CN108932715B - 一种基于深度学习的冠状动脉造影图分割的优化方法 - Google Patents
一种基于深度学习的冠状动脉造影图分割的优化方法 Download PDFInfo
- Publication number
- CN108932715B CN108932715B CN201810766732.XA CN201810766732A CN108932715B CN 108932715 B CN108932715 B CN 108932715B CN 201810766732 A CN201810766732 A CN 201810766732A CN 108932715 B CN108932715 B CN 108932715B
- Authority
- CN
- China
- Prior art keywords
- module
- cascade
- layer
- network
- output
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000002586 coronary angiography Methods 0.000 title claims abstract description 20
- 238000013135 deep learning Methods 0.000 title claims abstract description 12
- 238000003709 image segmentation Methods 0.000 title claims abstract description 8
- 238000005457 optimization Methods 0.000 title abstract description 9
- 210000004351 coronary vessel Anatomy 0.000 claims abstract description 36
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 238000011084 recovery Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000013507 mapping Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 14
- 238000004904 shortening Methods 0.000 abstract description 3
- 238000002583 angiography Methods 0.000 description 9
- 210000004204 blood vessel Anatomy 0.000 description 7
- 238000003860 storage Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- 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
- G06T5/00—Image enhancement or restoration
-
- 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
- G06T2207/30—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)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于深度学习的冠状动脉造影图分割的优化方法，包括：使用Tensor对象存储冠状动脉造影图，并通过GPU在神经网络中加速计算，得到分割结果；通过神经网络中添加的级联模块和像素恢复模块相结合的网络结构对冠状动脉造影图的分割结果优化。本发明在训练时迭代一张图一次可以提升0.083s，面对现实生活中数量高达千级的数据集，可以节省1分钟以上。而通常用于图像风格的神经网络都至少训练10万次以上，完成整个网络的训练可以节省100分钟以上。与此同时，修改了网络的部分结构，使得该方法具有在保证图片分割准确率的同时，大大缩短了时长的优点，并提了升分割准确率。
Description
技术领域
本发明涉及的是一种基于深度学习的冠状动脉造影图分割的优化方法，属于优化技术领域。
背景技术
冠状动脉造影图是临床诊断和治疗的常用医疗图像，它可以帮助医生分辨狭窄、钙化等用于诊疗的信息。现今已经有使用深度学习的方法分割图像的技术来处理冠状动脉造影图的技术。
现有的技术一般基于深度学习方法分割血管，其网络结构一般是基于卷积层的累积加深网络结构，图片通过每一次卷积层后提取特征，但是卷积本身是一种十分耗费时间和内存资源的方法，而且图片存储的方式会影响计算机对图片进行相关计算操作时的效率。与此同时，由于冠脉血管整体上是具有相似性的，再加上医学上对血管的划分是以位置和走向的不同加以区分，这两点为冠脉的分割造成了一定的困难。
