CN109410219A - 一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质 - Google Patents
一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN109410219A CN109410219A CN201811173959.XA CN201811173959A CN109410219A CN 109410219 A CN109410219 A CN 109410219A CN 201811173959 A CN201811173959 A CN 201811173959A CN 109410219 A CN109410219 A CN 109410219A
- Authority
- CN
- China
- Prior art keywords
- data
- feature
- sampling
- convolution
- image
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000004927 fusion Effects 0.000 title claims abstract description 17
- 238000005192 partition Methods 0.000 title claims abstract description 12
- 238000003860 storage Methods 0.000 title claims description 6
- 238000005070 sampling Methods 0.000 claims abstract description 53
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 206010030113 Oedema Diseases 0.000 claims abstract description 7
- 230000001338 necrotic effect Effects 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000005481 NMR spectroscopy Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical compound CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005267 amalgamation Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 abstract description 3
- 238000013136 deep learning model Methods 0.000 abstract 2
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000012549 training Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 6
- 238000003709 image segmentation Methods 0.000 description 5
- 230000001575 pathological effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于特征金字塔融合的图像分割方法，用于对磁共振图像进行分析，将水肿、坏死组织与正常组织进行分割。该方法通过对数据进行预处理去除不包含水肿、坏死组织信息的磁共振层，然后为了防止过拟合进行数据增强，再把数据送入具有特征金字塔融合的深度学习模型中，首先利用下采样过程对数据进行特征提取，然后在上采样过程中逐渐恢复输入数据的分辨率，最后利用金字塔融合的方式把上采样过程中提取的多种尺度的信息进行融合得到分割结果。使用BraTS2015和BraTS2017两个数据集完成了实验，并做了5次交叉验证。与不使用金字塔融合的深度学习模型相比较后，本发明提出的方法分割精度明显提升，表明本发明提出的方法是有效的。
Description
技术领域
本发明涉及了一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质，属于图像处理领域。
背景技术
图像的语义分割是计算机视觉中重要的基本问题之一，其目标是对图像的每个像素点进行分类，将图像分割为若干个视觉上有意义的或感兴趣的区域,以利于后续的图像分析和视觉理解。可用于自动驾驶，美化图片，人脸建模，3D地图重建等。
传统的图像自动分割算法总体可分为阈值法、边缘检测法、区域增长法，分水岭算法、基于模型方法(水平集)或者综合使用多种方法。阈值法需要人工选取阈值，同时忽略掉了图像的空间信息。边缘检测法得到的分割结果是不连续的，且对噪声比较敏感，需要人工后处理。区域生长法需要人工设置种子点。当采用上述方法时，需要人工的干预来提取特征和模型训练，无法实现自动图像分割，同时模型对噪声比较敏感，使得分割结果存在较大的误差。近年来，以神经网络为基础的深度学习技术的发展和应用，极大地推动了图像分割的发展。相比以上算法，基于深度学习的图像分割方法，实现了端到端的模型，提升了图像处理效果，不需要人为的干预就能完成图像的分割。
基于深度学习的分割方法虽然克服了传统算法的中需要人为干预，对噪声敏感的缺点，在许多实际的分割问题中取得了不错的结果。通过图像分割方法，可将水肿、坏死组织与正常组织进行准确分割，对图像进行定量的分析以便更加准确的对病变进行定位。但是利用深度学习方法进行分割的话，输入数据经过多次卷积与下采样，病变组织信息在经过多次下采样之后失去了空间位置信息，这样在后续的上采样恢复图像的分辨率过程中，很难精确的分割出完整的病变组织，而且在医学影像中，存在多种尺度的病变组织信息，因此，如何有效的利用病变组织的位置信息和多尺度信息来完成病变组织精准的分割，是现在要解决的重要问题。
发明内容
基于卷积神经网络的图像分割方法在将输入数据经过多次卷积与下采样之后，得到特征图丢失了数据原有的位置信息，直接对其进行上采样恢复分辨率会影响分割精度。针对此问题，本发明提出了一种基于金字塔融合的神经网络方法，可以有效的利用数据的位置信息和多尺度信息，来提高图像分割的精度。
本发明的技术方案是：
一种基于金字塔融合学习的图像分割方法，将水肿、坏死组织与正常组织进行准确分割，该方法中，把经过预处理后的三维多模态的磁共振影像作为分割模型的输入数据，在下采样的过程中通过多个卷积块的运算完成特征提取，每一个块包括两个卷积层和一个下采样(MaxPooling)层，然后进行构建与下采样对称的上采样过程，通过跨层连接将下采样中每一个卷积块中的特征送至对称的上采样过程中，最后把上采样过程中每一个卷积块的特征图进行融合，得到最终的分割结果，具体步骤包括：
(一)采集磁共振影像数据，将每一个患者的Flair、T1、T1c、T2等四个模态的数据分别进行以下标准化处理，
X为输入数据，μ为输入数据的均值，σ为输入数据的方差，X′为标准化处理后的数据，然后将四个模态进行融合，每一个患者生成一个四通道的数据，即得到多模态数据；
(二)对步骤(一)得到的多模态数据进行下采样，每一个卷积块内有两个具有3×3卷积核的卷积层以及一个步长为2的下采样层，为了防止深度模型出现梯度弥散的现象，在每一个卷积层之后加入了一个批归一化层，通过多个卷积块的处理，输入图像的分辨率逐渐降低；
(三)为了恢复输入图像的分辨率进行上采样，上采样过程中，采用和下采样对称的结构，每一个卷积块内部具有两个3×3卷积核的卷积层和两个批归一化层以及一个步长为2的上采样层，上采样层把上一个卷积块的输出特征进行2倍上采样，然后与下采样路径中对称卷积块的特征按照通道维度级联在一起；
(四)为有效的利用特征的多尺度信息，采用特征金字塔融合的方式来完成模型的分割，把上采样过程中每一个卷积块输出的特征进行上采样，通过双线性插值获得与原始输入图像相同大小的特征，然后把它们进行逐像素相加，特征金字塔的融合方式如下所示：
H(x)＝H(x0)+H(x1)+....+H(xl)
H(xi)是第i个卷积块的输出特征，H代表卷积和上采样操作，
(五)最后把融合后的特征送入Softmax层完成每一个像素的分类，根据分类结果即可获得最终的分割图。
训练模型的过程中，把步骤(一)得到的数据集打乱后分成N份，每次取(N-1)份做训练，1份做验证，做N次交叉验证，得到最终实验结果。
与不采用特征金字塔融合进行分割的方法相比，本发明提出的方法的分割精度有明显提升，而且泛化性更好。
本发明还包括一种图像处理装置和一种计算机可读存储介质。
附图说明
图1是基于深度学习的图像分割方法示意框图；
图2是用本发明的图像分割模型的示意框图。
具体实施方式
下面结合附图和实例对本发明作进一步说明。
如图1所示，本发明基于深度学习的图像分割方法示意框图如下文所示：
(一)训练阶段：首先进行数据预处理，对多个模态的数据进行裁剪然后进行减均值除以方差的标准化操作。接着对模型进行初始化，准备训练模型。训练过程中计算模型的预测结果和标签之间的误差，然后更新参数，直到达到预设的迭代次数。将误差最小的模型保存至本地。
(二)测试阶段：首先进行预处理，对多个模态的数据进行裁剪然后进行减均值除以方差的标准化操作。接着加载训练阶段中保存的模型，将数据送入模型中，得到分割结果，并将分割结果显示出来。
如图2所示，本发明基于金字塔融合学习的图像分割方法具体步骤如下文所示：
(一)数据预处理：在标准BraTS数据集中，每一个样本包含4个模态的数据分别为Flair,T1,T1c,T2。每一个模态的数据大小为s×w×h×c,其中s、w、h、c分别代指医学影像的层数，宽度，高度和通道数，在本数据集中c＝1。首先依次读入样本的每一个模态的数据，对原始的MR图像进行裁剪。然后对数据进行减均值除以标准差的标准化操作。然后把样本的四个模态的数据按照通道维度堆叠在一起，生成s×160×160×4c的多模态图像。
(二)下采样：对输入的多模态数据进行下采样，每一个卷积块内有两个具有3×3卷积核的卷积层以及一个步长为2的下采样层。为了防止深度模型出现梯度弥散的现象，在每一个卷积层之后加入了一个批归一化层。输入图像经过一个卷积块的特征提取之后，图像的高度和宽度变为原来的1/2。经过整个下采样之后，模型的高度和宽度分别变为原来的1/16。
(三)为了恢复输入图像的分辨率，对下采样产生的特征进行上采样，如图2所示，上采样和下采样具有对称的结构。每一个卷积块内部具有两个3×3卷积层和两个批归一化层以及一个步长为2的上采样层。上采样过程中，第一个卷积块把下采样生成的特征进行2倍上采样，然后再把下采样过程中的特征通过跨层连接与上采样之后的特征进行级联。最后把当前卷积块生成的特征送入下一个卷积块，进行与第一个卷积块相同的操作。
(四)因为水肿、坏死组织具有多种尺度的信息，为了有效的利用特征的多尺度信息，采用特征金字塔融合的方式来完成模型的分割。把上采样过程中每一个卷积块输出的特征，通过双线性插值的方式获得与原始输入图像相同大小的特征，然后把它们进行逐像素相加，进行多种尺度的特征融合。特征金字塔的融合方式如下式所示：
H(x)＝H(x0)+H(x1)+....+H(xl)
H(xi)是第i个卷积块的输出特征，H代表卷积和上采样操作，
(五)最后把融合后的特征送入Softmax层完成每一个像素的分类，取每一个像素分类结果中概率值最大的索引值作为这个像素最终类别，根据分类结果即可获得最终的分割图。
训练模型的过程中，把步骤(一)得到的数据集打乱后分成N份，每次取(N-1)份做训练，1份做验证，做N次交叉验证，最后把N次实验结果取平均作为最终实验结果。
本发明还包括一种图像处理装置，该装置包括数据采集部件、存储器和处理器，其中，
所述数据采集部件采集磁共振影像数据，将每一个患者的Flair、T1、T1c、T2等四个模态的数据分别进行以下标准化处理，
X为输入数据，μ为输入数据的均值，σ为输入数据的方差，X′为标准化处理后的数据，然后将四个模态进行融合，每一个患者生成一个四通道的数据，即得到多模态数据；
所述存储器存储有计算机程序，所述程序被处理器执行时能够实现上述方法的步骤(二)至步骤(五)。
本发明还包括一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述方法的步骤。
本发明的效果可以通过实验结果进一步说明。
实验用的数据集为BraTS2015和BraTS2017，其中BraTS2015包含290个样本的多模态数据，BraTS2017包含里面包含285个样本的多模态数据。将数据集划分为训练集和测试集两部分，按照以上的方法在数据集上进行图像分割实验，并与不使用特征金字塔融合的方法进行比较，表1记录了水肿、坏死区域分割结果的DICE系数。从图中可以看到，采用本发明后，算法分割的准确度得到了有效提升，说明基于金字塔融合的分割方法比不使用金字塔融合的分割方法有效的利用了数据多尺度信息，从而有利于分割精度的提高。
表1
| 基于金字塔融合分割结果 | 基于UNet分割结果 | 基于VGG的分割结果 | |
| BraTS2015 | 90.90％ | 89.38％ | 89.14％ |
| BraTS2017 | 92.44％ | 90.72％ | 89.81％ |
Claims (3)
1.一种基于金字塔融合学习的图像分割方法，将水肿、坏死组织与正常组织进行准确分割，该方法中，把经过预处理后的三维多模态的磁共振影像作为分割模型的输入数据，在下采样的过程中通过多个卷积块的运算完成特征提取，每一个块包括两个卷积层和一个下采样层，然后进行构建与下采样对称的上采样过程，通过跨层连接将下采样中每一个卷积块中的特征送至对称的上采样过程中，最后把上采样过程中每一个卷积块的特征图进行融合，得到最终的分割结果，具体步骤包括：
(一)采集磁共振影像数据，将每一个患者的Flair、T1、T1c、T2等四个模态的数据分别进行以下标准化处理，
X为输入数据，μ为输入数据的均值，σ为输入数据的方差，X′为标准化处理后的数据，然后将四个模态进行融合，每一个患者生成一个四通道的数据，即得到多模态数据；
(二)对步骤(一)得到的多模态数据进行下采样，每一个卷积块内有两个具有3×3卷积核的卷积层以及一个步长为2的下采样层，为了防止深度模型出现梯度弥散的现象，在每一个卷积层之后加入了一个批归一化层，通过多个卷积块的处理，输入图像的分辨率逐渐降低；
(三)为了恢复输入图像的分辨率进行上采样，上采样过程中，采用和下采样对称的结构，每一个卷积块内部具有两个3×3卷积核的卷积层和两个批归一化层以及一个步长为2的上采样层，上采样层把上一个卷积块的输出特征进行2倍上采样，然后与下采样路径中对称卷积块的特征按照通道维度级联在一起；
(四)为有效的利用特征的多尺度信息，采用特征金字塔融合的方式来完成模型的分割，把上采样过程中每一个卷积块输出的特征进行上采样，通过双线性插值获得与原始输入图像相同大小的特征，然后把它们进行逐像素相加，特征金字塔的融合方式如下所示：
H(x)＝H(x0)+H(x1)+....+H(xl)
H(xi)是第i个卷积块的输出特征，H代表卷积和上采样操作，
(五)最后把融合后的特征送入Softmax层完成每一个像素的分类，根据分类结果即可获得最终的分割图。
2.一种图像处理装置，该装置包括数据采集部件、存储器和处理器，其中，
所述数据采集部件采集磁共振影像数据，将每一个患者的Flair、T1、T1c、T2等四个模态的数据分别进行以下标准化处理，
X为输入数据，μ为输入数据的均值，σ为输入数据的方差，X′为标准化处理后的数据，然后将四个模态进行融合，每一个患者生成一个四通道的数据，即得到多模态数据；
所述存储器存储有计算机程序，所述程序被处理器执行时能够实现权利要求1所述方法的步骤(二)至步骤(五)。
3.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811173959.XA CN109410219B (zh) | 2018-10-09 | 2018-10-09 | 一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811173959.XA CN109410219B (zh) | 2018-10-09 | 2018-10-09 | 一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109410219A true CN109410219A (zh) | 2019-03-01 |
| CN109410219B CN109410219B (zh) | 2021-09-03 |
Family
ID=65466904
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811173959.XA Active CN109410219B (zh) | 2018-10-09 | 2018-10-09 | 一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109410219B (zh) |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109978850A (zh) * | 2019-03-21 | 2019-07-05 | 华南理工大学 | 一种多模态医学影像半监督深度学习分割系统 |
| CN110111299A (zh) * | 2019-03-18 | 2019-08-09 | 国网浙江省电力有限公司信息通信分公司 | 锈斑识别方法及装置 |
| CN110223304A (zh) * | 2019-05-20 | 2019-09-10 | 山东大学 | 一种基于多路径聚合的图像分割方法、装置和计算机可读存储介质 |
| CN110544256A (zh) * | 2019-08-08 | 2019-12-06 | 北京百度网讯科技有限公司 | 基于稀疏特征的深度学习图像分割方法及装置 |
| CN110543890A (zh) * | 2019-07-22 | 2019-12-06 | 杭州电子科技大学 | 一种基于特征金字塔的深度神经网络图像匹配方法 |
| CN110675408A (zh) * | 2019-09-19 | 2020-01-10 | 成都数之联科技有限公司 | 基于深度学习的高分辨率影像建筑物提取方法及系统 |
| CN110852330A (zh) * | 2019-10-23 | 2020-02-28 | 天津大学 | 一种基于单阶段的行为识别方法 |
| CN111079620A (zh) * | 2019-12-10 | 2020-04-28 | 北京小蝇科技有限责任公司 | 基于迁移学习的白细胞图像检测识别模型构建方法及应用 |
| CN111145170A (zh) * | 2019-12-31 | 2020-05-12 | 电子科技大学 | 一种基于深度学习的医学影像分割方法 |
| CN111161269A (zh) * | 2019-12-23 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 图像分割方法、计算机设备和可读存储介质 |
| CN111160109A (zh) * | 2019-12-06 | 2020-05-15 | 北京联合大学 | 一种基于深度神经网络的道路分割方法及系统 |
| CN111181574A (zh) * | 2019-12-30 | 2020-05-19 | 浪潮(北京)电子信息产业有限公司 | 一种基于多层特征融合的端点检测方法、装置以及设备 |
| CN112163449A (zh) * | 2020-08-21 | 2021-01-01 | 同济大学 | 一种轻量化的多分支特征跨层融合图像语义分割方法 |
| CN112784660A (zh) * | 2019-11-01 | 2021-05-11 | 财团法人工业技术研究院 | 脸部影像重建方法与系统 |
| CN112836710A (zh) * | 2021-02-23 | 2021-05-25 | 浙大宁波理工学院 | 一种基于特征金字塔网络的房间布局估计获取方法与系统 |
| CN112884755A (zh) * | 2021-03-11 | 2021-06-01 | 北京理工大学 | 违禁品的检测方法及装置 |
| CN112991363A (zh) * | 2021-03-17 | 2021-06-18 | 泰康保险集团股份有限公司 | 脑肿瘤图像分割方法、装置、电子设备及存储介质 |
| CN113052775A (zh) * | 2021-03-31 | 2021-06-29 | 华南理工大学 | 一种图像去阴影方法及装置 |
| CN113111877A (zh) * | 2021-04-28 | 2021-07-13 | 奇瑞汽车股份有限公司 | 一种特征金字塔及其特征图像的提取方法 |
| CN113160152A (zh) * | 2021-04-06 | 2021-07-23 | 湖北工业大学 | 一种基于图像融合和阈值分割的冷冻电镜单颗粒挑选方法 |
| CN113837993A (zh) * | 2021-07-29 | 2021-12-24 | 天津中科智能识别产业技术研究院有限公司 | 轻量级虹膜图像分割方法、装置、电子设备及存储介质 |
| CN115423806A (zh) * | 2022-11-03 | 2022-12-02 | 南京信息工程大学 | 一种基于多尺度跨路径特征融合的乳腺肿块检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104182954A (zh) * | 2014-08-27 | 2014-12-03 | 中国科学技术大学 | 一种实时的多模态医学图像融合方法 |
| CN104835130A (zh) * | 2015-04-17 | 2015-08-12 | 北京联合大学 | 一种多曝光图像融合方法 |
| CN108550130A (zh) * | 2018-04-23 | 2018-09-18 | 南京邮电大学 | 一种图像金字塔模型的多尺度透射图融合方法 |
-
2018
- 2018-10-09 CN CN201811173959.XA patent/CN109410219B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104182954A (zh) * | 2014-08-27 | 2014-12-03 | 中国科学技术大学 | 一种实时的多模态医学图像融合方法 |
| CN104835130A (zh) * | 2015-04-17 | 2015-08-12 | 北京联合大学 | 一种多曝光图像融合方法 |
| CN108550130A (zh) * | 2018-04-23 | 2018-09-18 | 南京邮电大学 | 一种图像金字塔模型的多尺度透射图融合方法 |
Cited By (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110111299A (zh) * | 2019-03-18 | 2019-08-09 | 国网浙江省电力有限公司信息通信分公司 | 锈斑识别方法及装置 |
| CN109978850B (zh) * | 2019-03-21 | 2020-12-22 | 华南理工大学 | 一种多模态医学影像半监督深度学习分割系统 |
| CN109978850A (zh) * | 2019-03-21 | 2019-07-05 | 华南理工大学 | 一种多模态医学影像半监督深度学习分割系统 |
| CN110223304A (zh) * | 2019-05-20 | 2019-09-10 | 山东大学 | 一种基于多路径聚合的图像分割方法、装置和计算机可读存储介质 |
| CN110223304B (zh) * | 2019-05-20 | 2023-01-24 | 山东大学 | 一种基于多路径聚合的图像分割方法、装置和计算机可读存储介质 |
| CN110543890A (zh) * | 2019-07-22 | 2019-12-06 | 杭州电子科技大学 | 一种基于特征金字塔的深度神经网络图像匹配方法 |
| CN110544256A (zh) * | 2019-08-08 | 2019-12-06 | 北京百度网讯科技有限公司 | 基于稀疏特征的深度学习图像分割方法及装置 |
| CN110544256B (zh) * | 2019-08-08 | 2022-03-22 | 北京百度网讯科技有限公司 | 基于稀疏特征的深度学习图像分割方法及装置 |
| CN110675408A (zh) * | 2019-09-19 | 2020-01-10 | 成都数之联科技有限公司 | 基于深度学习的高分辨率影像建筑物提取方法及系统 |
| CN110852330A (zh) * | 2019-10-23 | 2020-02-28 | 天津大学 | 一种基于单阶段的行为识别方法 |
| CN112784660A (zh) * | 2019-11-01 | 2021-05-11 | 财团法人工业技术研究院 | 脸部影像重建方法与系统 |
| CN112784660B (zh) * | 2019-11-01 | 2023-10-24 | 财团法人工业技术研究院 | 脸部影像重建方法与系统 |
| CN111160109B (zh) * | 2019-12-06 | 2023-08-18 | 北京联合大学 | 一种基于深度神经网络的道路分割方法及系统 |
| CN111160109A (zh) * | 2019-12-06 | 2020-05-15 | 北京联合大学 | 一种基于深度神经网络的道路分割方法及系统 |
| CN111079620B (zh) * | 2019-12-10 | 2023-10-17 | 北京小蝇科技有限责任公司 | 基于迁移学习的白细胞图像检测识别模型构建方法及应用 |
| CN111079620A (zh) * | 2019-12-10 | 2020-04-28 | 北京小蝇科技有限责任公司 | 基于迁移学习的白细胞图像检测识别模型构建方法及应用 |
| CN111161269A (zh) * | 2019-12-23 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 图像分割方法、计算机设备和可读存储介质 |
| CN111161269B (zh) * | 2019-12-23 | 2024-03-22 | 上海联影智能医疗科技有限公司 | 图像分割方法、计算机设备和可读存储介质 |
| CN111181574A (zh) * | 2019-12-30 | 2020-05-19 | 浪潮(北京)电子信息产业有限公司 | 一种基于多层特征融合的端点检测方法、装置以及设备 |
| CN111145170B (zh) * | 2019-12-31 | 2022-04-22 | 电子科技大学 | 一种基于深度学习的医学影像分割方法 |
| CN111145170A (zh) * | 2019-12-31 | 2020-05-12 | 电子科技大学 | 一种基于深度学习的医学影像分割方法 |
| CN112163449A (zh) * | 2020-08-21 | 2021-01-01 | 同济大学 | 一种轻量化的多分支特征跨层融合图像语义分割方法 |
| CN112836710B (zh) * | 2021-02-23 | 2022-02-22 | 浙大宁波理工学院 | 一种基于特征金字塔网络的房间布局估计获取方法与系统 |
| CN112836710A (zh) * | 2021-02-23 | 2021-05-25 | 浙大宁波理工学院 | 一种基于特征金字塔网络的房间布局估计获取方法与系统 |
| CN112884755A (zh) * | 2021-03-11 | 2021-06-01 | 北京理工大学 | 违禁品的检测方法及装置 |
| CN112991363A (zh) * | 2021-03-17 | 2021-06-18 | 泰康保险集团股份有限公司 | 脑肿瘤图像分割方法、装置、电子设备及存储介质 |
| CN113052775A (zh) * | 2021-03-31 | 2021-06-29 | 华南理工大学 | 一种图像去阴影方法及装置 |
| CN113160152A (zh) * | 2021-04-06 | 2021-07-23 | 湖北工业大学 | 一种基于图像融合和阈值分割的冷冻电镜单颗粒挑选方法 |
| CN113160152B (zh) * | 2021-04-06 | 2023-09-15 | 湖北工业大学 | 一种基于图像融合和阈值分割的冷冻电镜单颗粒挑选方法 |
| CN113111877A (zh) * | 2021-04-28 | 2021-07-13 | 奇瑞汽车股份有限公司 | 一种特征金字塔及其特征图像的提取方法 |
| CN113837993B (zh) * | 2021-07-29 | 2024-01-30 | 天津中科智能识别产业技术研究院有限公司 | 轻量级虹膜图像分割方法、装置、电子设备及存储介质 |
| CN113837993A (zh) * | 2021-07-29 | 2021-12-24 | 天津中科智能识别产业技术研究院有限公司 | 轻量级虹膜图像分割方法、装置、电子设备及存储介质 |
| CN115423806A (zh) * | 2022-11-03 | 2022-12-02 | 南京信息工程大学 | 一种基于多尺度跨路径特征融合的乳腺肿块检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109410219B (zh) | 2021-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109410219A (zh) | 一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质 | |
| CN106600577B (zh) | 一种基于深度反卷积神经网络的细胞计数方法 | |
| CN114581662B (zh) | 一种脑肿瘤图像的分割方法、系统、装置及存储介质 | |
| CN111291825B (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
| CN108629736A (zh) | 用于设计超分辨率深度卷积神经网络的系统和方法 | |
| CN109493347A (zh) | 在图像中对稀疏分布的对象进行分割的方法和系统 | |
| CN106296699A (zh) | 基于深度神经网络和多模态mri图像的脑肿瘤分割方法 | |
| CN110310287A (zh) | 基于神经网络的危及器官自动勾画方法、设备和存储介质 | |
| CN110188792A (zh) | 前列腺mri三维图像的图像特征获取方法 | |
| CN111429460A (zh) | 图像分割方法、图像分割模型训练方法、装置和存储介质 | |
| CN111260705B (zh) | 一种基于深度卷积神经网络的前列腺mr图像多任务配准方法 | |
| CN106408001A (zh) | 基于深度核哈希的感兴趣区域快速检测方法 | |
| CN113628220B (zh) | 基于改进的U-Net网络对MRI脑肿瘤图像的分割方法及系统 | |
| CN112348830B (zh) | 基于改进3D U-Net的多器官分割方法 | |
| CN103699904A (zh) | 多序列核磁共振影像的图像计算机辅助判断方法 | |
| CN110782427A (zh) | 基于可分离空洞卷积的磁共振脑肿瘤自动分割方法 | |
| CN111210444A (zh) | 多模态磁共振影像的分割方法、装置及介质 | |
| CN114972254A (zh) | 一种基于卷积神经网络的宫颈细胞图像分割方法 | |
| CN116188479B (zh) | 基于深度学习的髋关节图像分割方法及系统 | |
| Yonekura et al. | Improving the generalization of disease stage classification with deep CNN for glioma histopathological images | |
| Huang et al. | Style-invariant cardiac image segmentation with test-time augmentation | |
| Huang et al. | Automatic Retinal Vessel Segmentation Based on an Improved U‐Net Approach | |
| CN117372458B (zh) | 三维脑肿瘤分割方法、装置、计算机设备和存储介质 | |
| CN114529562A (zh) | 一种基于辅助学习任务与重分割约束的医学图像分割方法 | |
| CN116664590A (zh) | 基于动态对比增强磁共振图像的自动分割方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |