CN109509178A - 一种基于改进的U-net网络的OCT图像脉络膜分割方法 - Google Patents

一种基于改进的U-net网络的OCT图像脉络膜分割方法 Download PDF

Info

Publication number
CN109509178A
CN109509178A CN201811240108.2A CN201811240108A CN109509178A CN 109509178 A CN109509178 A CN 109509178A CN 201811240108 A CN201811240108 A CN 201811240108A CN 109509178 A CN109509178 A CN 109509178A
Authority
CN
China
Prior art keywords
choroid
net network
improved
image
oct 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
Application number
CN201811240108.2A
Other languages
English (en)
Other versions
CN109509178B (zh
Inventor
陈新建
石霏
成雪娜
朱伟芳
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.)
Suzhou University
Original Assignee
Suzhou 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 Suzhou University filed Critical Suzhou University
Priority to CN201811240108.2A priority Critical patent/CN109509178B/zh
Publication of CN109509178A publication Critical patent/CN109509178A/zh
Application granted granted Critical
Publication of CN109509178B publication Critical patent/CN109509178B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background 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
    • G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30041—Eye; Retina; Ophthalmic

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于改进的U‑net网络的OCT图像脉络膜分割方法，该U‑net网络主要改进点包括：(1)通过在网络中增加编码器和译码器的数量来提取更多特征信息；(2)在编码器后面加入精致残差块来增强每一层识别能力；(3)在译码器后面加入注意力模块让高层语义信息指导底层细节信息；(4)损失函数采用传统的L2损失和Dice损失结合来共同约束网络模型，采用本发明改进的U‑net网络可以自动分割无论是正常人眼还是病理性近视人眼脉络膜的上下边界，并且分割结果准确性高。

Description

一种基于改进的U-net网络的OCT图像脉络膜分割方法
技术领域
本发明涉及一种基于改进的U-net网络的OCT图像脉络膜分割方法，属于眼底图像分割技术领域。
背景技术
以1050纳米为中心波长的扫频光学相干断层成像(SS-OCT)是一种成像时间短，具有实时性，活检性，高分辨率等优点的最新眼底三维扫描技术。所采集的大视野图像扫描范围包括黄斑中心和视神经乳头(ONH)区域。图像中能够显示完整的脉络膜组织以及部分巩膜结构。
脉络膜是介于视网膜和巩膜之间的一层血管网组织，由丰富的血管和色素组成，其主要作用是为整个眼球提供氧气、养料，并具有隔光的功效，使反射的物象更清晰，同时对人的视觉系统有保护作用，对整个视觉神经有调节作用。很多疾病与脉络膜的形态息息相关，如年龄相关性黄斑病变和近视黄斑病变的一个可视化的特征就是脉络膜的厚度和体积发生变化。实现OCT图像中脉络膜的分割对脉络膜形态和结构的定量分析具有重要的意义。
目前针对OCT图像中脉络膜自动分割的算法大部分都是传统算法，存在以下的缺陷和不足：(1)大部分的算法都是二维算法，仅针对每个切片图像上进行独立的分割，易受到图像噪声和伪影的影响，并且没有考虑到三维图像的空间相关性，从而导致分割结果出现比较大的误差。(2)很多算法只能适应正常 OCT图像的脉络膜分割，当脉络膜出现病变时，这些算法将失效，很多算法不具有广泛性和鲁棒性。(3)由于神经乳头(ONH)区域的特殊性，有些算法不适应大视野扫描成像，而有些算法需要进行预处理，导致算法复杂但实际准确率并不高。
发明内容
本发明所要解决的技术问题是，提供一种可以自动且准确分割出脉络膜上下边界的分割方法。
为解决上述技术问题，本发明采用的技术方案为：
一种基于改进的U-net网络的OCT图像脉络膜分割方法，包括以下步骤：
(1)数据获取和预处理，收集原始OCT图像，对其脉络膜上下边界进行专业标注，将含有金标准的图像进行归一化处理后，将处理得到的数据集作为训练集；
(2)构建U-net网络结构，其中U-net网络结构收缩路径中每层由一个卷积层和一个精致残差模块构成，所述精致残差模块为将输入的特征图经过卷积进行通道数转换后，再进行卷积，批处理，激活，卷积，再与第一步卷积得到的特征图进行残差操作，最后再进行激活处理，第一层之外的其它层在精致残差模块后采用批标准化处理，扩张路径中每层由一个反卷积层和一个通道注意力模块组成，所述通道注意力模块为将来自高层和底层的特征图进行串联，对串联后的特征图进行池化、卷积、激活、卷积、激活处理，将优化后的特征图和高层特征图进行相乘，再与底层特征图进行相加；
(3)将训练集输入构建的U-net网络进行训练；
(4)将待分割图像送入训练好的模型中进行图像分割。
步骤(1)中采用双线性插值对图像进行下采样处理。
步骤(2)中增加收缩路径以及扩张路径层数。
将收缩路径以及扩张路径层数增加为8个。
步骤(2)中定义损失函数为Dice损失与L2损失组合，即其中x表示金标准，即专业标注的脉络膜分割图；y表示网络的输出，即网络预测的脉络膜分割图。
步骤(3)中采用Adam算法对网络进行优化。
本发明所达到的有益效果：本发明在原始U-net网络的基础上做出新的发明，从网络的深度来说，将层数由原来的4层加到8层，进一步的加深网络，加大参数，提取更多有用的特征图信息，从网络的结构来说，在U-net的收缩路径加入精致残差模块来加强每个阶段的特征识别的能力，在U-net的扩张路径中加入通道注意力模块来处理类内不一致问题。损失函数方面将Dice损失和较为传统的L2损失相融合使用。本发明构建的这种新的网络结构通过实验验证可以看出，不仅能够较为准确的分割正常人眼的脉络膜，而且能够分割病理性近视人眼的脉络膜，即无论是厚还是薄的脉络膜都能够得到令人满意的分割结果，并且网络不需要进行预处理就能够自动避免ONH区域和视网膜无效折叠的部分，这为提高脉络膜自动定量分析的准确率、全面获取三维大视野数据中脉络膜形态信息提供了有效方法。
附图说明
图1是实施例中网络结构示意图；
图2是实施例中精致残差模块步骤示意图；
图3是实施例中通道注意力模块步骤示意图；
图4是实施例中部分脉络膜分割结果。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本方法主要包括三个步骤：数据的获取和预处理、网络结构的改进以及模型的训练和测试。
1)数据的获取和预处理
实验的数据集是由中心波长为1050纳米的Topcon DRI-OCT扫描仪采集的大视野三维OCT图像组成，扫描范围包括黄斑中心和视神经乳头(ONH)的区域。将采集到的横向扫描图像交由专业医生进行标注出脉络膜的上下边界，数据获取后，对OCT图像进行双线性插值下采样到512×512大小，制作含有金标准的脉络膜数据集。该数据集由952张含有金标准的横向扫描OCT图像组成，这952张含有金标准的图片分别来自95只正常或病理性近视人眼。我们用其中的680张做训练，272张做测试。训练集中有300张来自正常人眼，380张来自病理性近视人眼。测试集中的有122张来自正常人眼，150张来自病理性近视病人。
2)网络结构的改进：
网络的一个整体结构如图1所示，本网络是一个由收缩路径和扩张路径组成的U形结构，网络采用的是一个对称跨层连接的编码器-译码器结构，编码器能够生成不同分辨率的特征图细节信息，这些不同分辨率的特征细节信息跨层连接到译码器便能够更好的修复出接近金标准的输出图。下面对网络结构的改进做出详细的说明：
a)收缩路径结构
图1中收缩路径的每一层都是由一个简单的卷积层和一个精致残差模块构成。卷积层采用的是滑动步长为2，大小为4×4的卷积核，精致残差模块内部结构由图2所示：输入的特征图在经过1×1的卷积进行通道数转换后，再进行卷积，批处理，激活，卷积，再与之前经过1×1的卷积得到的特征图进行残差操作，最后再进行激活，其中两个卷积采用的是步长为1，大小为3×3的卷积核，激活函数ReLU采用的是leaky ReLU。最初U-net的收缩路径是由简单的卷积、池化和非线性组成一个编码器结构，本发明将精致残差模块加入其中。除了收缩路径的第一层之外，所有的层在精致残差模块后都采用了批标准化。本发明加入的精致残差块能使提取到的浅层特征进一步的进行优化处理，再传递给收缩路径的下一层，同时将优化后的不同分辨率的特征图传递给扩张路径所对应的层。总的来说，网络加入的精致残差模块加强了在浅层特征提取方面各个层的特征识别能力，使得网络拥有更强的表达能力。
b)扩张路径结构
图1中扩张路径的每一层是由一个简单的反卷积层和一个通道注意力模块组成，反卷积层采用的是滑动步长为2，大小为4×4的卷积核，通道注意力模块的内部结构由图2所示：模块将来自高层和底层的特征图进行串联，对串联后的特征图进行一系列的卷积、池化、非线性等操作进行处理优化，(其中卷积层采用的均是滑动步长为1，大小为1×1的卷积核，池化采用的是平均池化，激活函数分别采用leaky ReLU函数和sigmod函数激活)，再将优化后的特征图和高层特征图进行相乘再与底层特征图进行相加。由于高层特征图提取到的特征信息有着更为准确的语义预测能力，底层特征图提取到的特征信息有着更为准确的空间预测能力，在这一系列高层特征图和底层特征图的操作下，分割更加趋向于细节化。本发明就是将原始U-net扩张路径中来自收缩路径提取的特征图与扩张路径中上采样的特征图进行的简单串联换成了这种较为复杂却有效的通道注意力模块的连接。这就利用了高层语义信息来为底层特征图分配不同的权重从而指导底层细节信息，能够更好的解决类内不一致的问题。例如脉络膜由大血管、小血管和毛细血管组成，通道注意力模块加入到网络中的一个作用就是解决了脉络膜层血管的类内不一致性的问题，使得无论是特征明显的大血管还是特征不明显的小血管和毛细血管都能被很好的检测和分割出来。
c)网络的深度
通常说来，网络的深度越深，提取到有效的特征信息就越多，越准确。在网络的收缩路径和扩张路径的内部结构上做出改进的同时，网络又进一步的加深了深度。最初原始的U-net网络由4个编码器和4个译码器组成，本发明将网络增加到8个编码器和8个译码器。使得网络结构更深，实验参数更多，网络能够提取到更多的特征信息。
d)损失函数的使用
由于脉络膜的面积小，尤其是病理性近视病人的脉络膜，为了使网络更加注重于脉络膜的分割，避免网络在学习过程中陷入局部最小。损失函数采用的是Dice损失和较为传统的L2损失结合，共同约束网络结构，损失函数Loss的计算公式如下：
LL2(x,y)＝Exy[(y-x)2] (1)
其中x表示金标准，即专业医生标注的脉络膜分割图；y表示网络的输出，也就是网络预测的脉络膜分割图。
3)模型的训练和测试
我们将680组训练数据送入本次发明的端对端的映射网络做训练，即从训练集中不含脉络膜分割上下边界的OCT图像到训练集中含有脉络膜上下边界的 OCT图像，训练过程中采用初始学习率为0.0002，动量为0.5的Adam算法来优化网络，每次送入到网络中的图片个数设置为1，训练次数为100次，训练结束后，将272张测试数据送入训练好的模型中进行输出预测，得到这272张脉络膜分割图。
4)实验结果
图4中对应图像分别为：(a)和(b)分别是正常人眼不含视盘和含视盘的横向扫描图像的分割结果(c)和(d)是病理性近视人眼不含视盘和含视盘的横向扫描图像的分割结果(e)和(f)分别是病理性近视人眼含有其他病的横向扫描图像的分割结果。
从图4可以看出，无论是正常人眼的脉络膜还是病理性近视人眼的脉络膜，无论是不含有ONH区域的脉络膜还是含有ONH区域的脉络膜，网络模型预测出来的分割图都是比较准确的。将网络模型预测出测试集的脉络膜的分割结果与医生标注的金标准进行比较，采用相对上边界误差，相对下边界误差，厚度误差以及戴斯系数作为评估方法的客观指标。其中戴斯系数计算公式为：
其中CHauto及CHgt分别指本方法结果及金标准所得的脉络膜区域像素集合，|.|指集合中像素点个数。
表1脉络膜分割结果误差分析
从表1可以看出，病理性近视人眼相对于正常人眼厚度误差也相对较小。这是因为在一般情况下，病理性近视人眼相对于正常人眼的脉络膜厚度要更薄，无论是正常人眼还是近视人眼的脉络膜的分割，从戴斯系数都可以看出本方法的分割结果相比于传统的U-net具有较高的准确性。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种基于改进的U-net网络的OCT图像脉络膜分割方法，其特征是，包括以下步骤：
(1)数据获取和预处理，收集原始OCT图像，对其脉络膜上下边界进行专业标注，将含有金标准的图像进行归一化处理后，将处理得到的数据集作为训练集；
(2)构建U-net网络结构，其中U-net网络结构收缩路径中每层由一个卷积层和一个精致残差模块构成，所述精致残差模块为将输入的特征图经过卷积进行通道数转换后，再进行卷积，批处理，激活，卷积，再与第一步卷积得到的特征图进行残差操作，最后再进行激活处理，第一层之外的其它层在精致残差模块后采用批标准化处理，扩张路径中每层由一个反卷积层和一个通道注意力模块组成，所述通道注意力模块为将来自高层和底层的特征图进行串联，对串联后的特征图进行池化、卷积、激活、卷积、激活处理，将优化后的特征图和高层特征图进行相乘，再与底层特征图进行相加；
(3)将训练集输入构建的U-net网络进行训练；
(4)将待分割图像送入训练好的模型中进行图像分割。
2.根据权利要求1所述的一种基于改进的U-net网络的OCT图像脉络膜分割方法，其特征是，步骤(1)中采用双线性插值对图像进行下采样处理。
3.根据权利要求1所述的一种基于改进的U-net网络的OCT图像脉络膜分割方法，其特征是，步骤(2)中增加收缩路径以及扩张路径层数。
4.根据权利要求3所述的一种基于改进的U-net网络的OCT图像脉络膜分割方法，其特征是，将收缩路径以及扩张路径层数增加为8个。
5.根据权利要求1所述的一种基于改进的U-net网络的OCT图像脉络膜分割方法，其特征是，步骤(2)中定义损失函数为Dice损失与L2损失组合，即其中x表示金标准，即专业标注的脉络膜分割图；y表示网络的输出，即网络预测的脉络膜分割图。
6.根据权利要求1所述的一种基于改进的U-net网络的OCT图像脉络膜分割方法，其特征是，步骤(3)中采用Adam算法对网络进行优化。
CN201811240108.2A 2018-10-24 2018-10-24 一种基于改进的U-net网络的OCT图像脉络膜分割方法 Active CN109509178B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811240108.2A CN109509178B (zh) 2018-10-24 2018-10-24 一种基于改进的U-net网络的OCT图像脉络膜分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811240108.2A CN109509178B (zh) 2018-10-24 2018-10-24 一种基于改进的U-net网络的OCT图像脉络膜分割方法