发明内容
针对上述缺陷，本发明提供了一种基于深度学习的冠状动脉造影图分割的优化方法，该方法可以加速对冠脉分割的训练速度以及优化冠脉分割的结果。使用这种方法可以大大减少一个神经网络训练的时间，而且可以提升分割冠脉的效果。
为达到上述目的，本发明通过以下技术方案来具体实现：
本发明提供了一种基于深度学习的冠状动脉造影图分割的优化方法，该方法包括：
使用Tensor对象存储冠状动脉造影图，并通过GPU在神经网络中加速计算，得到分割结果；
通过神经网络中添加的级联模块和像素恢复模块相结合的网络结构对冠状动脉造影图的分割结果优化。
进一步的，所述Tensor对象为：T＝f(A；W,H)；其中，A为冠状动脉造影图，W为冠状动脉造影图的宽，H为冠状动脉造影图的高，冠状动脉造影图矩阵存储的尺寸为W*H。
进一步的，所述级联模块以固定数目的级联层连接组成，并按比例添加在神经网络中。
进一步的，冠状动脉造影图进入级联模块后，先进入第一个级联层的归一化层进行归一化，将所有图片规则化到同一区域的分布下学习，具体为：
其中，
表示输入特征xl 
的均值，
表示输入特征xl的方差；
卷积层对规则化后的图片进行卷积处理，图片经卷积线性变换得到特征图，再经过非线性函数ReLU激活输出到下一个级联层。
进一步的，级联模块每一个级联层的输出包括：
yl+1＝Gl(xl+yl)；
Gl＝Normal*Conv*ReLU；
其中，xl为第一层的输入，yl为第一层的输出，yl+1为下一层的输出，Gl为非线性变换方式，Normal为归一化，Conv为卷积，ReLU为非线性函数激活。
进一步的，还包括用于降低维度的下采样模块，下采样模块与级联模块连接，所述下采样模块采用一个1×1的卷积，同时随机淘汰50％的权重参数。
进一步的，还包括上采样模块，每个级联模块的输出都与上采样模块对应的像素级的级联模块的输入跳跃连接，将冠状动脉造影图的图片位置信息传递到深层网络。
进一步的，所述像素恢复模块用于调整网络参数，实现冠状动脉造影图自动分割，恢复像素；像素恢复模块由卷积和反卷积操作以及跳跃连接构成，反卷积应用于级联模块的最后一层级联层获得的特征映射。
进一步的，像素恢复模块实现冠状动脉造影图自动分割，恢复像素的步骤包括：
像素恢复模块将级联模块的最后一层级联层获得的特征映射通过反卷积得到新的特征映射，将该新的特征映射与跳跃连接的另一边的特征映射相连，通过上采样模块增加跳跃连接的另一边的特征映射的空间分辨率；跳跃连接在恢复分辨率时再次利用级联模块输出的特征信息，表示为：
xl+n＝yl+yl+n-1
其中，xl+n是第l+n像素恢复模块的输入，yl是第一层的输出，yl+n-1是第l+n-1层的输出。
进一步的，上采样模块对应的像素级的级联模块将上采样模块输出的特征合并，得到分割结果。
本发明的有益效果是：
通过本发明提供的技术方案，在训练时迭代一张图一次可以提升0.083s，所以面对现实生活中数量高达千级的数据集，可以节省1分钟以上。而通常用于图像风格的神经网络都至少训练10万次以上，完成整个网络的训练可以节省100分钟以上。与此同时，修改了网络的部分结构，使得该方法具有在保证图片分割准确率的同时，大大缩短了时长的优点，并提升了分割准确率。
附图说明
图1所示为本发明提供的一种基于深度学习的冠状动脉造影图分割的优化方法的实施例一流程示意图。
具体实施方式
下面对本发明的技术方案进行具体阐述，需要指出的是，本发明的技术方案不限于实施例所述的实施方式，本领域的技术人员参考和借鉴本发明技术方案的内容，在本发明的基础上进行的改进和设计，应属于本发明的保护范围。
实施例一
如图1所示，本发明实施例一提供了一种基于深度学习的冠状动脉造影图分割的优化方法，该方法包括：
使用Tensor对象存储冠状动脉造影图，并通过GPU在神经网络中加速计算，得到分割结果。
具体的，本发明改变冠脉图存储的方式：该神经网络工程使用Python程序设计语言，图片在大多数工程中是使用一个计算包Numpy下的N维数组对象Array来存储，具体形式为线性代数中“矩阵”的方式。但是在计算卷积的时候，只能使用运行相对较慢的CPU来计算卷积。本发明使用Python语言的Torch库中tensor对象存储，这种方式将图片矩阵映射到潜在的更高维度空间，可通过GPU加速加速。所述Tensor对象为：T＝f(A；W,H)；其中，A为冠状动脉造影图，W为冠状动脉造影图的宽，H为冠状动脉造影图的高，冠状动脉造影图矩阵存储的尺寸为W*H。
通过神经网络中添加的级联模块和像素恢复模块相结合的网络结构对冠状动脉造影图的分割结果优化。
具体的，本发明对神经网络模型加速改进：本发明中根据冠状动脉造影图的特性以及所要得到的分割目标的相关性重新修改了网络结构，使得整个网络参数减少，从而加快了训练，与此同时可以获得更多原图的信息，进一步提升了分割的效果。具体方式是在网络中添加跳跃连接和级联相结合的方式，这样网络在训练时可以重复利用之前的参数，减少不必要的资源浪费，而且保留了更多冠脉图的血管信息。
所述级联模块包括：按比例添加在神经网络中的级联模块与用于降低维度的下采样模块相连接，其中，级联模块以固定数目的级联层连接组成。
在一个卷积网络中，输出由输入做一种过几种非线性变换得到，具体为
yl+1＝Gl(xl)
其中xl为第一层的输入，yl为这一层的输出特征，由经变换G得到，这种变换通常包括归一化、卷积和非线性激活，即
Gl＝Normal*Conv*ReLU
这种简单的连接组成神经网络一个简单的层，神经网络通过图片的特征进行学习分辨图片以及图片中的血管，考虑到冠脉图对比度低，血管之间差异性小的因素，普通的神经网络所利用的特征还不够充分，因此使用级联模块将多个这种层级联从而加深网络，这样做的目的在于得到更丰富的特征输出，同时每一层的输入与输出相加作为下一层的输入，重复的利用相同的参数使得整个网络参数不但没有增加，反而提高了利用率，这也是考虑到输出特征再进入池化层后，通常尺寸会发生改变，特征会丢失，因此这样做可以保留更多的特征，如冠脉血管的边缘特征等，因此级联模块每一层的输出变为，
yl+1＝Gl(xl+yl)
其中，xl为第一层的输入，yl为第一层的输出，yl+1为下一层的输出，Gl为非线性变换方式，Normal为归一化，Conv为卷积，ReLU为非线性函数激活。
以固定数目的级联层的连接组成在一个级联模块，级联模块输出的特征是与级联模块中的层数成正比的，整个网络按比例添加级联模块，因此整个网络的特征学习都是丰富而稠密的。冠脉图进入级联模块后，先进入归一化层进行归一化，将所有图片规则化到同一区域的分布下学习，有利于网络快速找到最优，冠状动脉造影图进入级联模块后，先进入第一个级联层的归一化层进行归一化，将所有图片规则化到同一区域的分布下学习，具体为：
其中，
表示输入特征xl的均值，
表示输入特征xl的方差；
卷积层对规则化后的图片进行卷积处理，图片经卷积线性变换得到特征图，再经过非线性函数ReLU激活输出到下一个级联层。
多个级联模块直接相级联，层数的增加可能会导致梯度爆炸等问题，因此需要引入下采样模块。
所述下采样模块采用一个1×1的卷积，同时随机淘汰50％的权重参数。并通过池化层自适应筛选冠状动脉造影图的学习特征。
具体的，下采样模块的主要功能是降低维度，图片经过级联模块会产生高纬度的特征图，如果不做降维，下一个模块在计算卷积时会更加耗时。下采样模块将采用一个1×1的卷积，这样可以完全保留特征图的信息然后降低维度。参数过多也是神经网络学习缓慢的原因之一，而且也会成为导致网络过拟合的诱因之一，网络在过拟合时，会在训练集的图片中拥有较好的表现，但在实际分割一张网络没有分析和学习过的冠脉图时，就出现很大的误差。所以在此基础上，我们选择随机淘汰50％的权重参数，以防止网络过拟合。下采样模块的最后一个操作是池化，池化的主要作用是筛选特征，一方面减少不必要的特征量，一方面找到网络真正需要学习的特征。筛选过程是自适应的，所以会存在淘汰了少量网络实际需要的特征。因此需要引入像素恢复模块。
每个级联模块的输出都与上采样模块对应的像素级的级联模块的输入跳跃连接，将更多的图片位置信息传递到深层网络。
像素恢复模块用于调整网络参数，实现冠状动脉造影图自动分割，恢复像素；像素恢复模块由卷积和反卷积操作以及跳跃连接构成，反卷积应用于级联模块的最后一层级联层获得的特征映射。
像素恢复模块实现冠状动脉造影图自动分割，恢复像素的步骤包括：
像素恢复模块将级联模块的最后一层级联层获得的特征映射通过反卷积得到新的特征映射，将该新的特征映射与跳跃连接的另一边的特征映射相连，通过上采样模块增加跳跃连接的另一边的特征映射的空间分辨率；跳跃连接在恢复分辨率时再次利用级联模块输出的特征信息，表示为：
xl+n＝yl+yl+n-1
其中，xl+n是第l+n像素恢复模块的输入，yl是第一层的输出，yl+n-1是第l+n-1层的输出。
具体的，像素恢复模块主要由卷积和反卷积操作以及跳跃连接构成。通过之前级联模块和下采样模块的学习，需要网络来实现自动的分割，具体来说就是根据整理之前多层的丰富的特征，调整网络参数，然后对图片进行分割。这个过程由像素恢复模块完成。特征输入像素恢复模块，先通过一个反卷积得到新的特征映射，该特征映射将与跳跃连接的另一边的特征映射相连。上采样可以增加特征映射的空间分辨率，特征数量的线性增长使得内存需求变得恨到，尤其是最后判断层中的全分辨率特征。为了克服这个困难，级联模块的输入不与输出相连，因此，反卷积只应用于由最后级联模块获得的特征映射，而不应用与目前为止连接在一起的所有特征映射。跳跃连接实现了在恢复分辨率的时候还能再次利用之前的特征信息，具体表示为：xl+n＝yl+yl+n-1
其中xl+n是第l+n像素恢复模块的输入，yl是第一层的输出，yl+n-1是第l+n-1层的输出。
上采样模块对应的像素级的级联模块将上采样模块输出的特征合并，得到分割结果。
一具体应用实例：实验系统：Unbuntu16.04，程序设计语言：Python，硬件设备：NVIDIA GTX 1080Ti GPU，标注工具：Photoshop。
步骤一：数据集的分类、标注和转换。使用冠状动脉造影图，并按照医学上拍摄冠脉的体位对数据进行分类。对每一体位下的冠脉图进行分析，再按照医学原理，对不同体位下血管进行划分，然后标注成不同RGB值。最后将标注图转换成不同灰度值的灰度图。
