CN109242879A - 基于深度卷积神经网络的脑部胶质瘤核磁图像分割方法 - Google Patents
基于深度卷积神经网络的脑部胶质瘤核磁图像分割方法 Download PDFInfo
- Publication number
- CN109242879A CN109242879A CN201810932796.2A CN201810932796A CN109242879A CN 109242879 A CN109242879 A CN 109242879A CN 201810932796 A CN201810932796 A CN 201810932796A CN 109242879 A CN109242879 A CN 109242879A
- Authority
- CN
- China
- Prior art keywords
- image
- neural networks
- convolutional neural
- depth convolutional
- nuclear
- 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.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000005311 nuclear magnetism Effects 0.000 title claims abstract description 31
- 201000007983 brain glioma Diseases 0.000 title claims abstract description 23
- 238000005192 partition Methods 0.000 title claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 210000004556 brain Anatomy 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 208000032612 Glial tumor Diseases 0.000 abstract description 7
- 206010018338 Glioma Diseases 0.000 abstract description 7
- 238000013480 data collection Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008717 functional decline Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
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
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/30—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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于深度卷积神经网络的脑部胶质瘤核磁图像分割方法，包括：数据预处理，对脑部核磁各个模态的图像进行标准化处理和数据增强；利用标注数据集对深度卷积神经网络进行训练，基于反向传播算法对参数进行更新；利用训练好的模型，对需要测试的图像进行分割，再对结果进行后处理，得到脑部胶质瘤分割的最终结果。本发明实现了一种适用于脑部核磁图像中脑部胶质瘤的分割方法，具有很高的准确率。
Description
技术领域
本发明涉及脑部核磁图像中脑部胶质瘤的分割方法。
背景技术
脑部核磁图像中脑部胶质瘤的分割在脑部胶质瘤的诊断和治疗中起着十分重要的作用。以往，该过程通常由医生手工完成，然而手工的分割费时费力，且容易引入人的主观误差。因此自动的脑部胶质瘤图像分割算法变得尤为重要。近年来，深度学习的方法在图像任务上取得了比传统方法更好的表现，很多深度神经网络被用在生物和医学图像的分割中来。如何将深度学习的算法更好的应用到脑部胶质瘤的分割上，面临以下问题：
与自然图像不同，医学图像的公开数据集数量较少，质量更差。如何利用这些有限的标注数据对深度神经网络进行有效的训练是很有挑战性的问题。另外，现有的深度神经网络大多关注在自然图像的数据集上的表现，而不会考虑医学图像如脑部核磁图像中特定的特征。
这些问题使得直接将现有的用于图像分割的深度神经网络用在脑部核磁图像的分割上时，分割精度并不会较传统方法有很大的提高，甚至还会出现过拟合、速度慢等问题。
发明内容
本发明解决的技术问题是：针对传统的脑部核磁图像中脑部胶质瘤的分割方法速度慢精度差等问题，提供了一种基于深度卷积神经网络的分割算法，该算法在脑部核磁图像中脑部胶质瘤的分割任务上具有精确度高等优点。
本发明是采用以下的技术方案实现的：
一种基于深度卷积神经网络的脑部胶质瘤核磁图像分割方法，包括以下三个步骤：
步骤(1)、MRI图像预处理：对于输入的训练图像，进行标准化处理，包括每个模态图像的归一化，每张图像进行处理消除明暗不均匀和去噪；
