CN109377497A - 一种低场强胃部mri图像的分割装置及方法 - Google Patents

一种低场强胃部mri图像的分割装置及方法 Download PDF

Info

Publication number
CN109377497A
CN109377497A CN201810942706.8A CN201810942706A CN109377497A CN 109377497 A CN109377497 A CN 109377497A CN 201810942706 A CN201810942706 A CN 201810942706A CN 109377497 A CN109377497 A CN 109377497A
Authority
CN
China
Prior art keywords
image
stomach
magnetic resonance
resonance imaging
field intensity
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
Application number
CN201810942706.8A
Other languages
English (en)
Inventor
缑水平
张晓鹏
孟祥海
毛莎莎
焦昶哲
刘波
刘伟
李国栋
马文萍
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN201810942706.8A priority Critical patent/CN109377497A/zh
Publication of CN109377497A publication Critical patent/CN109377497A/zh
Pending legal-status Critical Current

Links

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
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/30092—Stomach; Gastric

Abstract

本发明公开了一种低场强胃部核磁共振成像MRI图像的分割装置及方法，其实现的思路是：标注待分割的低场强胃部核磁共振成像MRI图像；将低场强胃部核磁共振成像MRI图像及其对应的标注图像进行扩充；将低场强胃部核磁共振成像MRI图像的像素值映射到区间[0,1]；构建一个w‑U‑Net分割网络；用归一化后的图像训练w‑U‑Net分割网络；利用训练好的w‑U‑Net分割网络分割出低场强胃部核磁共振成像MRI图像中的胃部区域。本发明构建的w‑U‑Net分割网络利用加权交叉熵损失函数，区别对待胃部区域和非胃部区域的分类损失，使得胃部区域分类错误具有更高的损失，对低场强胃部核磁共振成像MRI图像中的胃部区域定位更加准确，分割精度更高、速度更快。

Description

一种低场强胃部MRI图像的分割装置及方法
技术领域
本发明属于图像处理技术领域，更进一步涉及图像分割技术领域中的一种低场强胃部核磁共振成像MRI(Magnatic Resonance Imaging)图像的分割装置及方法。本发明可用于从核磁共振成像MRI设备成像时磁场强度低于0.5T的低场强胃部核磁共振成像MRI图像中分割胃部区域。
背景技术
在各种型号的核磁共振成像MRI中，使用磁场强度在0.5T以下的称为低场强核磁共振成像MRI。相比于0.5T以上的高场强核磁共振成像MRI，其扫描空间更大，可以做成开放式的，且对周围仪器的影响较小，适用于术中治疗成像，辅助放化疗。然而，低场强胃部核磁共振成像MRI图像的空间对比度和分辨率比高场强核磁共振成像MRI图像低得多，使得对低场强胃部核磁共振成像MRI图像中胃部区域的分割精度低。
辽宁师范大学在其申请的专利文献“基于混合活动轮廓模型的医学图像分割方法”(公开号：CN108109143A，申请号：CN201711407880.4，申请日：2017年12月22日)中公开了一种基于混合活动轮廓模型的医学图像分割方法。该方法首先初始化水平集函数，然后对基于全局信息的活动轮廓模型和基于局部信息的模型进行了改进，结合两个模型各自的优点，提出了基于混合活动轮廓模型的医学图像分割方法。该方法可以分割对比度低、结构复杂的医学图像，而且对于包含噪声、弱边缘和异质区域的图像也能获得较好的分割效果。但是，该方法仍然存在的不足之处是，对待分割图像的初始区域的选择比较敏感，将会陷入局部最优而无法获得最佳的分割效果。
青岛黄海学院在其申请的专利文献“基于FCM算法融合改进GSA算法的医学图像分割方法”(公开号：CN107492092A，申请号：CN201710567921.X，申请日：2017年07月13日)中公开了一种基于FCM算法融合改进GSA算法的医学图像分割方法。该方法通过利用空间模糊c均值聚类算法将图像像素分成均匀的区域，融合GSA算法，将改进GSA算法纳入模糊c均值聚类算法中，以找到最优聚类中心，使模糊c均值聚类的适应度函数值最小，从而提高分割效果。但是，该方法仍然存在的不足之处是，由于该方法使用模糊c均值聚类算法将图像像素分成均匀的区域，使得分割速度较慢，对低场强核磁共振成像MRI图像中的噪声比较敏感。
发明内容
本发明的目的在于针对上述现有技术的不足，提出了一种低场强胃部核磁共振成像MRI图像分割装置及方法。
实现本发明目的的思路是，先标注待分割的低场强胃部核磁共振成像MRI图像；将低场强胃部核磁共振成像MRI图像及其对应的标注图像进行扩充；将低场强胃部核磁共振成像MRI图像的像素值映射到区间[0,1]；构建一个w-U-Net分割网络，所述w-U-Net分割网络利用加权交叉熵损失函数，区别对待胃部区域和非胃部区域的分类损失，对低场强胃部核磁共振成像MRI图像中的胃部区域定位更加准确；用归一化后的图像训练w-U-Net分割网络；利用训练好的w-U-Net分割网络分割出低场强胃部核磁共振成像MRI图像中的胃部区域。
本发明的装置包括图像标注模块、图像增广模块、图像归一化模块、图像显示模块，图像分割模块；其中：
所述图像标注模块，用于生成与低场强胃部核磁共振成像MRI图像对应的标注图像；
所述图像增广模块，用于扩充低场强胃部核磁共振成像MRI图像及其对应的标注图像；
所述图像归一化模块，用于将低场强胃部核磁共振成像MRI图像的像素值映射到区间[0,1]；
所述图像分割模块，用于分割归一化后的低场强胃部核磁共振成像MRI图像中的胃部区域；
所述图像显示模块，用于显示经过w-U-Net分割网络分割后的胃部图像。
本发明方法的具体步骤包括如下：
(1)标注图像：
(1a)图像标注模块通过人工操作依次在每一幅胃部核磁共振成像MRI图像中勾画出胃部区域；
(1b)将胃部区域内的所有像素点的值设置为1，非胃部区域的像素点的值设置为0，将设置完像素点值后的图像作为与每一幅胃部核磁共振成像MRI图像对应的标注图像；
(2)扩充低场强胃部核磁共振成像MRI图像及其对应的标注图像：
图像增广模块对每一幅低场强胃部核磁共振成像MRI图像与其对应的标注图像分别进行增广操作，得到3幅新的低场强胃部核磁共振成像MRI图像与3幅对应的新的标注图像；
(3)归一化低场强胃部核磁共振成像MRI图像：
图像归一化模块利用归一化公式，对扩充后的低场强胃部核磁共振成像MRI图像进行归一化，将低场强胃部核磁共振成像MRI图像的像素值映射到区间[0,1]；
(4)生成低场强胃部核磁共振成像MRI图像训练样本集：
将每幅归一化后的胃部核磁共振成像MRI图像及其对应的标注图像组成一个数据对，将所有数据对均分10份，其中随机选择8份组成训练样本集，2份作为测试样本集；
(5)生成w-U-Net分割网络：
将U-Net分割网络的卷积层运算模式设置为“same”，并设置损失函数为加权交叉熵损失函数，生成w-U-Net分割网络；
(6)训练w-U-Net分割网络：
(6a)从训练样本集中依次选择17个数据对组成一个训练批次；
(6b)w-U-Net分割网络，对输入到w-U-Net分割网络中的训练批次，进行前向传播，输出w-U-Net分割网络分割后的图像；
(6c)利用加权交叉熵损失函数，计算经过w-U-Net分割网络分割后的图像与对应标注图像之间的加权交叉熵损失；
(6d)利用Adam算法，优化加权交叉熵损失函数，得到w-U-Net分割网络的权值偏置；
(6e)将权值偏置与w-U-Net分割网络中的权值相加；
(6f)用相加后的权值替换w-U-Net分割网络中的权值；
(6g)判断w-U-Net分割网络的交叉熵损失是否大于0.07，若是，则执行步骤(6b)；否则，得到训练好的w-U-Net分割网络后执行步骤(7)；
(7)分割图像：
(7a)图像分割模块将归一化后的低场强胃部核磁共振成像MRI图像输入w-U-Net分割网络；
(7b)w-U-Net分割网络对输入的图像进行前向传播，得到分割后的胃部图像；
(8)图像显示模块显示分割网络分割后的胃部图像。
本发明与现有技术相比具有以下优点：
第一，由于本发明装置中的图像分割模块，可用于利用加权交叉熵损失函数计算w-U-Net分割网络的损失，使得w-U-Net分割网络能够对胃部区域和非胃部区域的损失区别对待，胃部区域分割错误具有更高的代价，对胃部区域的定位更加准确，克服了现有技术中对待分割图像的初始区域的选择与噪声比较敏感的缺点，使得本发明对低场强胃部核磁共振成像MRI图像中的胃部区域分割更加准确。
第二，由于本发明方法中的w-U-Net分割网络的训练样本是核磁共振成像MRI设备成像时磁场强度低于0.5T的低场强胃部核磁共振成像MRI图像，克服了现有技术只能对核磁共振成像MRI设备成像时磁场强度高于0.5T的常规场强胃部核磁共振成像MRI图像进行分割的不足，使得本发明对低场强胃部核磁共振成像MRI图像的分割精度更高。
第三，由于本发明方法中的w-U-Net分割网络是一个端到端形式的深度网络模型，直接输入待分割的低场强胃部核磁共振成像MRI图像即可输出分割结果，克服了现有技术分割速度慢的缺点，使得本发明对单幅低场强胃部核磁共振成像MRI图像的分割时间≤0.2秒，提高了对单幅低场强胃部核磁共振成像MRI图像的分割速度。
附图说明
图1是本发明装置的模块示意图；
图2是本发明方法的流程图；
图3是本发明仿真图。
具体实施方式
下面结合附图对本发明做进一步的详细描述。
参照附图1，对本发明的装置做进一步的详细描述。
包括图像标注模块、图像增广模块、图像归一化模块、图像显示模块，其特征在于，还包括图像分割模块；其中：
所述图像标注模块，用于生成与低场强胃部核磁共振成像MRI图像对应的标注图像；
所述图像增广模块，用于扩充低场强胃部核磁共振成像MRI图像及其对应的标注图像；
所述图像归一化模块，用于将低场强胃部核磁共振成像MRI图像的像素值映射到区间[0,1]；
所述图像分割模块，用于分割归一化后的低场强胃部核磁共振成像MRI图像中的胃部区域；
所述图像显示模块，用于显示经过w-U-Net分割网络分割后的胃部图像。
参照附图2，对本发明的方法做进一步的详细描述。
步骤1，标注图像。
图像标注模块通过人工操作依次在每一幅胃部核磁共振成像MRI图像中勾画出胃部区域；
将胃部区域内的所有像素点的值设置为1，非胃部区域的像素点的值设置为0，将设置完像素点值后的图像作为与每一幅胃部核磁共振成像MRI图像对应的标注图像；
步骤2，扩充低场强胃部核磁共振成像MRI图像及其对应的标注图像。
图像增广模块对每一幅低场强胃部核磁共振成像MRI图像与其对应的标注图像分别进行增广操作，得到3幅新的低场强胃部核磁共振成像MRI图像与3幅对应的新的标注图像；
所述增广操作是指，将图像逆时针旋转180度、垂直旋转180度、水平旋转180度，得到三张增广后的图像。
步骤3，归一化低场强胃部核磁共振成像MRI图像。
图像归一化模块利用归一化公式，对扩充后的低场强胃部核磁共振成像MRI图像进行归一化，将低场强胃部核磁共振成像MRI图像的像素值映射到区间[0,1]；
所述归一化公式如下：
其中，表示归一化后的低场强胃部核磁共振成像MRI图像在第i行第j列的像素点值，X(i,j)表示低场强胃部核磁共振成像MRI图像在第i行第j列的像素点灰度值，X表示低场强胃部核磁共振成像MRI图像矩阵，min(X)表示低场强胃部核磁共振成像MRI图像中所有像素点的最小值，max(X)表示低场强胃部核磁共振成像MRI图像中所有像素点的最大值。
步骤4，生成低场强胃部核磁共振成像MRI图像训练样本集。
将每幅归一化后的胃部核磁共振成像MRI图像及其对应的标注图像组成一个数据对，将所有数据对均分10份，其中随机选择8份组成训练样本集，2份作为测试样本集；
步骤5，生成w-U-Net分割网络。
将U-Net分割网络的卷积层运算模式设置为“same”，并设置损失函数为加权交叉熵损失函数，生成w-U-Net分割网络；
步骤6，训练w-U-Net分割网络。
从训练样本集中依次选择17个数据对组成一个训练批次；
w-U-Net分割网络，对输入到w-U-Net分割网络中的训练批次，进行前向传播，输出w-U-Net分割网络分割后的图像；
利用加权交叉熵损失函数，计算经过w-U-Net分割网络分割后的图像与对应标注图像之间的加权交叉熵损失；
所述加权交叉熵损失函数如下：
其中，J(θ)表示经过网络的输出图像与标注图像的交叉损失，m表示网络训练每次输入的批大小；hθ(·)表示网络建模函数，x(i)表示第i个低场强胃部核磁共振成像MRI图像样本，hθ(x(i))表示网络对第i个低场强胃部核磁共振成像MRI图像样本的分割结果，y(i)表示其对应的标注图像，θ表示网络的连接权值。
利用Adam算法，优化加权交叉熵损失函数，得到w-U-Net分割网络的权值偏置；
将权值偏置与w-U-Net分割网络中的权值相加；
用相加后的权值替换w-U-Net分割网络中的权值；
判断w-U-Net分割网络的交叉熵损失是否大于0.07，若是，则执行步骤6；否则，得到训练好的w-U-Net分割网络后执行步骤7；
步骤7，分割图像。
图像分割模块将归一化后的低场强胃部核磁共振成像MRI图像输入w-U-Net分割网络；
w-U-Net分割网络对输入的图像进行前向传播，得到分割后的胃部图像；
步骤8，图像显示模块显示分割网络分割后的胃部图像。
本发明的效果可通过以下仿真进一步说明。
1.仿真条件：
本发明的仿真试验是在计算机硬件配置为3.2GHz Intel Core i7-6900K CPU，Nvidia Titan X Pascal GPU，64GB内存的硬件环境和计算机软件配置为Pyhton3.5Spyder，Cuda 8.0，Cudnn v6.0的软件环境下进行的。
2.仿真内容：
本发明的仿真是用本发明的装置和本发明的方法，用194幅低场强胃部核磁共振成像MRI图像训练w-U-Net分割网络，然后用训练好的w-U-Net分割网络对24幅低场强胃部核磁共振成像MRI图像进行仿真。
本发明所使用的194幅低场强胃部核磁共振成像MRI图像，在核磁共振设备成像时的磁场强度为0.3T，成像层厚度为3mm，图像大小为300×334。依次对每幅图像进行标注，得到与每幅图像对应的标注图像。从194幅低场强胃部核磁共振成像MRI图像中随机挑选24幅低场强胃部核磁共振成像MRI图像作为w-U-Net分割网络的测试样本集，剩下的图像用来训练w-U-Net分割网络。图3(a)是从测试样本集中随机选取的一个样本。将图3(a)输入训练好的w-U-Net分割网络，w-U-Net分割网络经过前向传播，输出如图3(b)所示的分割结果图。
3.仿真效果分析：
利用下述的Dice相似性系数公式，计算w-U-Net分割网络分割后的分割结果与其对应的标注图像之间的Dice相似性系数：
其中，Dice表示Dice相似性系数，∩表示求交集操作，Sr表示w-U-Net分割网络分割后的分割结果，Sm表示标注图像，|Sr∩Sm|表示Sr与Sm交集中像素点的总数，|Sr|表示Sr中像素点的总数，|Sm|表示Sm中像素点的总数。
利用下述的灵敏度公式，计算w-U-Net分割网络分割后的分割结果与其对应的标注图像之间的灵敏度：
其中，Sen表示灵敏度，Sr表示w-U-Net分割网络分割后的分割结果，∩表示求交集，Sm表示标注图像，|Sr∩Sm|表示Sr与Sm交集中像素点的总数。
Dice相似性系数与灵敏度的计算结果如表1。
表1.Dice相似性系数与灵敏度对比表
Dice相似性系数 灵敏度
测试样本 0.8926 0.9356
表1为本发明在测试样本得到的Dice相似性系数与灵敏度对比表，以上结果表明：本发明使用低场强胃部核磁共振成像MRI图像作为训练数据，并利用加权交叉熵损失函数计算w-U-Net分割网络的损失，使得w-U-Net分割网络能够对低场强胃部核磁共振成像MRI图像中的胃部区域和非胃部区域的损失区别对待，对胃部区域的定位更加准确，分割精度更高。

Claims (5)

1.一种低场强胃部核磁共振成像MRI图像分割装置，包括图像标注模块、图像增广模块、图像归一化模块、图像显示模块，其特征在于，还包括图像分割模块；其中：
所述图像标注模块，用于生成与低场强胃部核磁共振成像MRI图像对应的标注图像；
所述图像增广模块，用于扩充低场强胃部核磁共振成像MRI图像及其对应的标注图像；
所述图像归一化模块，用于将低场强胃部核磁共振成像MRI图像的像素值映射到区间[0,1]；
所述图像分割模块，用于分割归一化后的低场强胃部核磁共振成像MRI图像中的胃部区域；
所述图像显示模块，用于显示经过w-U-Net分割网络分割后的胃部图像。
2.一种低场强胃部核磁共振成像MRI图像分割方法，其特征在于，构建一个w-U-Net网络，利用加权交叉熵损失函数区别对待对胃部区域和非胃部区域的分类损失，实现对低场强胃部核磁共振成像MRI图像分割；该方法的具体步骤包括如下：
(1)标注图像：
(1a)图像标注模块通过人工操作依次在每一幅胃部核磁共振成像MRI图像中勾画出胃部区域；
(1b)将胃部区域内的所有像素点的值设置为1，非胃部区域的像素点的值设置为0，将设置完像素点值后的图像作为与每一幅胃部核磁共振成像MRI图像对应的标注图像；
(2)扩充低场强胃部核磁共振成像MRI图像及其对应的标注图像：
图像增广模块对每一幅低场强胃部核磁共振成像MRI图像与其对应的标注图像分别进行增广操作，得到3幅新的低场强胃部核磁共振成像MRI图像与3幅对应的新的标注图像；
(3)归一化低场强胃部核磁共振成像MRI图像：
图像归一化模块利用归一化公式，对扩充后的低场强胃部核磁共振成像MRI图像进行归一化，将低场强胃部核磁共振成像MRI图像的像素值，映射到[0,1]区间；
(4)生成低场强胃部核磁共振成像MRI图像训练集：
将每幅归一化后的胃部核磁共振成像MRI图像及其对应的标注图像组成一个数据对，将所有数据对均分10份，其中随机选择8份组成训练样本集，2份作为测试样本集；
(5)生成w-U-Net分割网络：
将U-Net分割网络的卷积层运算模式设置为“same”，并设置损失函数为加权交叉熵损失函数，生成w-U-Net分割网络；
(6)训练w-U-Net分割网络：
(6a)从训练样本集中依次选择17个数据对组成一个训练批次；
(6b)w-U-Net分割网络，对输入到w-U-Net分割网络中的训练批次，进行前向传播，输出w-U-Net分割网络分割后的图像；
(6c)利用加权交叉熵损失函数，计算经过w-U-Net分割网络分割后的图像与对应标注图像之间的加权交叉熵损失；
(6d)利用Adam算法，优化加权交叉熵损失函数，得到w-U-Net分割网络的权值偏置；
(6e)将权值偏置与w-U-Net分割网络中的权值相加；
(6f)用相加后的权值替换w-U-Net分割网络中的权值；
(6g)判断w-U-Net分割网络的交叉熵损失是否大于0.07，若是，则执行步骤(6b)；否则，得到训练好的w-U-Net分割网络后执行步骤(7)；
(7)分割图像：
(7a)图像分割模块将归一化后的低场强胃部核磁共振成像MRI图像输入w-U-Net分割网络；
(7b)w-U-Net分割网络对输入的图像进行前向传播，得到分割后的胃部图像；
(8)图像显示模块显示分割网络分割后的胃部图像。
3.根据权利要求2所述的一种低场强胃部核磁共振成像MRI图像分割方法，其特征在于，步骤(2)中所述增广操作是指，将图像逆时针旋转180度、垂直旋转180度、水平旋转180度，得到三张增广后的图像。
4.根据权利要求2所述的一种低场强胃部核磁共振成像MRI图像分割方法，其特征在于，步骤(3)中所述归一化公式如下：
其中，表示归一化后的低场强胃部核磁共振成像MRI图像在第i行第j列的像素点值，X(i,j)表示低场强胃部核磁共振成像MRI图像在第i行第j列的像素点灰度值，X表示低场强胃部核磁共振成像MRI图像矩阵，min(X)表示低场强胃部核磁共振成像MRI图像中所有像素点的最小值，max(X)表示低场强胃部核磁共振成像MRI图像中所有像素点的最大值。
5.根据权利要求2所述的一种低场强胃部核磁共振成像MRI图像分割方法，其特征在于，步骤(6c)中所述加权交叉熵损失函数如下：
其中，J(θ)表示经过网络的输出图像与标注图像的交叉损失，m表示网络训练每次输入的批大小，hθ(·)表示网络建模函数，x(i)表示第i个低场强胃部核磁共振成像MRI图像样本，hθ(x(i))表示网络对第i个低场强胃部核磁共振成像MRI图像样本的分割结果，y(i)表示其对应的标注图像，θ表示网络的连接权值。
CN201810942706.8A 2018-08-17 2018-08-17 一种低场强胃部mri图像的分割装置及方法 Pending CN109377497A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810942706.8A CN109377497A (zh) 2018-08-17 2018-08-17 一种低场强胃部mri图像的分割装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810942706.8A CN109377497A (zh) 2018-08-17 2018-08-17 一种低场强胃部mri图像的分割装置及方法

Publications (1)

Publication Number Publication Date
CN109377497A true CN109377497A (zh) 2019-02-22

Family

ID=65404604

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810942706.8A Pending CN109377497A (zh) 2018-08-17 2018-08-17 一种低场强胃部mri图像的分割装置及方法

Country Status (1)

Country Link
CN (1) CN109377497A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102276A (zh) * 2020-09-10 2020-12-18 西安电子科技大学 基于迁移学习图像增强的低场强mr胃部分割方法
CN116597041A (zh) * 2023-07-17 2023-08-15 首都医科大学附属北京天坛医院 一种脑血管病核磁影像清晰度优化方法、系统及电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509296A (zh) * 2011-11-10 2012-06-20 西安电子科技大学 基于最大相似性区域合并的胃部ct图像交互式分割方法
CN106097355A (zh) * 2016-06-14 2016-11-09 山东大学 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法
CN107330480A (zh) * 2017-07-03 2017-11-07 贵州大学 手写字符计算机识别方法
CN107358608A (zh) * 2017-08-23 2017-11-17 西安邮电大学 基于图像处理技术的骨组织几何形态学参数自动测量装置及方法
CN107358626A (zh) * 2017-07-17 2017-11-17 清华大学深圳研究生院 一种利用条件生成对抗网络计算视差的方法
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
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
CN107958271A (zh) * 2017-12-06 2018-04-24 电子科技大学 基于膨胀卷积的多尺度特征的皮肤病变深度学习识别系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509296A (zh) * 2011-11-10 2012-06-20 西安电子科技大学 基于最大相似性区域合并的胃部ct图像交互式分割方法
CN106097355A (zh) * 2016-06-14 2016-11-09 山东大学 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法
CN107330480A (zh) * 2017-07-03 2017-11-07 贵州大学 手写字符计算机识别方法
CN107358626A (zh) * 2017-07-17 2017-11-17 清华大学深圳研究生院 一种利用条件生成对抗网络计算视差的方法
CN107358608A (zh) * 2017-08-23 2017-11-17 西安邮电大学 基于图像处理技术的骨组织几何形态学参数自动测量装置及方法
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
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
CN107958271A (zh) * 2017-12-06 2018-04-24 电子科技大学 基于膨胀卷积的多尺度特征的皮肤病变深度学习识别系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SHUIPING GOU等: "《Feasibility of automated 3-dimensional magnetic resonance imaging pancreas segmentation》", 《ADVANCES IN RADIATION ONCOLOGY》 *
刘哲 等: "《结合改进的U-Net和Morphsnakes的肝脏分割》", 《中国图象图形学报》 *
周鲁科 等: "《基于U-net 网络的肺部肿瘤图像分割算法研究》", 《信息与电脑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102276A (zh) * 2020-09-10 2020-12-18 西安电子科技大学 基于迁移学习图像增强的低场强mr胃部分割方法
CN112102276B (zh) * 2020-09-10 2023-03-28 西安电子科技大学 基于迁移学习图像增强的低场强mr胃部分割方法
CN116597041A (zh) * 2023-07-17 2023-08-15 首都医科大学附属北京天坛医院 一种脑血管病核磁影像清晰度优化方法、系统及电子设备
CN116597041B (zh) * 2023-07-17 2023-09-15 首都医科大学附属北京天坛医院 一种脑血管病核磁影像清晰度优化方法、系统及电子设备

Similar Documents

Publication Publication Date Title
CN100550004C (zh) 一种对包含感兴趣区的三维医疗图像进行分割的方法
CN107440730B (zh) 乳房影像对位方法与影像处理装置
CN102496156B (zh) 基于协同量子粒子群算法的医学图像分割方法
CN100349173C (zh) 用支持向量机多类分类器搜索特征点新位置的方法
CN109754404A (zh) 一种基于多注意力机制的端到端的肿瘤分割方法
CN109493346A (zh) 一种基于多损失的胃癌病理切片图像分割方法和装置
CN106485695A (zh) 基于统计形状模型的医学图像Graph Cut分割方法
CN111833237B (zh) 基于卷积神经网络和局部单应性变换的图像配准方法
CN106204587A (zh) 基于深度卷积神经网络和区域竞争模型的多器官分割方法
CN106778005A (zh) 基于多参数mri的前列腺癌计算机辅助检测方法及系统
CN109009110A (zh) 基于mri影像的腋窝淋巴结转移预测系统
CN105405119B (zh) 基于深度置信网络和三维模型的胎儿正中矢状面自动检测方法
CN110010229B (zh) 一种基于生成对抗网络的超声影像模拟方法
US20220335600A1 (en) Method, device, and storage medium for lesion segmentation and recist diameter prediction via click-driven attention and dual-path connection
CN109508787A (zh) 用于超声位移估计的神经网络模型训练方法及系统
CN115578404B (zh) 一种基于深度学习的肝脏肿瘤图像增强和分割的方法
CN108122221A (zh) 弥散加权成像图像中脑缺血区域的分割方法及装置
CN109377497A (zh) 一种低场强胃部mri图像的分割装置及方法
CN109215040A (zh) 一种基于多尺度加权学习的乳腺肿瘤分割方法
CN104545999B (zh) 一种超声图像膀胱容积测量方法及装置
CN111783792A (zh) 一种提取b超图像显著纹理特征的方法及其应用
CN103930924B (zh) 图像处理方法
CN108564044A (zh) 一种确定肺结节密度的方法及装置
CN111080658A (zh) 基于可形变配准和dcnn的宫颈mri图像分割方法
CN109671055A (zh) 肺结节检测方法及装置

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: 20190222

WD01 Invention patent application deemed withdrawn after publication