Publications (2)

Publication Number Publication Date
CN109509178A true CN109509178A (zh) 2019-03-22
CN109509178B CN109509178B (zh) 2021-09-10

Family

ID=65745972

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811240108.2A Active CN109509178B (zh) 2018-10-24 2018-10-24 一种基于改进的U-net网络的OCT图像脉络膜分割方法

Country Status (1)

Country Link
CN (1) CN109509178B (zh)

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110211140A (zh) * 2019-06-14 2019-09-06 重庆大学 基于3D残差U-Net和加权损失函数的腹部血管分割方法
CN110349162A (zh) * 2019-07-17 2019-10-18 苏州大学 一种视网膜黄斑水肿多病变图像分割方法
US10482603B1 (en) 2019-06-25 2019-11-19 Artificial Intelligence, Ltd. Medical image segmentation using an integrated edge guidance module and object segmentation network
CN110517235A (zh) * 2019-08-19 2019-11-29 苏州大学 一种基于GCS-Net进行OCT图像脉络膜自动分割方法
CN110599467A (zh) * 2019-08-29 2019-12-20 上海联影智能医疗科技有限公司 非限束器区域检测方法、装置、计算机设备和存储介质
CN111161216A (zh) * 2019-12-09 2020-05-15 杭州脉流科技有限公司 基于深度学习的血管内超声图像处理方法、装置、设备和存储介质
CN111223488A (zh) * 2019-12-30 2020-06-02 Oppo广东移动通信有限公司 语音唤醒方法、装置、设备及存储介质
CN111292338A (zh) * 2020-01-22 2020-06-16 苏州大学 一种从眼底oct图像中分割脉络膜新生血管的方法及系统
CN111612790A (zh) * 2020-04-29 2020-09-01 杭州电子科技大学 一种基于t型注意力结构的医学图像分割方法
CN111667488A (zh) * 2020-04-20 2020-09-15 浙江工业大学 一种基于多角度U-Net的医学图像分割方法
CN111862114A (zh) * 2020-07-10 2020-10-30 温州医科大学 一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法与装置
CN111899224A (zh) * 2020-06-30 2020-11-06 烟台市计量所 基于深度学习注意力机制的核电管道缺陷检测系统
CN111899247A (zh) * 2020-07-31 2020-11-06 平安科技（深圳）有限公司 脉络膜血管的管腔区域识别方法、装置、设备及介质
CN111968138A (zh) * 2020-07-15 2020-11-20 复旦大学 基于3d动态边缘不敏感性损失函数的医学图像分割方法
CN112132817A (zh) * 2020-09-29 2020-12-25 汕头大学 一种混合注意力机制的眼底图像视网膜血管分割方法
CN112348794A (zh) * 2020-11-05 2021-02-09 南京天智信科技有限公司 基于注意力增强u型网络的超声乳腺肿瘤自动分割方法
CN112348825A (zh) * 2020-10-16 2021-02-09 佛山科学技术学院 一种用于视网膜血流图像分割的DR-U-net网络方法及装置
CN112365504A (zh) * 2019-10-29 2021-02-12 杭州脉流科技有限公司 Ct左心室分割方法、装置、设备和存储介质
CN112559781A (zh) * 2020-12-10 2021-03-26 西北大学 一种图像检索系统和方法
CN112581401A (zh) * 2020-12-25 2021-03-30 英特灵达信息技术(深圳)有限公司 一种raw图片的获取方法、装置及电子设备
CN112699835A (zh) * 2021-01-12 2021-04-23 华侨大学 基于重建偏重U-Net的道路提取方法、装置、设备及存储介质
CN112712520A (zh) * 2021-01-18 2021-04-27 佛山科学技术学院 一种基于ARU-Net脉络膜层分割方法
CN113139627A (zh) * 2021-06-22 2021-07-20 北京小白世纪网络科技有限公司 纵隔肿物识别方法、系统及装置
CN113221897A (zh) * 2020-02-06 2021-08-06 马上消费金融股份有限公司 图像矫正方法、图像文本识别方法、身份验证方法及装置
CN113538363A (zh) * 2021-07-13 2021-10-22 南京航空航天大学 一种基于改进U-Net的肺部医学影像分割方法及装置
CN113643311A (zh) * 2021-06-28 2021-11-12 清华大学 一种对边界误差鲁棒的图像分割方法和装置
CN114066889A (zh) * 2022-01-12 2022-02-18 广州永士达医疗科技有限责任公司 一种oct主机的成像质量检测方法及装置
CN115272679A (zh) * 2022-08-08 2022-11-01 北京理工大学 地热有利区的辨识方法、装置、终端及存储介质
CN111899247B (zh) * 2020-07-31 2024-05-24 平安科技（深圳）有限公司 脉络膜血管的管腔区域识别方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180033144A1 (en) * 2016-09-21 2018-02-01 Realize, Inc. Anomaly detection in volumetric images
CN108309251A (zh) * 2018-03-20 2018-07-24 清华大学 基于深度神经网络的定量光声成像方法
CN108376558A (zh) * 2018-01-24 2018-08-07 复旦大学 一种多模态核磁共振影像病历报告自动生成方法
CN108537793A (zh) * 2018-04-17 2018-09-14 电子科技大学 一种基于改进的u-net网络的肺结节检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180033144A1 (en) * 2016-09-21 2018-02-01 Realize, Inc. Anomaly detection in volumetric images
CN108376558A (zh) * 2018-01-24 2018-08-07 复旦大学 一种多模态核磁共振影像病历报告自动生成方法
CN108309251A (zh) * 2018-03-20 2018-07-24 清华大学 基于深度神经网络的定量光声成像方法
CN108537793A (zh) * 2018-04-17 2018-09-14 电子科技大学 一种基于改进的u-net网络的肺结节检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
OLAF RONNEBERGER 等: "U-Net: Convolutional Networks for Biomedical Image Segmentation", 《INTERNATIONAL CONFERENCE ON MEDICAL IMAGE COMPUTING AND COMPUTER-ASSISTED INTERVENTION》 *
袁甜 等: "基于U－Net网络的肺部CT图像分割算法", 《自动化与仪器仪表》 *