步骤(2)、深度卷积神经网络的训练：将经过步骤(1)处理的标注数据作为训练集，输入到设计好的神经网络模型中进行训练，基于反向传播算法更新深度卷积神经网络的参数，对网络进行优化，直到损失函数收敛；
步骤(3)、利用训练好的模型进行分割：把待分割的图像先按步骤(1)进行预处理，再输入到步骤(2)中训练好的深度卷积神经网络中，神经网络的输出即为初步的分割结果，再对结果进行后处理，得到最终的MRI图像中的脑部胶质瘤分割结果。
进一步地，还包括：
步骤(4)使用测试时数据增强方法，最后再对结果进行融合以提高分割的精确度，具体算法流程为：
(41)、对于待输入的测试图像，进行多组随机的旋转、平移、缩放等变换，并记录各组变换的变换矩阵，得到多组不同的输入图像；
(42)、将得到的多组输入图像分别输入到训练好的深度卷积神经网络中，得到对应的分割结果；
(43)、利用步骤(41)中记录的变换矩阵，将步骤(42)中得到的分割结果进行(41)中图像变换的逆变换，此时得到一组测试图像的多个分割结果，即每个像素得到多个分类结果；
(44)、将步骤(43)中得到的多个分割结果进行融合操作。
进一步地，所述步骤(2)中卷积神经网络结构设计中添加先验，具体为：
设计利用脑部MRI图像对称性的网络结构，网络的输入为对称位置的两个矢状面(slice)，经过两个不同的分支，分别提取高层特征，在网络的高层，对两个分支的结果进行相减的操作，使得对称位置的两个矢状面的高层特征的差异即脑部胶质瘤部分被提取出来，突出脑部胶质瘤的位置，消除其他组织对结果的混淆。
进一步地，所述步骤(1)中还包括对所述训练图像进行数据扩增，对于对称位置的两个矢状面图像，进行相同的翻转，平移，旋转，放缩，和较少的非线性变形。
进一步地，所述步骤(2)中设计好的神经网络模型的激活函数采用带泄露的修正线性单元，其公式为：f(x)＝max(0，x)+α·min(0，x)，其中α为泄露参数。
进一步地，所述步骤(2)中设计好的神经网络模型采用的损失函数为交叉熵损失：其中表示预测的分类概率，c为标签中的分类。
与现有技术相比，本发明的优点和积极效果在于：
1、本发明提出的利用对称性的深度卷积神经网络结构，与传统的基于2D slice和3D patch的两大类用于核磁图像分割的神经网络结构相比，既有2D slice计算量相对小，训练快的优点，又能和基于3D patch的方法一样利用核磁图像的空间信息。
2、本发明提出的深度卷积神经网络结构，能有效的利用脑部核磁图像的特性(对称性等)，更有效地提高神经网络对脑部胶质瘤的定位和分割能力。
附图说明
图1：本发明的方法流程图；
图2：本发明使用的深度卷积神经网络结构图；
图3：本发明使用的神经网络训练过程中的损失函数下降曲线；
图4：本发明进行测试时的输入输出；
图5：本发明的测试时图像增强后的输入输出。
具体实施方式
本发明提出了一种针对脑部核磁图像的基于深度卷积神经网络的脑部胶质瘤分割方法。该方法充分利用的脑部核磁图像的固有特征，该方法在脑部核磁图像的分割任务上具有很高的精确度。
图1给出了基于深度卷积神经网络的脑部核磁图像中脑部胶质瘤的分割方法的处理流程，下面结合其他附图及具体实施方式进一步说明本发明。
本实施例提供一种基于深度卷积神经网络的脑部核磁图像中脑部胶质瘤的分割方法，主要步骤介绍如下：
1、图像预处理
(1)对MRI图像进行预处理，消除图像的明暗差异和噪声。核磁图像的数据集由于获取时间、设备的不同，其中相同组织的灰度值在不同图像中有较大差异。本实施例先对每个MRI图像序列采用N4ITK方法消除灰度值偏差。对于不同MRI序列之间的归一化，通过可学习的方式选取集合IL＝{pc1，ip10，ip20，...，ip90，pc2}，pc1和pc2是从MRI序列中选取的，ipl表示l百分位的灰度值。通过训练，灰度值归一化所用到的线性变换由学习到的线性变换来实现。在进行完归一化处理之后，计算训练集所有MRI图像的灰度平均值X和方差D，将灰度值标准化到均值为0，方差为1，此外灰度平均值X和方差D在后续的分割测试过程中也会用于对测试图像进行标准化。
(2)对训练图像进行数据扩增。由于网络结构限制输入为矢状面，所以数据扩增在核磁图像的矢状面上进行，具体为对于对称位置的两个矢状面图像，进行相同的翻转，平移，旋转，放缩，和较少的非线性变形。通过数据扩增可以使得训练数据的数量得到大幅提升，有效的增强后续神经网络的训练，提高网络的泛化能力。
2.深度卷积神经网络的训练
卷积神经网络是用卷积操作来获取特征图，特征图由卷积核在前一层的输出上进行卷积得到。卷积核的权重则由训练过程中通过反向传播算法进行更新，从而能提取到输入中的特定的特征。通过多层神经网络，逐层提取更抽象的特征。底层网络提取到边缘等特征，后几层网络则能提取物体组件和物体等。在卷积神经网络搭建的过程中，以下几个方面的选择较为关键：
(1)初始化方法：权重的初始化关系会影响网络最终能否收敛。本实施例使用Xavier初始化，这种初始化方式会让激活值和梯度维持在可控制的范围内，不会出现梯度消失或梯度爆炸。
(2)激活函数：激活函数应用于对输入数据的非线性变换。本实施例采用带泄露的修正线性单元(leaky ReLU)，其公式为：
f(x)＝max(0，x)+α·min(0，x)
其中α为泄露参数。该激活函数与传统的正切或sigmoid函数相比，具有训练速度快等优点，而且不会像普通修正线性单元一样会在梯度下降过程中由于落入负值区间而导致神经元失活。