步骤二：调整代码中图片数据的计算框架和存储方式，图片分为训练集、验证集合测试集。每个集合的图片都是以一张原图一张灰度图为一组方式存储为图片对。
步骤三：设置优化方法和损失函数、设计网络结构并设置网络中的参数。
步骤四：将冠状动脉造影图以固定数据的图片对的方式输入神经网络。
步骤五：级联模块接收图片，级联模块中的每一层网络对图片先进行标准化处理，之后进行卷积计算得到特征图，最后通过激活函数激活非线性，每一层都与该层的输入级联。
步骤六：每个级联模块的输出都与上采样过程中的对应像素级的级联模块的输入跳跃连接。保证将更多的图片位置信息传递到深层网络。
步骤七：连续级联多个级联模块加跳跃连接的方式后，进入恢复像素阶段。采用反卷积层将前面步骤产生的特征图进行像素恢复。
步骤八：将恢复后的图片与标注后的冠脉图一一对比，通过计算网络产生的图和人工标注的图误差值获得一个调整参数。将调整参数反向传播回网络中对网络中的权重的值进行更新完成一次迭代学习过程。
步骤九：再次随机输入下一批固定数据的图片对完成步骤二至步骤八中所有操作。直到网络损失达到最佳时，可以停止训练，随后网络可以开始进行分割。
步骤十：将最后一次迭代后更新的参数值保存，用该参数值重新初始化网络，将测试图成对输入网络，图片先进行前面的操作得到特征图，然后再恢复像素，达到输出层时输出一个分割好的图片矩阵。
步骤十一：将分割后的图片恢复彩色RGB图，并计算精确率、召回率和综合评估值。
该具体实例可以看出，本发明加速基于深度学习的冠状动脉造影图训练过程，优化冠状动脉造影图的分割结果，改变了冠状动脉造影图图片的存储方式，减少了网络参数，优化了网络结构，提高了分割冠脉图2％左右的精确率。
本发明的有益效果是：
通过本发明提供的技术方案，在训练时迭代一张图一次可以提升0.083s，所以面对现实生活中数量高达千级的数据集，可以节省1分钟以上。而通常用于图像风格的神经网络都至少训练10万次以上，完成整个网络的训练可以节省100分钟以上。与此同时，修改了网络的部分结构，使得该方法具有在保证图片分割准确率的同时，大大缩短了时长的优点，并提升了分割准确率。
以上公开的仅为本发明的几个具体实施例，但是，本发明并非局限于上述实施例，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (5)
1.一种基于深度学习的冠状动脉造影图分割的优化方法，其特征在于，该方法包括：
使用Tensor对象存储冠状动脉造影图，通过GPU在神经网络中加速计算，得到分割结果；
通过神经网络中添加的级联模块和像素恢复模块相结合的网络结构对冠状动脉造影图的分割结果优化；
还包括用于降低维度的下采样模块，下采样模块与级联模块连接，所述下采样模块采用一个1×1的卷积，同时随机淘汰50％的权重参数；
还包括上采样模块，每个级联模块的输出都与上采样模块对应的像素级的级联模块的输入跳跃连接，将冠状动脉造影图的图片位置信息传递到深层网络；
所述像素恢复模块用于调整网络参数，实现冠状动脉造影图自动分割，恢复像素；像素恢复模块由卷积和反卷积操作以及跳跃连接构成，反卷积应用于级联模块的最后一层级联层获得的特征映射；
所述Tensor对象为：T＝f(A；W,H)；其中，A为冠状动脉造影图，W为冠状动脉造影图的宽，H为冠状动脉造影图的高，冠状动脉造影图矩阵存储的尺寸为W*H；
所述级联模块以固定数目的级联层连接组成，并按比例添加在神经网络中。
2.如权利要求1所述的方法，其特征在于，冠状动脉造影图进入级联模块后，先进入第一个级联层的归一化层进行归一化，将所有图片规则化到同一区域的分布下学习，具体为：
其中，
表示输入特征xl的均值，
表示输入特征xl的方差；
卷积层对规则化后的图片进行卷积处理，图片经卷积线性变换得到特征图，再经过非线性函数ReLU激活输出到下一个级联层。
3.如权利要求2所述的方法，其特征在于，级联模块每一个级联层的输出包括：
yl+1＝Gl(xl+yl)；
Gl＝Normal*Conv*ReLU；
其中，xl为第一层的输入，yl为第一层的输出，yl+1为下一层的输出，Gl为非线性变换方式，Normal为归一化，Conv为卷积，ReLU为非线性函数激活。
4.如权利要求1所述的方法，其特征在于，像素恢复模块实现冠状动脉造影图自动分割，恢复像素的步骤包括：
像素恢复模块将级联模块的最后一层级联层获得的特征映射通过反卷积得到新的特征映射，将该新的特征映射与跳跃连接的另一边的特征映射相连，通过上采样模块增加跳跃连接的另一边的特征映射的空间分辨率；跳跃连接在恢复分辨率时再次利用级联模块输出的特征信息，表示为：
xl+n＝yl+yl+n-1
其中，xl+n是第l+n像素恢复模块的输入，yl是第一层的输出，yl+n-1是第l+n-1层的输出。
