CN109325951A - 一种基于生成对抗网络的转化和分割医学卷的方法 - Google Patents
一种基于生成对抗网络的转化和分割医学卷的方法 Download PDFInfo
- Publication number
- CN109325951A CN109325951A CN201810912886.5A CN201810912886A CN109325951A CN 109325951 A CN109325951 A CN 109325951A CN 201810912886 A CN201810912886 A CN 201810912886A CN 109325951 A CN109325951 A CN 109325951A
- Authority
- CN
- China
- Prior art keywords
- generator
- training
- data
- segmenter
- network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 21
- 230000003993 interaction Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 23
- 125000004122 cyclic group Chemical group 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 10
- 239000002131 composite material Substances 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 230000004048 modification Effects 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000011218 segmentation Effects 0.000 abstract description 10
- 238000007796 conventional method Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 230000004075 alteration Effects 0.000 description 3
- 230000003042 antagnostic effect Effects 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000008685 targeting Effects 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
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明中提出的一种基于生成对抗网络的转化和分割医学卷的方法，其主要内容包括：合成数据的获得、生成器和分割器的相互作用、完全目标和生成对抗网络的架构，其过程为，先用生成对抗网络的循环一致性损失函数对生成器进行训练，以强制重建合成数据，从而减少合成图像的几何失真；然后，用两个辅助映射，即分割器，来控制合成数据的几何不变性，以保证生成器的合成图像的形状一致性；最后，用在生成器中产生的合成数据对分割器进行扩增，使其成为多模分割器以实现高效的卷分割。本方法相比传统方法能学习非成对数据，实现了图像集合形状的一致性并且能使用合成数据提升分割效率，从而实现了高效地合成清晰3D医学图像的目标。
Description
技术领域
本发明涉及图像处理领域，尤其是涉及了一种基于生成对抗网络的转化和分割医学卷的方法。
背景技术
随着计算机的发展和数字化仪器的出现，研究者开始尝试把医学模拟图像转化为数字图像，开展了用计算机对医学图像进行处理的研究；医学图像处理是指综合医学影像、数学建模、数字图像处理与分析、人工智能和数值算法等学科的交叉领域。在诊断过程中，使用医学图像处理技术可在一定程度上辅助医生判读医学图像，排除人为主观因素，提高诊断准确性和效率；在治疗过程中，通过医学图像处理技术可以实时跟踪病情发展，协助医生制定合理的治疗计划；另外，在手术定位，解剖时的器官形态变化等反面，医学图像处理技术均能发挥重要作用。然而，现有的医学图像处理方法存在不能学习不成对数据、合成图像形状一致性低和执行图像分割任务的效率不高等问题。
本发明中提出的一种基于生成对抗网络的转化和分割医学卷的方法，先用生成对抗网络的循环一致性损失函数对生成器进行训练，以强制重建合成数据，从而减少合成图像的几何失真；然后，用两个辅助映射，即分割器，来控制合成数据的几何不变性，以保证生成器的合成图像的形状一致性；最后，用在生成器中产生的合成数据对分割器进行扩增，使其成为多模分割器以实现高效的卷分割。本方法相比传统方法能学习非成对数据，实现了图像集合形状的一致性并且能使用合成数据提升分割效率，从而实现了高效地合成清晰3D医学图像的目标。
发明内容
针对现有的医学图像处理方法存在不能学习不成对数据、合成图像形状一致性低和执行图像分割任务的效率不高等问题，本发明的目的在于提供一种基于生成对抗网络的转化和分割医学卷的方法，先用生成对抗网络的循环一致性损失函数对生成器进行训练，以强制重建合成数据，从而减少合成图像的几何失真；然后，用两个辅助映射，即分割器，来控制合成数据的几何不变性，以保证生成器的合成图像的形状一致性；最后，用在生成器中产生的合成数据对分割器进行扩增，使其成为多模分割器以实现高效的卷分割。
为解决上述问题，本发明提供一种基于生成对抗网络的转化和分割医学卷的方法，其主要内容包括：
(一)合成数据的获得；
(二)生成器和分割器的相互作用；
(三)完全目标；
(四)生成对抗网络的架构。
其中，所述的生成对抗网络，是一种具有循环和形状一致性的生成对抗网络；在像素重建过程中，该网络可解决成对数据难以完成转化任务的问题；在循环一致性过程中，该网络可解决几何变换的内在模糊性问题。
其中，合成数据的获得，主要通过对生成器的训练获得合成数据：为了完成从A和B两个图像域学习具有不成对数据的生成器的任务，采用了生成器GA和GB的循环一致性损失函数来强制重建的合成数据GA(GB(xA))和GB(GA(xB))：
其中，xA和xB分别为来自A和B两个图像域的输入数据；和分别表示输入数据为xA和xB的训练过程；表示循环一致性损失函数。
进一步地，对生成器的训练，使用Adam解算器作为分割器，在循环生成对抗网络中训练生成器；为了加快实验进程，选择先分别预先训练GA/B和DA/B，其中GA/B和DA/B为生成器和鉴别器，然后联合训练整个网络；对分割器进行100个时间段的预训练，对生成器进行60 个时间段的预训练，然后对二者进行50个时间段的共同训练，训练完毕后稳定地使学习率降为0，以提高合成图像的清晰度；在训练中，两个域中的训练数据的数量可不相同，在每个训练时间段里，域中的所有数据都会被查阅。
其中，所述的生成器和分割器的相互作用，主要包括：分割器对生成器合成图像的形状保证，以及生成器中产生的合成数据对分割器进行扩增。
进一步地，所述的分割器对生成器合成图像的形状保证，为了解决循环一致性中几何变换的内在模糊性问题，引入了两个辅助映射，分别定义为SA：A→Y和SB：B→Y，用于控制合成数据的几何不变性；这两个辅助映射能将来自各个图像域生成器的已转化的数据映射到共享形状空间Y，即语义标签空间，并且能够计算出像素的语义所有权；这两个映射由两个CNN 表示，被称为分割器，作为生成器的额外监督，以保证形状一致性：
其中，yA，yB∈Y表示数据样本xA和xB的真实形状；N表示卷内像素总数；i表示第i个图像元素。
进一步地，所述的生成器中产生的合成数据对分割器进行扩增，用在生成器中训练得到的合成数据{GB(xA)，yA}和{GA(xB)，yB}对分割器进行扩增，使其成为多模分割器以实现高效的卷分割；此过程在线上进行，能够保证训练期间合成数据的协调性，从而保证了分割器的性能表现。
其中，所述的完全目标，已知循环一致性损失函数和形状一致性损失函数，则完全目标可定义为：
其中，为对抗损失函数，可提高合成数据的定域实在性，在训练中，λ和γ为权重系数，λ取值为10，γ取值为1；DA，DB表示鉴别器。
进一步地，所述的鉴别器，可用于在循环生成对抗网络中训练生成器；鉴别器通过批对抗生成网络对医学卷的局部重叠部分的真伪进行区分，能够精确地从卷中获取目标信息。
进一步地，所述的生成对抗网络的架构，主要由具有实例归一化的3D完全卷积层和生成器的ReLU函数或者鉴别器的LeakyReLU函数组成；对于生成器，在U-net中使用远程跳过连接，以实现了更快的收敛和局部平滑的结果，然后通过一个3×3×3的卷积将转置卷积更换到最邻近上采样过程的步骤，以实现上采样和通道更改；对于分割器，通过最大池化层和最邻近上采样，完成3次对称下采样和上采样；对于每个分辨率，使用两个连续的3×3×3 卷积。
附图说明
图1是本发明一种基于生成对抗网络的转化和分割医学卷的方法的系统框架图。
图2是本发明一种基于生成对抗网络的转化和分割医学卷的方法的生成器工作图。
图3是本发明一种基于生成对抗网络的转化和分割医学卷的方法的处理结果图。
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是本发明一种基于生成对抗网络的转化和分割医学卷的方法的系统框架图。主要包括合成数据的获得、生成器和分割器的相互作用、完全目标和生成对抗网络的架构。
生成对抗网络，是一种具有循环和形状一致性的生成对抗网络；在像素重建过程中，该网络可解决成对数据难以完成转化任务的问题；在循环一致性过程中，该网络可解决几何变换的内在模糊性问题。
生成器和分割器的相互作用，主要包括：分割器对生成器合成图像的形状保证，以及生成器中产生的合成数据对分割器进行扩增。
其中，生成器中产生的合成数据对分割器进行扩增，用在生成器中训练得到的合成数据 {GB(xA)，yA}和{GA(xB)，yB}对分割器进行扩增，使其成为多模分割器以实现高效的卷分割；此过程在线上进行，能够保证训练期间合成数据的协调性，从而保证了分割器的性能表现。
完全目标，已知循环一致性损失函数和形状一致性损失函数，则完全目标可定义为：
其中，为对抗损失函数，可提高合成数据的定域实在性，在训练中，λ和γ为权重系数，λ取值为10，γ取值为1；DA，DB表示鉴别器。
其中，鉴别器，可用于在循环生成对抗网络中训练生成器；鉴别器通过批对抗生成网络对医学卷的局部重叠部分的真伪进行区分，能够精确地从卷中获取目标信息。
生成对抗网络的架构，主要由具有实例归一化的3D完全卷积层和生成器的ReLU函数或者鉴别器的LeakyReLU函数组成；对于生成器，在U-net中使用远程跳过连接，以实现了更快的收敛和局部平滑的结果，然后通过一个3×3×3的卷积将转置卷积更换到最邻近上采样过程的步骤，以实现上采样和通道更改；对于分割器，通过最大池化层和最邻近上采样，完成3次对称下采样和上采样；对于每个分辨率，使用两个连续的3×3×3卷积。
图2是本发明一种基于生成对抗网络的转化和分割医学卷的方法的生成器工作图。
合成数据的获得，主要通过对生成器的训练获得合成数据：为了完成从A和B两个图像域学习具有不成对数据的生成器的任务，采用了生成器GA和GB的循环一致性损失函数来强制重建的合成数据GA(GB(xA))和GB(GA(xB))：
其中，xA和xB分别为来自A和B两个图像域的输入数据；和分别表示输入数据为xA和xB的训练过程；表示循环一致性损失函数。
其中，对生成器的训练，使用Adam解算器作为分割器，在循环生成对抗网络中训练生成器；为了加快实验进程，选择先分别预先训练GA/B和DA/B，其中GA/B和DA/B为生成器和鉴别器，然后联合训练整个网络；对分割器进行100个时间段的预训练，对生成器进行60个时间段的预训练，然后对二者进行50个时间段的共同训练，训练完毕后稳定地使学习率降为0，以提高合成图像的清晰度；在训练中，两个域中的训练数据的数量可不相同，在每个训练时间段里，域中的所有数据都会被查阅。
分割器对生成器合成图像的形状保证，为了解决循环一致性中几何变换的内在模糊性问题，引入了两个辅助映射，分别定义为SA：A→Y和SB：B→Y，用于控制合成数据的几何不变性；这两个辅助映射能将来自各个图像域生成器的已转化的数据映射到共享形状空间Y，即语义标签空间，并且能够计算出像素的语义所有权；这两个映射由两个CNN表示，被称为分割器，作为生成器的额外监督，以保证形状一致性：
其中，yA，yB∈Y表示数据样本xA和xB的真实形状；N表示卷内像素总数；i表示第i个图像元素。
图3是本发明一种基于生成对抗网络的转化和分割医学卷的方法的处理结果图。本方法采用相比传统方法能学习非成对数据，实现了图像集合形状的一致性，其合成的3D医学图像更加清晰准确。
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)
1.一种基于生成对抗网络的转化和分割医学卷的方法，其特征在于，主要包括合成数据的获得(一)；生成器和分割器的相互作用(二)；完全目标(三)；生成对抗网络的架构(四)。
2.基于权利要求书1所述的生成对抗网络，其特征在于，是一种具有循环和形状一致性的生成对抗网络；在像素重建过程中，该网络可解决成对数据难以完成转化任务的问题；在循环一致性过程中，该网络可解决几何变换的内在模糊性问题。
3.基于权利要求书1所述的合成数据的获得(一)，其特征在于，主要通过对生成器的训练获得合成数据：为了完成从A和B两个图像域学习具有不成对数据的生成器的任务，采用了生成器GA和GB的循环一致性损失函数来强制重建的合成数据GA(GB(xA))和GB(GA(xB))：
其中，xA和xB分别为来自A和B两个图像域的输入数据；和分别表示输入数据为xA和xB的训练过程；表示循环一致性损失函数。
4.基于权利要求书3所述的对生成器的训练，其特征在于，使用Adam解算器作为分割器，在循环生成对抗网络中训练生成器；为了加快实验进程，选择先分别预先训练GA/B和DA/B，其中GA/B和DA/B为生成器和鉴别器，然后联合训练整个网络；对分割器进行100个时间段的预训练，对生成器进行60个时间段的预训练，然后对二者进行50个时间段的共同训练，训练完毕后稳定地使学习率降为0，以提高合成图像的清晰度；在训练中，两个域中的训练数据的数量可不相同，在每个训练时间段里，域中的所有数据都会被查阅。