(3)池化：池化层会结合特征图上相邻的特征，这种结合使得冗余的特征被消除，使得特征图的表达更严密，减少网络下一层的计算负担。同时也会让网络对图像上的微小扰动和不重要的细节更不敏感。本实施例采用的是最大值池化，这种池化方式能防止特征图上的重要特征被周围的次要特征削弱。
(4)损失函数：损失函数是用于在训练中最小化的目标函数。本实施例采用的损失函数为交叉熵损失：
其中表示预测的分类概率，c为标签中的分类。
(5)网络结构：
本发明设计了一种能将脑部MRI图像的对称信息编码到神经网络中的结构，如图2所示。图中横向箭头表示卷积和结合操作，向下的箭头表示通过最大值池化进行降采样，减号表示特征图上对应位置相减，向上的箭头表示通过反卷积的上采样。输入为脑部核磁图像中对称位置的两个矢状面，分别输入到两个支路中，最后的输出为与原图等大小的分割结果。通过计算位于对称位置的两个slice在网络高层的特征的差异，然后将提取到的差异信息和原图像的特征信息结合，更有效的提取出脑部核磁图像中的异常部分，能够更准确的定位脑部胶质瘤的位置，使用2D的网络结构同时利用了核磁图像的3D信息。
对按上述内容设计的神经网络进行训练，训练过程中使用随机梯度下降和批量归一化，直至网络的损失函数逐渐收敛，如图3所示。
3.训练好的深度卷积神经网络用于测试
(1)对于待输入的测试图像I0，进行多组随机的旋转、平移、缩放等变换，并记录各组变换的变换矩阵H1,H2,H3等，得到多组不同的输入图像I1，I2，I3等。其中旋转幅度为±15°之间的随机数，平移幅度为±10像素的随机数，缩放比例为0.95～1.05之间的随机数。
(2)将得到的多组输入图像I1，I2，I3等分别输入到训练好的深度卷积神经网络中，得到对应的分割结果O1，O2，O3等。
(3)利用(1)中记录的变换矩阵H1,H2,H3等，将(2)中得到的分割结果O1，O2，O3等进行(1)中图像变换的逆变换，此时得到一组测试图像的多个分割结果O1′，O2′，O3′等，即每个像素得到多个分类结果。
(4)将(3)中得到的多个分割结果进行融合操作，本发明中采用的是逐像素投票的算法，即每个像素的最终分类结果，是由多个分类结果中占多数的一类决定的。
图4和图5为测试时的数据增强效果图，左侧四张图像为增强后的输入图像，右侧为增强后的输入图像经过神经网络后的输出。
通过测试时数据增强的方法，能在深度卷积神经网络模型已训练好的情况下，进一步提高最终输出的分割结果的精准度。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (6)
1.一种基于深度卷积神经网络的脑部胶质瘤核磁图像分割方法，其特征在于包括：
步骤(1)、MRI图像预处理：对于输入的训练图像，进行标准化处理，包括每个模态图像的归一化，每张图像进行处理消除明暗不均匀和去噪；
步骤(2)、深度卷积神经网络的训练：将经过步骤(1)处理的标注数据作为训练集，输入到设计好的神经网络模型中进行训练，基于反向传播算法更新深度卷积神经网络的参数，对网络进行优化，直到损失函数收敛；
步骤(3)、利用训练好的模型进行分割：把待分割的图像先按步骤(1)进行预处理，再输入到步骤(2)中训练好的深度卷积神经网络中，神经网络的输出即为初步的分割结果，再对结果进行后处理，得到最终的MRI图像中的脑部胶质瘤分割结果。
2.根据权利要求1所述的基于深度卷积神经网络的脑部胶质瘤核磁图像分割方法，其特征在于还包括：
步骤(4)使用测试时数据增强方法，最后再对结果进行融合以提高分割的精确度，具体算法流程为：
(41)、对于待输入的测试图像，进行多组随机的旋转、平移、缩放等变换，并记录各组变换的变换矩阵，得到多组不同的输入图像；
(42)、将得到的多组输入图像分别输入到训练好的深度卷积神经网络中，得到对应的分割结果；
(43)、利用步骤(41)中记录的变换矩阵，将步骤(42)中得到的分割结果进行(41)中图像变换的逆变换，此时得到一组测试图像的多个分割结果，即每个像素得到多个分类结果；
(44)、将步骤(43)中得到的多个分割结果进行融合操作。
3.根据权利要求1所述的基于深度卷积神经网络的脑部胶质瘤核磁图像分割方法，其特征在于：
所述步骤(2)中卷积神经网络结构设计中添加先验，具体为：
设计利用脑部MRI图像对称性的网络结构，网络的输入为对称位置的两个矢状面(slice)，经过两个不同的分支，分别提取高层特征，在网络的高层，对两个分支的结果进行相减的操作，使得对称位置的两个矢状面的高层特征的差异即脑部胶质瘤部分被提取出来，突出脑部胶质瘤的位置，消除其他组织对结果的混淆。
4.根据权利要求1所述的基于深度卷积神经网络的脑部胶质瘤核磁图像分割方法，其特征在于：所述步骤(1)中还包括对所述训练图像进行数据扩增，对于对称位置的两个矢状面图像，进行相同的翻转，平移，旋转，放缩，和较少的非线性变形。
5.根据权利要求1所述的基于深度卷积神经网络的脑部胶质瘤核磁图像分割方法，其特征在于：所述步骤(2)中设计好的神经网络模型的激活函数采用带泄露的修正线性单元，其公式为：f(x)＝max(0，x)+α·min(0，x)，其中α为泄露参数。
6.根据权利要求1所述的基于深度卷积神经网络的脑部胶质瘤核磁图像分割方法，其特征在于：所述步骤(2)中设计好的神经网络模型采用的损失函数为交叉熵损失：其中表示预测的分类概率，c为标签中的分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810932796.2A CN109242879A (zh) | 2018-08-16 | 2018-08-16 | 基于深度卷积神经网络的脑部胶质瘤核磁图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810932796.2A CN109242879A (zh) | 2018-08-16 | 2018-08-16 | 基于深度卷积神经网络的脑部胶质瘤核磁图像分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109242879A true CN109242879A (zh) | 2019-01-18 |
Family
ID=65070395
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810932796.2A Pending CN109242879A (zh) | 2018-08-16 | 2018-08-16 | 基于深度卷积神经网络的脑部胶质瘤核磁图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109242879A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109961436A (zh) * | 2019-04-04 | 2019-07-02 | 北京大学口腔医学院 | 一种基于人工神经网络模型的正中矢状平面构建方法 |
| CN111584066A (zh) * | 2020-04-13 | 2020-08-25 | 清华大学 | 基于卷积神经网络与对称信息的脑部医学影像诊断方法 |
| CN112200811A (zh) * | 2020-10-27 | 2021-01-08 | 西北工业大学深圳研究院 | 一种采用跨序列核磁共振图像生成改进胶质瘤分割方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787948A (zh) * | 2016-03-23 | 2016-07-20 | 华中科技大学 | 一种基于多变形分辨率的快速图像分割方法 |
| CN106683081A (zh) * | 2016-12-17 | 2017-05-17 | 复旦大学 | 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统 |
| CN107016681A (zh) * | 2017-03-29 | 2017-08-04 | 浙江师范大学 | 基于全卷积网络的脑部mri肿瘤分割方法 |
| CN107767378A (zh) * | 2017-11-13 | 2018-03-06 | 浙江中医药大学 | 基于深度神经网络的gbm多模态磁共振图像分割方法 |
| US20180108139A1 (en) * | 2016-10-19 | 2018-04-19 | U.S. Department Of Veterans Affairs | System And Method For N-Dimensional Image Segmentation Using Convolutional Neural Networks |
-
2018
- 2018-08-16 CN CN201810932796.2A patent/CN109242879A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787948A (zh) * | 2016-03-23 | 2016-07-20 | 华中科技大学 | 一种基于多变形分辨率的快速图像分割方法 |
| US20180108139A1 (en) * | 2016-10-19 | 2018-04-19 | U.S. Department Of Veterans Affairs | System And Method For N-Dimensional Image Segmentation Using Convolutional Neural Networks |
| CN106683081A (zh) * | 2016-12-17 | 2017-05-17 | 复旦大学 | 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统 |
| CN107016681A (zh) * | 2017-03-29 | 2017-08-04 | 浙江师范大学 | 基于全卷积网络的脑部mri肿瘤分割方法 |
| CN107767378A (zh) * | 2017-11-13 | 2018-03-06 | 浙江中医药大学 | 基于深度神经网络的gbm多模态磁共振图像分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| HEJIA ZHANG等: "Segmenting Brain Tumors with Symmetry", 《ARXIV：1711.06636V1》 * |
| 王晓春: "结合MRI多模态信息与SVM参数优化的脑肿瘤分割研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109961436A (zh) * | 2019-04-04 | 2019-07-02 | 北京大学口腔医学院 | 一种基于人工神经网络模型的正中矢状平面构建方法 |
| CN109961436B (zh) * | 2019-04-04 | 2021-05-18 | 北京大学口腔医学院 | 一种基于人工神经网络模型的正中矢状平面构建方法 |
| CN111584066A (zh) * | 2020-04-13 | 2020-08-25 | 清华大学 | 基于卷积神经网络与对称信息的脑部医学影像诊断方法 |
| CN111584066B (zh) * | 2020-04-13 | 2022-09-09 | 清华大学 | 基于卷积神经网络与对称信息的脑部医学影像诊断方法 |
| CN112200811A (zh) * | 2020-10-27 | 2021-01-08 | 西北工业大学深圳研究院 | 一种采用跨序列核磁共振图像生成改进胶质瘤分割方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109191476B (zh) | 基于U-net网络结构的生物医学图像自动分割新方法 | |
| Zhang et al. | Semantic image inpainting with progressive generative networks | |
| de Bel et al. | Residual cyclegan for robust domain transformation of histopathological tissue slides | |
| Dalmış et al. | Using deep learning to segment breast and fibroglandular tissue in MRI volumes | |
| Oda et al. | BESNet: boundary-enhanced segmentation of cells in histopathological images | |
| Xiancheng et al. | Retina blood vessel segmentation using a U-net based Convolutional neural network | |
| CN115018824B (zh) | 一种基于CNN和Transformer融合的结肠镜息肉图像分割方法 | |
| CN108229490A (zh) | 关键点检测方法、神经网络训练方法、装置和电子设备 | |
| CN110097554A (zh) | 基于密集卷积和深度可分离卷积的视网膜血管分割方法 | |
| CN108108751A (zh) | 一种基于卷积多特征和深度随机森林的场景识别方法 | |
| Kim et al. | BigColor: Colorization using a generative color prior for natural images | |
| CN112991493B (zh) | 基于vae-gan和混合密度网络的灰度图像着色方法 | |
| CN109242879A (zh) | 基于深度卷积神经网络的脑部胶质瘤核磁图像分割方法 | |
| CN109214989A (zh) | 基于多方向特征预测先验的单幅图像超分辨率重建方法 | |
| CN111815562A (zh) | 一种U-Net与自适应PCNN相结合的视网膜血管分割方法 | |
| CN110533683A (zh) | 一种融合传统特征与深度特征的影像组学分析方法 | |
| Benou et al. | De-noising of contrast-enhanced MRI sequences by an ensemble of expert deep neural networks | |
| CN114266898A (zh) | 一种基于改进EfficientNet的肝癌识别方法 | |
| CN112651917A (zh) | 一种基于生成对抗网络的空间卫星低照度图像增强方法 | |
| CN111860528A (zh) | 基于改进U-Net网络的图像分割模型及训练方法 | |
| Li et al. | Speckle noise removal based on structural convolutional neural networks with feature fusion for medical image | |
| CN115272170A (zh) | 基于自适应多尺度Transformer优化的前列腺MRI影像分割方法及系统 | |
| Lin et al. | Bio-inspired feature enhancement network for edge detection | |
| CN114565620B (zh) | 一种基于骨架先验和对比损失的眼底图像血管分割方法 | |
| CN112869704B (zh) | 一种基于循环自适应多目标加权网络的糖尿病视网膜病变区域自动分割方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190118 |