5.如权利要求1所述的方法，其特征在于，上采样模块对应的像素级的级联模块将上采样模块输出的特征合并，得到分割结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810766732.XA CN108932715B (zh) | 2018-07-13 | 2018-07-13 | 一种基于深度学习的冠状动脉造影图分割的优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810766732.XA CN108932715B (zh) | 2018-07-13 | 2018-07-13 | 一种基于深度学习的冠状动脉造影图分割的优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108932715A CN108932715A (zh) | 2018-12-04 |
| CN108932715B true CN108932715B (zh) | 2022-06-07 |
Family
ID=64447470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810766732.XA Active CN108932715B (zh) | 2018-07-13 | 2018-07-13 | 一种基于深度学习的冠状动脉造影图分割的优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108932715B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109859146A (zh) * | 2019-02-28 | 2019-06-07 | 电子科技大学 | 一种基于U-net卷积神经网络的彩色眼底图像血管分割方法 |
| CN110047076B (zh) * | 2019-03-29 | 2021-03-23 | 腾讯科技（深圳）有限公司 | 一种图像信息的处理方法、装置及存储介质 |
| CN111178420B (zh) * | 2019-12-24 | 2024-01-09 | 北京理工大学 | 一种二维造影图像上冠脉段标注方法及系统 |
| CN111652880A (zh) * | 2020-07-01 | 2020-09-11 | 杭州脉流科技有限公司 | 基于神经网络的ct冠状动脉中心线种子点检测和追踪方法、装置、设备以及可读存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106296660A (zh) * | 2016-07-28 | 2017-01-04 | 北京师范大学 | 一种全自动冠状动脉分割方法 |
| CN106887000A (zh) * | 2017-01-23 | 2017-06-23 | 上海联影医疗科技有限公司 | 医学图像的网格化处理方法及其系统 |
| CN107563983A (zh) * | 2017-09-28 | 2018-01-09 | 上海联影医疗科技有限公司 | 图像处理方法以及医学成像设备 |
| CN107886510A (zh) * | 2017-11-27 | 2018-04-06 | 杭州电子科技大学 | 一种基于三维全卷积神经网络的前列腺mri分割方法 |
| CN107997778A (zh) * | 2016-10-31 | 2018-05-08 | 西门子保健有限责任公司 | 在计算机断层扫描血管造影术中基于深度学习的骨移除 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9700219B2 (en) * | 2013-10-17 | 2017-07-11 | Siemens Healthcare Gmbh | Method and system for machine learning based assessment of fractional flow reserve |
-
2018
- 2018-07-13 CN CN201810766732.XA patent/CN108932715B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106296660A (zh) * | 2016-07-28 | 2017-01-04 | 北京师范大学 | 一种全自动冠状动脉分割方法 |
| CN107997778A (zh) * | 2016-10-31 | 2018-05-08 | 西门子保健有限责任公司 | 在计算机断层扫描血管造影术中基于深度学习的骨移除 |
| CN106887000A (zh) * | 2017-01-23 | 2017-06-23 | 上海联影医疗科技有限公司 | 医学图像的网格化处理方法及其系统 |
| CN107563983A (zh) * | 2017-09-28 | 2018-01-09 | 上海联影医疗科技有限公司 | 图像处理方法以及医学成像设备 |
| CN107886510A (zh) * | 2017-11-27 | 2018-04-06 | 杭州电子科技大学 | 一种基于三维全卷积神经网络的前列腺mri分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108932715A (zh) | 2018-12-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108932715B (zh) | 一种基于深度学习的冠状动脉造影图分割的优化方法 | |
| US11501415B2 (en) | Method and system for high-resolution image inpainting | |
| CN110189334B (zh) | 基于注意力机制的残差型全卷积神经网络的医学图像分割方法 | |
| KR102640237B1 (ko) | 이미지 프로세싱 방법, 장치, 전자 디바이스 및 컴퓨터 판독가능 저장 매체 | |
| CN112446383B (zh) | 车牌识别方法及装置、存储介质、终端 | |
| CN111507993A (zh) | 一种基于生成对抗网络的图像分割方法、装置及存储介质 | |
| CN110659725B (zh) | 神经网络模型的压缩与加速方法、数据处理方法及装置 | |
| Zuo et al. | Convolutional neural networks for image denoising and restoration | |
| CN111382759B (zh) | 一种像素级分类方法、装置、设备及存储介质 | |
| CN113554665A (zh) | 一种血管分割方法及装置 | |
| CN112270366B (zh) | 基于自适应多特征融合的微小目标检测方法 | |
| US20220156891A1 (en) | Methods and systems for deblurring blurry images | |
| CN113222818A (zh) | 一种使用轻量化多通道聚合网络重建超分辨率图像的方法 | |
| CN113129212B (zh) | 图像超分辨率重建方法、装置、终端设备及存储介质 | |
| CN111986085A (zh) | 一种基于深度反馈注意力网络系统的图像超分辨率方法 | |
| CN114897782B (zh) | 基于生成式对抗网络的胃癌病理切片图像分割预测方法 | |
| CN112700460A (zh) | 图像分割方法及系统 | |
| CN109993701B (zh) | 一种基于金字塔结构的深度图超分辨率重建的方法 | |
| CN115953784A (zh) | 基于残差和特征分块注意力的激光打码字符分割方法 | |
| CN116863194A (zh) | 一种足溃疡图像分类方法、系统、设备及介质 | |
| CN114882278A (zh) | 一种基于注意力机制和迁移学习的轮胎花纹分类方法和装置 | |
| CN110706232A (zh) | 纹理图像分割方法、电子装置及计算机存储介质 | |
| Sun et al. | Progressive multi-branch embedding fusion network for underwater image enhancement | |
| CN117593275A (zh) | 一种医学图像分割系统 | |
| US20230073175A1 (en) | Method and system for processing image based on weighted multiple kernels |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210127 Address after: 100086 1704-1705, 17th floor, Qingyun contemporary building, building 9, Manting Fangyuan community, Qingyun Li, Haidian District, Beijing Applicant after: BEIJING HONGYUN ZHISHENG TECHNOLOGY Co.,Ltd. Applicant after: FUWAI HOSPITAL, CHINESE ACADEMY OF MEDICAL SCIENCES Address before: 100086 1704-1705, 17th floor, Qingyun contemporary building, building 9, Manting Fangyuan community, Qingyun Li, Haidian District, Beijing Applicant before: BEIJING HONGYUN ZHISHENG TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |