时，采用Softmax分类器对反卷积模块和联合反卷积模块的分割效果进行检测。
本发明的有益技术效果是：提出了一种基于深度神经网络的MRI脑肿瘤图像自动优化方法，该方法能够对原始图像中的特征进行有效利用，使肿瘤区域分割更加准确。
附图说明
图1、本发明的原理示意图；
图中各个标记所对应的名称分别为：第一卷积模块101、第一卷积模块102、第一卷积模块103、第一卷积模块104、第一反卷积模块201、第一反卷积模块202、第一反卷积模块203、第一反卷积模块204、联合反卷积模块3、第一融合模块4、第二融合模块5。
具体实施方式
一种基于深度神经网络的MRI脑肿瘤图像自动优化方法，其创新在于：所述MRI脑肿瘤图像自动优化方法包括：神经网络对脑部核磁共振图像进行处理后，输出新的脑部核磁共振图像，新的脑部核磁共振图像上标示有边界优化后的脑肿瘤区域；
所述神经网络包括四个卷积模块、四个反卷积模块、联合反卷积模块、第一融合模块和第二融合模块；
神经网络对脑部核磁共振图像进行处理时，初始图像数据通过第一卷积模块的输入端进入神经网络；第一卷积模块处理后，将处理结果分别输出至第一反卷积模块和第一融合模块；第一反卷积模块处理后，将处理结果输出至第二卷积模块；第二卷积模块处理后，将处理结果分别输出至第二反卷积模块和第一融合模块；第二反卷积模块处理后，将处理结果输出至第三卷积模块；第三卷积模块处理后，将处理结果分别输出至第三反卷积模块和第一融合模块；第三反卷积模块处理后，将处理结果输出至第四卷积模块；第四卷积模块处理后，将处理结果分别输出至第四反卷积模块和第一融合模块；第四反卷积模块处理后，将处理结果输出至第二融合模块；
第一融合模块能对四个卷积模块输出的数据进行特征融合，得到中间图像数据，然后将中间图像数据输出至联合反卷积模块；联合反卷积模块处理后，将处理结果输出至第二融合模块；第二融合模块能对第四反卷积模块和第一融合模块输出的数据进行特征融合，得到新的脑部核磁共振图像；
所述脑部核磁共振图像中的多个像素点分属于五类图像标签，这五类图像标签分别为：背景标签BG、水肿组织标签ED、增强组织标签EC、非增强组织标签NE、坏疽组织标签NC；
所述卷积模块、反卷积模块和联合反卷积模块均采用VGG16模型构建；所述四个卷积模块的卷积层数相同，所述四个反卷积模块的反卷积层数相同；所述反卷积层数与卷积层数的数量相同；
第一卷积模块和第一反卷积模块的分割目标是将BG对应的像素点分割出来，第二卷积模块和第二反卷积模块的分割目标是将BG和ED各自对应的像素点分割出来，第三卷积模块和第三反卷积模块的分割目标是将BG、ED和NE各自对应的像素点分割出来，第四卷积模块和第四反卷积模块的分割目标是将BG、ED、NE、NC和EC各自对应的像素点全部分割开来；联合反卷积模块的分割目标是将BG、ED、NE、NC和EC各自对应的像素点全部分割开来。
关于分割目标：在训练神经网络时，Softmax分类器以实现相应分割目标为目的对各个模块的输出进行检测，并根据检测结果对各个模块的内部参数进行调节，经过大量样本训练后，各个模块的内部参数被调节至与相应分割目标相匹配的最优状态，训练完成后，各个模块的内部参数不再变化，实际运行时，各个模块就能以实现相应分割目标为目的对数据进行处理。
进一步地，所述神经网络投入使用前，先对神经网络进行训练；训练时采用的训练样本来自BRATS13数据集和BRATS15数据集中的图像数据。
进一步地，对输入神经网络的脑部核磁共振图像数据预先进行归一化处理。
进一步地，训练时，采用Softmax分类器对反卷积模块和联合反卷积模块的分割效果进行检测。

Claims (4)

1.一种基于深度神经网络的MRI脑肿瘤图像自动优化方法，其特征在于：所述MRI脑肿瘤图像自动优化方法包括：神经网络对脑部核磁共振图像进行处理后，输出新的脑部核磁共振图像，新的脑部核磁共振图像上标示有边界优化后的脑肿瘤区域；
所述神经网络包括四个卷积模块、四个反卷积模块、联合反卷积模块、第一融合模块和第二融合模块；
神经网络对脑部核磁共振图像进行处理时，初始图像数据通过第一卷积模块的输入端进入神经网络；第一卷积模块处理后，将处理结果分别输出至第一反卷积模块和第一融合模块；第一反卷积模块处理后，将处理结果输出至第二卷积模块；第二卷积模块处理后，将处理结果分别输出至第二反卷积模块和第一融合模块；第二反卷积模块处理后，将处理结果输出至第三卷积模块；第三卷积模块处理后，将处理结果分别输出至第三反卷积模块和第一融合模块；第三反卷积模块处理后，将处理结果输出至第四卷积模块；第四卷积模块处理后，将处理结果分别输出至第四反卷积模块和第一融合模块；第四反卷积模块处理后，将处理结果输出至第二融合模块；
第一融合模块能对四个卷积模块输出的数据进行特征融合，得到中间图像数据，然后将中间图像数据输出至联合反卷积模块；联合反卷积模块处理后，将处理结果输出至第二融合模块；第二融合模块能对第四反卷积模块和第一融合模块输出的数据进行特征融合，得到新的脑部核磁共振图像；
所述脑部核磁共振图像中的多个像素点分属于五类图像标签，这五类图像标签分别为：背景标签BG、水肿组织标签ED、增强组织标签EC、非增强组织标签NE、坏疽组织标签NC；
所述四个卷积模块的卷积层数相同，所述四个反卷积模块的反卷积层数相同；所述反卷积层数与卷积层数的数量相同；
第一卷积模块和第一反卷积模块的分割目标是将BG对应的像素点分割出来，第二卷积模块和第二反卷积模块的分割目标是将BG和ED各自对应的像素点分割出来，第三卷积模块和第三反卷积模块的分割目标是将BG、ED和NE各自对应的像素点分割出来，第四卷积模块和第四反卷积模块的分割目标是将BG、ED、NE、NC和EC各自对应的像素点全部分割开来；联合反卷积模块的分割目标是将BG、ED、NE、NC和EC各自对应的像素点全部分割开来。
2.根据权利要求1所述的一种基于深度神经网络的MRI脑肿瘤图像自动优化方法，其特征在于：所述神经网络投入使用前，先对神经网络进行训练；训练时采用的训练样本来自BRATS13数据集和BRATS15数据集中的图像数据。
3.根据权利要求1或2所述的一种基于深度神经网络的MRI脑肿瘤图像自动优化方法，其特征在于：对输入神经网络的脑部核磁共振图像数据预先进行归一化处理。
4.根据权利要求2所述的一种基于深度神经网络的MRI脑肿瘤图像自动优化方法，其特征在于：训练时，采用Softmax分类器对反卷积模块和联合反卷积模块的分割效果进行检测。
CN201810366713.8A 2018-04-23 2018-04-23 一种基于深度神经网络的mri脑肿瘤图像自动优化方法 Active CN108564582B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810366713.8A CN108564582B (zh) 2018-04-23 2018-04-23 一种基于深度神经网络的mri脑肿瘤图像自动优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810366713.8A CN108564582B (zh) 2018-04-23 2018-04-23 一种基于深度神经网络的mri脑肿瘤图像自动优化方法

Publications (2)

Publication Number Publication Date
CN108564582A CN108564582A (zh) 2018-09-21
CN108564582B true CN108564582B (zh) 2020-08-11

Family

ID=63536013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810366713.8A Active CN108564582B (zh) 2018-04-23 2018-04-23 一种基于深度神经网络的mri脑肿瘤图像自动优化方法

Country Status (1)

Country Link
CN (1) CN108564582B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345527B (zh) * 2018-09-28 2021-05-04 广西师范大学 一种基于MaskRcnn的膀胱肿瘤检测方法
CN111126421B (zh) * 2018-10-31 2023-07-21 浙江宇视科技有限公司 目标检测方法、装置及可读存储介质
CN109598728B (zh) * 2018-11-30 2019-12-27 腾讯科技（深圳）有限公司 图像分割方法、装置、诊断系统及存储介质
CN110136145A (zh) * 2019-05-17 2019-08-16 东北大学 基于多通道可分离卷积神经网络的mr脑部图像分割方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204532A (zh) * 2016-06-24 2016-12-07 华南理工大学 基于特征数据挖掘及神经网络的肿瘤的分类方法
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
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
CN107749061A (zh) * 2017-09-11 2018-03-02 天津大学 基于改进的全卷积神经网络脑肿瘤图像分割方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10839510B2 (en) * 2015-08-19 2020-11-17 Colorado Seminary, Which Owns And Operates The University Of Denver Methods and systems for human tissue analysis using shearlet transforms

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204532A (zh) * 2016-06-24 2016-12-07 华南理工大学 基于特征数据挖掘及神经网络的肿瘤的分类方法
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
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
CN107749061A (zh) * 2017-09-11 2018-03-02 天津大学 基于改进的全卷积神经网络脑肿瘤图像分割方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度学习的肿瘤细胞图像识别;张永焕;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180215;第20-42页 *

Also Published As

Publication number Publication date
CN108564582A (zh) 2018-09-21

Similar Documents

Publication Publication Date Title
CN108647585B (zh) 一种基于多尺度循环注意力网络的交通标识符检测方法
CN108564582B (zh) 一种基于深度神经网络的mri脑肿瘤图像自动优化方法
CN113807355B (zh) 一种基于编解码结构的图像语义分割方法
CN110008962B (zh) 基于注意力机制的弱监督语义分割方法
CN109447979B (zh) 基于深度学习和图像处理算法的目标检测方法
CN111275171B (zh) 一种基于参数共享的多尺度超分重建的小目标检测方法
CN112686902B (zh) 核磁共振影像中脑胶质瘤识别与分割的两阶段计算方法
CN113255837A (zh) 工业环境下基于改进的CenterNet网络目标检测方法
CN112419306B (zh) 一种基于nas-fpn的肺结节检测方法
CN111696110A (zh) 场景分割方法及系统
CN112365511B (zh) 基于重叠区域检索与对齐的点云分割方法
CN116109678B (zh) 基于上下文自注意力学习深度网络的目标跟踪方法与系统
CN111860077A (zh) 人脸检测方法、装置、计算机可读存储介质及设备
CN110008900A (zh) 一种由区域到目标的可见光遥感图像候选目标提取方法
CN115908358A (zh) 一种基于多任务学习的心肌图像分割和分类方法
CN115564801A (zh) 一种基于注意力的单目标跟踪方法
CN112927237A (zh) 基于改进SCB-Unet网络的蜂窝肺病灶分割方法
CN112991281B (zh) 视觉检测方法、系统、电子设备及介质
CN110992320B (zh) 一种基于双重交错的医学图像分割网络
CN116311387A (zh) 一种基于特征交集的跨模态行人重识别方法
CN113269734B (zh) 一种基于元学习特征融合策略的肿瘤图像检测方法及装置
CN116977265A (zh) 缺陷检测模型的训练方法、装置、计算机设备和存储介质
Ammar et al. Comparative Study of latest CNN based Optical Flow Estimation
CN112446292A (zh) 一种2d图像显著目标检测方法及系统
CN117593514B (zh) 一种基于深层主成分分析辅助的图像目标检测方法及系统

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