CN109584223A - Ct图像中肺部血管分割方法 - Google Patents

Ct图像中肺部血管分割方法 Download PDF

Info

Publication number
CN109584223A
CN109584223A CN201811384307.0A CN201811384307A CN109584223A CN 109584223 A CN109584223 A CN 109584223A CN 201811384307 A CN201811384307 A CN 201811384307A CN 109584223 A CN109584223 A CN 109584223A
Authority
CN
China
Prior art keywords
blood vessel
image
stage
lung
segmentation
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
CN201811384307.0A
Other languages
English (en)
Inventor
张勇东
王裕鑫
谢洪涛
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.)
Beijing Academy Of Chinese Studies
University of Science and Technology of China USTC
Original Assignee
Beijing Academy Of Chinese Studies
University of Science and Technology of China USTC
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 Beijing Academy Of Chinese Studies, University of Science and Technology of China USTC filed Critical Beijing Academy Of Chinese Studies
Priority to CN201811384307.0A priority Critical patent/CN109584223A/zh
Publication of CN109584223A publication Critical patent/CN109584223A/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/30061—Lung
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种CT图像中肺部血管分割方法，包括：使用堆叠式全卷积神经网络依次对未增强的肺部CT图像进行肺部区域的提取与血管分割，并输出血管分类概率；基于血管分类概率，使用基于血管走形的区域生长算法获得最终的肺部血管分割结果。上述方法可以极大的提高血管分割精确度，实验表明上述方法无论是精确度、召回率及F值都优于现有方案。