5.基于权利要求书1所述的生成器和分割器的相互作用(二)，其特征在于，主要包括：分割器对生成器合成图像的形状保证，以及生成器中产生的合成数据对分割器进行扩增。
6.基于权利要求书5所述的分割器对生成器合成图像的形状保证，其特征在于，为了解决循环一致性中几何变换的内在模糊性问题，引入了两个辅助映射，分别定义为SA：A→Y和SB：B→Y，用于控制合成数据的几何不变性；这两个辅助映射能将来自各个图像域生成器的已转化的数据映射到共享形状空间Y，即语义标签空间，并且能够计算出像素的语义所有权；这两个映射由两个CNN表示，被称为分割器，作为生成器的额外监督，以保证形状一致性：
其中，yA，yB∈Y表示数据样本xA和xB的真实形状；N表示卷内像素总数；i表示第i个图像元素。
7.基于权利要求书5所述的生成器中产生的合成数据对分割器进行扩增，其特征在于，用在生成器中训练得到的合成数据{GB(xA)，yA}和{GA(xB)，yB}对分割器进行扩增，使其成为多模分割器以实现高效的卷分割；此过程在线上进行，能够保证训练期间合成数据的协调性，从而保证了分割器的性能表现。
8.基于权利要求书1所述的完全目标(三)，其特征在于，已知循环一致性损失函数和形状一致性损失函数，则完全目标可定义为：
其中，为对抗损失函数，可提高合成数据的定域实在性，在训练中，λ和γ为权重系数，λ取值为10，γ取值为1；DA，DB表示鉴别器。
9.基于权利要求书8所述的鉴别器，其特征在于，可用于在循环生成对抗网络中训练生成器；鉴别器通过批对抗生成网络对医学卷的局部重叠部分的真伪进行区分，能够精确地从卷中获取目标信息。
10.基于权利要求书1所述生成对抗网络的架构(四)，其特征在于，生成对抗网络的架构主要由具有实例归一化的3D完全卷积层和生成器的ReLU函数或者鉴别器的LeakyReLU函数组成；对于生成器，在U-net中使用远程跳过连接，以实现了更快的收敛和局部平滑的结果，然后通过一个3×3×3的卷积将转置卷积更换到最邻近上采样过程的步骤，以实现上采样和通道更改；对于分割器，通过最大池化层和最邻近上采样，完成3次对称下采样和上采样；对于每个分辨率，使用两个连续的3×3×3卷积。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810912886.5A CN109325951A (zh) | 2018-08-13 | 2018-08-13 | 一种基于生成对抗网络的转化和分割医学卷的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810912886.5A CN109325951A (zh) | 2018-08-13 | 2018-08-13 | 一种基于生成对抗网络的转化和分割医学卷的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109325951A true CN109325951A (zh) | 2019-02-12 |
Family
ID=65264225
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810912886.5A Pending CN109325951A (zh) | 2018-08-13 | 2018-08-13 | 一种基于生成对抗网络的转化和分割医学卷的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109325951A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886909A (zh) * | 2019-02-18 | 2019-06-14 | 上海健康医学院 | 一种基于ct图像合成pet-ct图像的方法 |
| CN109919831A (zh) * | 2019-02-13 | 2019-06-21 | 广州视源电子科技股份有限公司 | 一种用于将视网膜眼底图像在不同图像域中迁移的方法、电子设备及计算机可读存储介质 |
| CN109977922A (zh) * | 2019-04-11 | 2019-07-05 | 电子科技大学 | 一种基于生成对抗网络的行人掩模生成方法 |
| CN110288609A (zh) * | 2019-05-30 | 2019-09-27 | 南京师范大学 | 一种注意力机制引导的多模态全心脏图像分割方法 |
| CN112464578A (zh) * | 2021-01-28 | 2021-03-09 | 电子科技大学中山学院 | 一种用于剩余使用寿命预测退化数据的扩增方法 |
| CN112837215A (zh) * | 2021-03-31 | 2021-05-25 | 电子科技大学 | 一种基于生成对抗网络的图像形状变换方法 |
| CN113674330A (zh) * | 2021-07-12 | 2021-11-19 | 华南理工大学 | 一种基于生成对抗网络的伪ct影像生成系统 |
| CN114463320A (zh) * | 2022-02-17 | 2022-05-10 | 厦门大学 | 一种磁共振成像脑胶质瘤idh基因预测方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107909621A (zh) * | 2017-11-16 | 2018-04-13 | 深圳市唯特视科技有限公司 | 一种基于双生成对抗网络的医学图像合成方法 |
| CN108009628A (zh) * | 2017-10-30 | 2018-05-08 | 杭州电子科技大学 | 一种基于生成对抗网络的异常检测方法 |
-
2018
- 2018-08-13 CN CN201810912886.5A patent/CN109325951A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108009628A (zh) * | 2017-10-30 | 2018-05-08 | 杭州电子科技大学 | 一种基于生成对抗网络的异常检测方法 |
| CN107909621A (zh) * | 2017-11-16 | 2018-04-13 | 深圳市唯特视科技有限公司 | 一种基于双生成对抗网络的医学图像合成方法 |
Non-Patent Citations (1)
| Title |
|---|
| ZIZHAO ZHANG ET.AL: "Translating and Segmenting Multimodal Medical Volumes with Cycle- and Shape-Consistency Generative Adversarial Network", 《ARXIV:1802.09655V1 [CS.CV]》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919831A (zh) * | 2019-02-13 | 2019-06-21 | 广州视源电子科技股份有限公司 | 一种用于将视网膜眼底图像在不同图像域中迁移的方法、电子设备及计算机可读存储介质 |
| CN109919831B (zh) * | 2019-02-13 | 2023-08-25 | 广州视源电子科技股份有限公司 | 一种用于将视网膜眼底图像在不同图像域中迁移的方法、电子设备及计算机可读存储介质 |
| CN109886909A (zh) * | 2019-02-18 | 2019-06-14 | 上海健康医学院 | 一种基于ct图像合成pet-ct图像的方法 |
| CN109977922A (zh) * | 2019-04-11 | 2019-07-05 | 电子科技大学 | 一种基于生成对抗网络的行人掩模生成方法 |
| CN110288609A (zh) * | 2019-05-30 | 2019-09-27 | 南京师范大学 | 一种注意力机制引导的多模态全心脏图像分割方法 |
| CN110288609B (zh) * | 2019-05-30 | 2021-06-08 | 南京师范大学 | 一种注意力机制引导的多模态全心脏图像分割方法 |
| CN112464578A (zh) * | 2021-01-28 | 2021-03-09 | 电子科技大学中山学院 | 一种用于剩余使用寿命预测退化数据的扩增方法 |
| CN112837215A (zh) * | 2021-03-31 | 2021-05-25 | 电子科技大学 | 一种基于生成对抗网络的图像形状变换方法 |
| US12056841B2 (en) | 2021-03-31 | 2024-08-06 | University Of Electronic Science And Technology Of China | Method for image shape transformation based on generative adversarial network |
| CN113674330A (zh) * | 2021-07-12 | 2021-11-19 | 华南理工大学 | 一种基于生成对抗网络的伪ct影像生成系统 |
| CN114463320A (zh) * | 2022-02-17 | 2022-05-10 | 厦门大学 | 一种磁共振成像脑胶质瘤idh基因预测方法及系统 |
| CN114463320B (zh) * | 2022-02-17 | 2024-01-26 | 厦门大学 | 一种磁共振成像脑胶质瘤idh基因预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109325951A (zh) | 一种基于生成对抗网络的转化和分割医学卷的方法 | |
| Cao et al. | Region-adaptive deformable registration of CT/MRI pelvic images via learning-based image synthesis | |
| WO2022227407A1 (zh) | 一种基于注意力的联合图像与特征自适应的语义分割方法 | |
| CN107145910A (zh) | 医学影像的表现生成系统、其训练方法及表现生成方法 | |
| CN111325750B (zh) | 一种基于多尺度融合u型链神经网络的医学图像分割方法 | |
| CN114841320A (zh) | 一种基于喉镜医学影像的器官自动分割方法 | |
| Jin et al. | Object recognition in medical images via anatomy-guided deep learning | |
| CN117726614B (zh) | 一种质量感知网络与类注意力暹罗网络协同的医学融合图像质量评价方法 | |
| CN116152235A (zh) | 一种肺癌ct到pet的医学图像跨模态合成方法 | |
| Wu et al. | Image synthesis in contrast MRI based on super resolution reconstruction with multi-refinement cycle-consistent generative adversarial networks | |
| Ruan et al. | An efficient tongue segmentation model based on u-net framework | |
| Yu et al. | 3D Medical Image Segmentation based on multi-scale MPU-Net | |
| CN117853547A (zh) | 一种多模态的医学图像配准方法 | |
| CN114283152A (zh) | 图像处理、图像处理模型的训练方法、装置、设备及介质 | |
| CN117633558A (zh) | 基于视觉语言模型的多激励融合零样本病变检测方法 | |
| CN116797909A (zh) | 一种支持生成医学分割数据对的多阶段式生成对抗网络 | |
| Ma et al. | Amseg: A novel adversarial architecture based multi-scale fusion framework for thyroid nodule segmentation | |
| CN114298979B (zh) | 一种局灶性病变征象描述指导的肝核磁影像序列生成方法 | |
| Zhang et al. | Multi-scale neighborhood attention transformer on u-net for medical image segmentation | |
| CN115965785A (zh) | 图像分割方法、装置、设备、程序产品及介质 | |
| Pang et al. | Rethinking feature extraction: gradient-based localized feature extraction for end-to-end surgical downstream tasks | |
| CN114092643A (zh) | 一种基于混合现实与3dgan的软组织自适应形变方法 | |
| Shen et al. | HarDNet and dual-code attention mechanism based model for medical images segmentation | |
| WO2022120661A1 (zh) | 一种用于多任务医学图像合成的先验指导型网络 | |
| CN111598904B (zh) | 图像分割方法、装置、设备及存储介质 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190212 |
|
| WD01 | Invention patent application deemed withdrawn after publication |