Cited By (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110211140B (zh) * 2019-06-14 2023-04-07 重庆大学 基于3D残差U-Net和加权损失函数的腹部血管分割方法
CN110211140A (zh) * 2019-06-14 2019-09-06 重庆大学 基于3D残差U-Net和加权损失函数的腹部血管分割方法
US10482603B1 (en) 2019-06-25 2019-11-19 Artificial Intelligence, Ltd. Medical image segmentation using an integrated edge guidance module and object segmentation network
WO2020260936A1 (en) * 2019-06-25 2020-12-30 Inception Institute of Artificial Intelligence, Ltd. Medical image segmentation using an integrated edge guidance module and object segmentation network
CN110349162A (zh) * 2019-07-17 2019-10-18 苏州大学 一种视网膜黄斑水肿多病变图像分割方法
CN110517235A (zh) * 2019-08-19 2019-11-29 苏州大学 一种基于GCS-Net进行OCT图像脉络膜自动分割方法
CN110517235B (zh) * 2019-08-19 2021-10-19 苏州大学 一种基于GCS-Net进行OCT图像脉络膜自动分割方法
CN110599467A (zh) * 2019-08-29 2019-12-20 上海联影智能医疗科技有限公司 非限束器区域检测方法、装置、计算机设备和存储介质
CN112365504A (zh) * 2019-10-29 2021-02-12 杭州脉流科技有限公司 Ct左心室分割方法、装置、设备和存储介质
CN111161216A (zh) * 2019-12-09 2020-05-15 杭州脉流科技有限公司 基于深度学习的血管内超声图像处理方法、装置、设备和存储介质
CN111223488B (zh) * 2019-12-30 2023-01-17 Oppo广东移动通信有限公司 语音唤醒方法、装置、设备及存储介质
CN111223488A (zh) * 2019-12-30 2020-06-02 Oppo广东移动通信有限公司 语音唤醒方法、装置、设备及存储介质
CN111292338A (zh) * 2020-01-22 2020-06-16 苏州大学 一种从眼底oct图像中分割脉络膜新生血管的方法及系统
CN113221897A (zh) * 2020-02-06 2021-08-06 马上消费金融股份有限公司 图像矫正方法、图像文本识别方法、身份验证方法及装置
CN111667488B (zh) * 2020-04-20 2023-07-28 浙江工业大学 一种基于多角度U-Net的医学图像分割方法
CN111667488A (zh) * 2020-04-20 2020-09-15 浙江工业大学 一种基于多角度U-Net的医学图像分割方法
CN111612790B (zh) * 2020-04-29 2023-10-17 杭州电子科技大学 一种基于t型注意力结构的医学图像分割方法
CN111612790A (zh) * 2020-04-29 2020-09-01 杭州电子科技大学 一种基于t型注意力结构的医学图像分割方法
CN111899224A (zh) * 2020-06-30 2020-11-06 烟台市计量所 基于深度学习注意力机制的核电管道缺陷检测系统
CN111862114A (zh) * 2020-07-10 2020-10-30 温州医科大学 一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法与装置
CN111968138B (zh) * 2020-07-15 2022-03-18 复旦大学 基于3d动态边缘不敏感性损失函数的医学图像分割方法
CN111968138A (zh) * 2020-07-15 2020-11-20 复旦大学 基于3d动态边缘不敏感性损失函数的医学图像分割方法
CN111899247B (zh) * 2020-07-31 2024-05-24 平安科技（深圳）有限公司 脉络膜血管的管腔区域识别方法、装置、设备及介质
WO2021120753A1 (zh) * 2020-07-31 2021-06-24 平安科技（深圳）有限公司 脉络膜血管的管腔区域识别方法、装置、设备及介质
CN111899247A (zh) * 2020-07-31 2020-11-06 平安科技（深圳）有限公司 脉络膜血管的管腔区域识别方法、装置、设备及介质
CN112132817A (zh) * 2020-09-29 2020-12-25 汕头大学 一种混合注意力机制的眼底图像视网膜血管分割方法
CN112132817B (zh) * 2020-09-29 2022-12-06 汕头大学 一种混合注意力机制的眼底图像视网膜血管分割方法
CN112348825A (zh) * 2020-10-16 2021-02-09 佛山科学技术学院 一种用于视网膜血流图像分割的DR-U-net网络方法及装置
CN112348794A (zh) * 2020-11-05 2021-02-09 南京天智信科技有限公司 基于注意力增强u型网络的超声乳腺肿瘤自动分割方法
CN112559781A (zh) * 2020-12-10 2021-03-26 西北大学 一种图像检索系统和方法
CN112581401B (zh) * 2020-12-25 2023-04-28 英特灵达信息技术(深圳)有限公司 一种raw图片的获取方法、装置及电子设备
CN112581401A (zh) * 2020-12-25 2021-03-30 英特灵达信息技术(深圳)有限公司 一种raw图片的获取方法、装置及电子设备
CN112699835A (zh) * 2021-01-12 2021-04-23 华侨大学 基于重建偏重U-Net的道路提取方法、装置、设备及存储介质
CN112699835B (zh) * 2021-01-12 2023-09-26 华侨大学 基于重建偏重U-Net的道路提取方法、装置、设备及存储介质
CN112712520A (zh) * 2021-01-18 2021-04-27 佛山科学技术学院 一种基于ARU-Net脉络膜层分割方法
CN113139627A (zh) * 2021-06-22 2021-07-20 北京小白世纪网络科技有限公司 纵隔肿物识别方法、系统及装置
CN113643311A (zh) * 2021-06-28 2021-11-12 清华大学 一种对边界误差鲁棒的图像分割方法和装置
CN113643311B (zh) * 2021-06-28 2024-04-09 清华大学 一种对边界误差鲁棒的图像分割方法和装置
CN113538363A (zh) * 2021-07-13 2021-10-22 南京航空航天大学 一种基于改进U-Net的肺部医学影像分割方法及装置
CN114066889A (zh) * 2022-01-12 2022-02-18 广州永士达医疗科技有限责任公司 一种oct主机的成像质量检测方法及装置
CN115272679A (zh) * 2022-08-08 2022-11-01 北京理工大学 地热有利区的辨识方法、装置、终端及存储介质
CN115272679B (zh) * 2022-08-08 2024-03-19 北京理工大学 地热有利区的辨识方法、装置、终端及存储介质

Also Published As

Publication number Publication date
CN109509178B (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN109509178A (zh) 一种基于改进的U-net网络的OCT图像脉络膜分割方法
CN110517235B (zh) 一种基于GCS-Net进行OCT图像脉络膜自动分割方法
Li et al. Deep learning based early stage diabetic retinopathy detection using optical coherence tomography
CN109166126A (zh) 一种基于条件生成式对抗网络在icga图像上分割漆裂纹的方法
CN108765422A (zh) 一种视网膜图像血管自动分割方法
Abràmoff et al. Retinal imaging and image analysis
CN110010219A (zh) 光学相干层析图像视网膜病变智能检测系统及检测方法
CN109493954A (zh) 一种基于类别判别定位的sd-oct图像视网膜病变检测系统
CN110197493A (zh) 眼底图像血管分割方法
CN110120047A (zh) 图像分割模型训练方法、图像分割方法、装置、设备及介质
CN109166124A (zh) 一种基于连通区域的视网膜血管形态量化方法
CN109345538A (zh) 一种基于卷积神经网络的视网膜血管分割方法
US20220230300A1 (en) Using Deep Learning to Process Images of the Eye to Predict Visual Acuity
CN109685813A (zh) 一种自适应尺度信息的u型视网膜血管分割方法
CN107369160A (zh) 一种oct图像中脉络膜新生血管分割算法
CN106650215A (zh) 一种基于云平台的肤质检测及个性化评价系统及方法
CN108764342B (zh) 一种对于眼底图中视盘和视杯的语义分割方法
CN110120055A (zh) 基于深度学习的眼底荧光造影图像无灌注区自动分割方法
CN109998477A (zh) 一种高度近视白内障手术预后智能预判系统
CN104318565B (zh) 基于等梯度距离的双向区域增长的视网膜血管分割交互式方法
US11830193B2 (en) Recognition method of intracranial vascular lesions based on transfer learning
CN110675335A (zh) 基于多分辨率残差融合网络的浅表静脉增强方法
CN109464120A (zh) 一种糖尿病视网膜病变筛查方法、装置及存储介质
US20210259546A1 (en) Portable system for identifying potential cases of diabetic macular oedema using image processing and artificial intelligence
CN109919932A (zh) 目标对象的识别方法和装置

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