Description

CT图像中肺部血管分割方法
技术领域
本发明涉及CT图像处理技术领域，尤其涉及一种CT图像中肺部血管分割方法。
背景技术
医学图像分割技术是医学领域图像处理的关键技术之一，由于身体组织器官的复杂性和个体差异性，不再加上医学图像具有一些自己的特征，例如成像的原理和模型的多样性、噪声以及不同的设备状况都会导致最后有不同的成像结果，造成了传统图像分割算法在医学图像分割领域中分割结果不准确问题。
在医学图像分割领域中的肺部血管分割领域中，肺部血管成像有血管对比度低，细小血管结构复杂，肺部组织结构复杂，肺部图像噪声较多等特点，使得准确的肺部血管分割具有一定的难度，在过去一些时间内，大多通过人工方式来进行，但是，对操作者的水平要求较高，并且，其精确度也难以保证。
近年来，学者们运用深度学习技术对疾病诊断分析，深度学习运用于医学领域提高疾病诊断和辅助治疗已经成为一种趋势，并且在医学图像分割中具有重大的研究意义，但是，目前基于U-net的分割算法精确度还有待提升。
发明内容
本发明的目的是提供一种CT图像中肺部血管分割方法，具有较高的精确度。
本发明的目的是通过以下技术方案实现的：
一种CT图像中肺部血管分割方法，其特征在于，包括：
使用堆叠式全卷积神经网络依次对未增强的肺部CT图像进行肺部区域的提取与血管分割，并将一系列二维血管分割结果堆叠为三维血管分割结果；
基于三维血管分割结果，使用基于血管走形的区域生长算法获得最终的肺部血管分割结果。
由上述本发明提供的技术方案可以看出，通过堆叠式全卷积神经网络与基于血管走形的区域生长算法相配合实现的肺部血管分割方式，可以极大的提高血管分割精确度，实验表明本发明提供的方案无论是精确度、召回率及F值都优于现有方案。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例提供的一种CT图像中肺部血管分割方法的框架图；
图2为本发明实施例提供的肺部区域分割结果示意图；
图3为本发明实施例提供的肺部区域提取过程示意图；
图4为本发明实施例提供的血管走形特征判断示意图；
图5为本发明实施例提供的肺部血管分割结果示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
本发明实施例提供一种CT图像中肺部血管分割方法，如图1所示，其主要包括如下两个部分：
1、使用堆叠式全卷积神经网络依次对未增强的肺部CT图像进行肺部区域的提取与血管分割，并将一系列二维血管分割结果堆叠为三维血管分割结果。
本发明实施例中，堆叠式全卷积神经网络包含两个结构相同的全卷积神经网络，分别记为Stage-I FCN与Stage-II FCN。Stage-I FCN和Stage-II FCN具有相同的网络结构，如图1中下半部分所示，输入图像为512×512大小的图像，通过深度卷积神经网络进行特征提取与处理后，两个网络分别得到肺部区域和血管分割结果。
如图2所示，未增强的肺部CT图像输入至Stage-I FCN，通过对Stage-I FCN输出的肺部区域概率图阈值得到只含肺部区域的二值掩膜；如图3所示，该二值掩膜与未增强的肺部CT图像进行乘操作得到只含肺部区域的CT图像。图2中，((a)、(b)、(c)为三幅不同切片上肺部区域分割结果，(d)为整体三维展示结果。
之后，利用Stage-II FCN对只含肺部区域的CT图像进行血管分割。将只含肺部区域的CT图像输入Stage-II FCN，通过神经网络对特征进行提取计算后，输出的血管的分类概率，对血管的分类概率进行阈值操作得到血管分割结果。
还参见图1下半部分，Stage-I FCN和Stage-II FCN具有相同的神经网络结构，分别包含15次卷积操作，3次最大池化操作和3次反卷积操作；根据特征图尺寸和位置不同，网络总共分为7组卷积层(例如第1、2、3个方块为第一组卷积层，依次类推)，每组卷积层中包含两次卷积操作(每组卷积层中的两个箭头，在第7组中有3次卷积操作)。堆叠式全卷积神经网络分成下采样阶段和上采样阶段；在下采样阶段一共进行了3次最大池化操作(特征图尺寸减半时，每组卷积层之间的箭头)，每次最大池化操作使得特征图尺寸减半；在上采样阶段，总共进行了三次反卷积操作(特征图尺寸增倍时每组卷积层之间的箭头)，每次反卷积使得特征图尺寸增倍，在第七组卷积层中最后运用了尺寸为1×1的卷积核进行卷积，输出对应的分割概率图。通过运算中采用了下采样和上采样阶段中特征相加的方法，使得浅层的血管特征信息得到更加充分的表达。
图1中示例性的给出了每个特征图的尺寸和维度，即图1方框的左方和下方数字。此外，整个网络中未特殊说明的卷积核都采用3×3尺寸。
2、基于堆叠式神经网络输出的三维血管分割结果，使用基于血管走形的区域生长算法获得最终的肺部血管分割结果。
本发明实施例中，所述基于血管走形的区域生长算法在传统的区域生长算法基础上，加入了血管走形的条件对生长候选集进行约束。
所述基于血管走形的区域生长算法包含如下两步：第一步，选取。采用连通域算法选取体素大于设定值(例如，7000)的连通域作为种子，种子包含了主干血管，不包含噪声和断裂的血管部分，剩下的非种子的连通域集合则为需要判断的部分，简称非种子集合；第二步，判断。在三维方向上对满足种子血管走形条件(方向一致)的非种子集合进行自动连接；如图4所示，为血管走形特征判断示意图，在第二步中，先对图4中非种子集合计算血管走形特征，并且设置阈值(例如，0.8)对非种子集合中每个连通域的血管走形特征值进行筛选，若该连通域的血管走形特征值低于阈值，则判定为非血管的噪声不计入生长候选集，反之，若高于阈值，则判定为血管计入生长候选集，本文采用余弦夹角计算血管走形特征值；最后运用区域生长算法将满足阈值条件的连通域进行生长，最终输出结果即为肺部血管分割结果。如图5所示，为肺部血管分割结果；其中，(a)、(b)、(c)为三幅不同切片上血管分割结果，(d)为整体三维展示结果。
本发明实施例中，计算血管走形特征的公式如下，通过该特征是否大于阈值来判断该连通域是否进行生长：
式中，表示种子血管(主血管)，表示需要进行判断的非种子连通域，分别对应于图4中的和
本发明实施例上述方案是在二维上对肺部血管进行分割，所以在堆叠式全卷积神经网络的训练和测试过程都是对序列CT图像中单幅图像进行操作，然后将单幅分割结果进行堆叠得到三维血管分割结果，再输入基于血管走形的区域生长算法进行优化。在堆叠式全卷积神经网络的训练过程中，采用了随机梯度下降法(SGD)对堆叠式全卷积神经网络中的两个神经网络(即Stage-I FCN与Stage-II FCN)分开进行训练。在损失函数中，肺部、血管、背景的权重首先设置为100:100:1，经过了8000个epoch之后将权重更改为1:1:1继续训练8000个epoch。在测试过程中，将未增强的CT图像作为基于堆叠式全卷积神经网络的肺部血管分割方法的输入，堆叠式神经网络和基于血管走形的区域生长算法依次进行工作，并且同时对肺部区域概率图和血管概率图设置阈值0.8得到二值分割结果。值得说明的是，上述内容所涉及的具体数值仅为举例，并非构成限制。
另一方面，为了说明本发明的效果还进行了相关实验。
本次实验中所使用的数据由INCOOL公司提供，并且都为未进行增强的肺部CT图像数据。每幅CT图像中的血管和肺部区域由人工进行像素级标注。CT图像的分辨率为512×512，每组数据的切片序列从271到520幅不等，切片厚度为1.25mm。训练数据和测试数据包含不同的CT图像，保证了本文算法的有效性和可行性。
在测试数据中，采用本发明上述方案分割精确率，召回率和F值分别为：Precision:86.6％,Recall:81.4％,F:84.9％，和基于传统的阈值分割算法相比，精确率提高了4.2％，召回率提高了6.1％，F值提高了6.2％；和基于U-net的分割算法相比，精确率提高了10.1％，召回率提高了8.5％，F值提高了10.3％。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (5)

1.一种CT图像中肺部血管分割方法，其特征在于，包括：
使用堆叠式全卷积神经网络依次对未增强的肺部CT图像进行肺部区域的提取与血管分割，并将一系列二维血管分割结果堆叠为三维血管分割结果；
基于三维血管分割结果，使用基于血管走形的区域生长算法获得最终的肺部血管分割结果。
2.根据权利要求1所述的一种CT图像中肺部血管分割方法，其特征在于，所述堆叠式全卷积神经网络在训练阶段与测试阶段都是针对单张未增强的肺部CT图像进行操作，最后将一系列的二维血管分割结果进行堆叠从而得到三维的结果。
3.根据权利要求1所述的一种CT图像中肺部血管分割方法，其特征在于，堆叠式全卷积神经网络包含两个结构相同的全卷积神经网络，分别记为Stage-I FCN与Stage-IIFCN；
其中，未增强的肺部CT图像输入至Stage-I FCN，通过Stage-I FCN输出的肺部区域概率图阈值得到只含肺部区域的二值掩膜，该二值掩膜与未增强的肺部CT图像进行乘操作得到只含肺部区域的CT图像；
利用Stage-II FCN对只含肺部区域的CT图像进行特征提取后，输出血管的分类概率，对血管的分类概率进行阈值操作得到血管分割结果。
4.根据权利要求1或3所述的一种CT图像中肺部血管分割方法，其特征在于，Stage-IFCN与Stage-II FCN均包含15次卷及操作，3次最大池化操作和3次反卷积操作；根据特征图尺寸和位置不同，网络总共分为7组卷积层，第1～第6组卷积层中包含两次卷积操作，第7组中有3次卷积操作；
根据网络结构，分成下采样阶段和上采样阶段；在下采样阶段一共进行了3次最大池化操作，每次最大池化操作使得特征图尺寸减半；在上采样阶段，总共进行了三次反卷积操作，每次反卷积使得特征图尺寸增倍。
5.根据权利要求1所述的一种CT图像中肺部血管分割方法，其特征在于，所述基于血管走形的区域生长算法在传统的区域生长算法基础上，加入了血管走形的条件对生长候选集进行约束；
所述基于血管走形的区域生长算法包含如下两步：首先，采用连通域算法选取体素大于设定值的连通域作为种子，种子包含了主干血管，不包含噪声和断裂的血管部分，剩下的非种子的连通域集合则为需要判断的部分，简称非种子集合；然后，在三维方向上对满足种子血管走形条件的非种子集合进行自动连接；方法为：对非种子集合计算血管走形特征值，并且设置阈值对非种子集合中每个连通域的血管走形特征值进行筛选，若连通域的血管走形特征值低于阈值，则判定为非血管的噪声不计入生长候选集，反之，若高于阈值，则判定为血管计入生长候选集，最后运用区域生长算法将满足阈值条件的连通域进行生长，最终输出结果即为肺部血管分割结果。
CN201811384307.0A 2018-11-20 2018-11-20 Ct图像中肺部血管分割方法 Pending CN109584223A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811384307.0A CN109584223A (zh) 2018-11-20 2018-11-20 Ct图像中肺部血管分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811384307.0A CN109584223A (zh) 2018-11-20 2018-11-20 Ct图像中肺部血管分割方法

Publications (1)

Publication Number Publication Date
CN109584223A true CN109584223A (zh) 2019-04-05

Family

ID=65922919

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811384307.0A Pending CN109584223A (zh) 2018-11-20 2018-11-20 Ct图像中肺部血管分割方法

Country Status (1)

Country Link
CN (1) CN109584223A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110400626A (zh) * 2019-07-08 2019-11-01 上海联影智能医疗科技有限公司 图像检测方法、装置、计算机设备和存储介质
CN110428431A (zh) * 2019-07-12 2019-11-08 广东省人民医院(广东省医学科学院) 一种心脏医学图像的分割方法、装置、设备及存储介质
CN111028248A (zh) * 2019-12-19 2020-04-17 杭州健培科技有限公司 一种基于ct图像的静动脉分离方法及装置
CN111539917A (zh) * 2020-04-09 2020-08-14 北京深睿博联科技有限责任公司 一种基于粗细粒度融合的血管分割方法、系统、终端及存储介质
CN111696089A (zh) * 2020-06-05 2020-09-22 上海联影医疗科技有限公司 一种动静脉确定方法、装置、设备和存储介质
CN112258514A (zh) * 2020-11-20 2021-01-22 福州大学 一种ct影像肺血管的分割方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170113251A (ko) * 2016-03-24 2017-10-12 재단법인 아산사회복지재단 딥러닝을 이용한 혈관내 초음파 영상에서의 혈관내외경 자동 분할 방법 및 장치
CN107424152A (zh) * 2017-08-11 2017-12-01 联想(北京)有限公司 器官病变的检测方法和电子设备、以及训练神经元网络的方法和电子设备
CN107507201A (zh) * 2017-09-22 2017-12-22 深圳天琴医疗科技有限公司 一种医学图像分割方法及装置
CN108010041A (zh) * 2017-12-22 2018-05-08 数坤（北京）网络科技有限公司 基于深度学习神经网络级联模型的人体心脏冠脉提取方法
CN108053417A (zh) * 2018-01-30 2018-05-18 浙江大学 一种基于混合粗分割特征的3DU-Net网络的肺分割装置
CN108133476A (zh) * 2017-12-26 2018-06-08 安徽科大讯飞医疗信息技术有限公司 一种肺结节自动检测方法及系统
CN108171692A (zh) * 2017-12-26 2018-06-15 安徽科大讯飞医疗信息技术有限公司 一种肺部影像检索方法及装置
US20180240235A1 (en) * 2017-02-23 2018-08-23 Zebra Medical Vision Ltd. Convolutional neural network for segmentation of medical anatomical images
CN108492300A (zh) * 2018-03-16 2018-09-04 上海理工大学 管状结构增强与能量函数结合的肺部血管树分割方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170113251A (ko) * 2016-03-24 2017-10-12 재단법인 아산사회복지재단 딥러닝을 이용한 혈관내 초음파 영상에서의 혈관내외경 자동 분할 방법 및 장치
US20180240235A1 (en) * 2017-02-23 2018-08-23 Zebra Medical Vision Ltd. Convolutional neural network for segmentation of medical anatomical images
CN107424152A (zh) * 2017-08-11 2017-12-01 联想(北京)有限公司 器官病变的检测方法和电子设备、以及训练神经元网络的方法和电子设备
CN107507201A (zh) * 2017-09-22 2017-12-22 深圳天琴医疗科技有限公司 一种医学图像分割方法及装置
CN108010041A (zh) * 2017-12-22 2018-05-08 数坤（北京）网络科技有限公司 基于深度学习神经网络级联模型的人体心脏冠脉提取方法
CN108133476A (zh) * 2017-12-26 2018-06-08 安徽科大讯飞医疗信息技术有限公司 一种肺结节自动检测方法及系统
CN108171692A (zh) * 2017-12-26 2018-06-15 安徽科大讯飞医疗信息技术有限公司 一种肺部影像检索方法及装置
CN108053417A (zh) * 2018-01-30 2018-05-18 浙江大学 一种基于混合粗分割特征的3DU-Net网络的肺分割装置
CN108492300A (zh) * 2018-03-16 2018-09-04 上海理工大学 管状结构增强与能量函数结合的肺部血管树分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YAJUN XU 等: "Pulmonary Vessel Segmentation via Stage-Wise Convolutional Networks With Orientation-Based Region Growing Optimization", 《IEEE ACCESS》 *
薛迪秀: "基于卷积神经网络的医学图像癌变识别研究", 《中国博士学位论文全文数据库 信息科技辑》 *
邓超 等: "《数字图像处理与模式识别研究》", 30 June 2018, 北京：地质出版社 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110400626A (zh) * 2019-07-08 2019-11-01 上海联影智能医疗科技有限公司 图像检测方法、装置、计算机设备和存储介质
CN110428431A (zh) * 2019-07-12 2019-11-08 广东省人民医院(广东省医学科学院) 一种心脏医学图像的分割方法、装置、设备及存储介质
CN110428431B (zh) * 2019-07-12 2022-12-16 广东省人民医院(广东省医学科学院) 一种心脏医学图像的分割方法、装置、设备及存储介质
CN111028248A (zh) * 2019-12-19 2020-04-17 杭州健培科技有限公司 一种基于ct图像的静动脉分离方法及装置
CN111539917A (zh) * 2020-04-09 2020-08-14 北京深睿博联科技有限责任公司 一种基于粗细粒度融合的血管分割方法、系统、终端及存储介质
CN111539917B (zh) * 2020-04-09 2023-08-25 北京深睿博联科技有限责任公司 一种基于粗细粒度融合的血管分割方法、系统、终端及存储介质
CN111696089A (zh) * 2020-06-05 2020-09-22 上海联影医疗科技有限公司 一种动静脉确定方法、装置、设备和存储介质
WO2021244661A1 (zh) * 2020-06-05 2021-12-09 上海联影医疗科技股份有限公司 确定图像中血管信息的方法和系统
CN111696089B (zh) * 2020-06-05 2023-06-16 上海联影医疗科技股份有限公司 一种动静脉确定方法、装置、设备和存储介质
CN112258514A (zh) * 2020-11-20 2021-01-22 福州大学 一种ct影像肺血管的分割方法

Similar Documents

Publication Publication Date Title
CN109584223A (zh) Ct图像中肺部血管分割方法
CN104992430B (zh) 基于卷积神经网络的全自动的三维肝脏分割方法
CN109035197B (zh) 基于三维卷积神经网络的ct造影图像肾脏肿瘤分割方法及系统
CN105574859B (zh) 一种基于ct图像的肝脏肿瘤分割方法及装置
CN109035255B (zh) 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法
CN114663431B (zh) 基于强化学习和注意力的胰腺肿瘤图像分割方法及系统
CN108257135A (zh) 基于深度学习方法解读医学图像特征的辅助诊断系统
CN105184103B (zh) 基于病历数据库的虚拟名医系统
Cui et al. Pulmonary vessel segmentation based on orthogonal fused U-Net++ of chest CT images
CN109409503B (zh) 神经网络的训练方法、图像转换方法、装置、设备及介质
CN111179237B (zh) 一种肝脏以及肝脏肿瘤的图像分割方法和装置
CN109934832A (zh) 基于深度学习的肝脏肿瘤分割方法及装置
CN108765387A (zh) 基于Faster RCNN乳腺DBT影像肿块自动检测方法
CN109087327A (zh) 一种级联全卷积神经网络的甲状腺结节超声图像分割方法
CN109754404A (zh) 一种基于多注意力机制的端到端的肿瘤分割方法
CN109360208A (zh) 一种基于单程多任务卷积神经网络的医学图像分割方法
CN109872325B (zh) 基于双路三维卷积神经网络的全自动肝脏肿瘤分割方法
CN109859233A (zh) 图像处理、图像处理模型的训练方法及系统
CN109272510A (zh) 一种三维医学图像中管状结构的分割方法
CN108520518A (zh) 一种甲状腺肿瘤超声图像识别方法及其装置
CN110070540A (zh) 图像生成方法、装置、计算机设备及存储介质
CN108510495A (zh) 一种基于人工智能的肺部影像数据处理方法、装置及系统
US8873819B2 (en) Method for sorting CT image slices and method for constructing 3D CT image
CN109544536A (zh) 髋关节x光图像快速自动分析方法
CN108364293A (zh) 一种在线训练甲状腺肿瘤超声图像识别方法及其装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190405