CN109598732A - 一种基于三维空间加权的医学图像分割方法 - Google Patents
一种基于三维空间加权的医学图像分割方法 Download PDFInfo
- Publication number
- CN109598732A CN109598732A CN201811510501.9A CN201811510501A CN109598732A CN 109598732 A CN109598732 A CN 109598732A CN 201811510501 A CN201811510501 A CN 201811510501A CN 109598732 A CN109598732 A CN 109598732A
- Authority
- CN
- China
- Prior art keywords
- network
- weight
- dimensional
- voxel
- parallel
- 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 29
- 230000011218 segmentation Effects 0.000 claims abstract description 27
- 238000003709 image segmentation Methods 0.000 claims abstract description 14
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 31
- 230000004913 activation Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 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 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012512 characterization method Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000004927 fusion Effects 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 2
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 101150083127 brox gene Proteins 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005070 sampling Methods 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
- 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
- G06T2207/20—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种基于三维空间加权的医学图像分割方法,涉及图像处理领域。构造一种U型卷积神经网络,实现端到端的医学图像分割;将医学图像的多个模态的图像分别作为输入送入到并行的深度学习网络中,得到不同的特征图;提取多个并行网络的特征图并融合,再进行非线性变换,得到每个并行网络各自的体素级权重;将并行网络各自的体素级权重与原先的特征图相乘,完成特征的重标定;将所有并行网络末端的特征图融合,得到多张概率图,从而得到分割结果。利用变换得到三维空间中权重,再将权重与特征图相乘,以达到特征重标定的目的。相较于传统的深度学习分割模型,该空间加权方式能有效地提高网络中特征图的表征能力,从而取得更好的分割效果。
Description
技术领域
本发明涉及图像处理领域,尤其是涉及一种基于三维空间加权的医学图像分割方法。
背景技术
医学图像分割对于医学临床诊断和治疗有着重要的意义,如脑组织分割、脑肿瘤分割、虹膜分割等。深度学习是机器学习领域中的一系列对数据进行多层抽象的算法,自2006年首次提出“深度学习”以来,其在图像处理领域发挥着越来越关键的作用。将深度学习的方法应用于医学图像分割,对于医学领域的突破也起到了至关重要的作用。
由于很多医学图像为三维数据,但传统的三维图像分割的深度学习网路,如3D U-Net(Abdulkadir,A.,Lienkamp,S.S.,Brox,T.,Ronneberger,O.,2016.3D U-Net:Learning Dense Volumetric Segmentation from Sparse Annotation.SpringerInternational Publishing,Cham,pp.424-432),其采用编解码网络结构,并将低层网络特征融入到高层网络中,但并没有充分利用到三维空间中的空间信息,从而从一定程度上影响了分割的效果。因此,对深度学习网络中的特征图进行空间加权,提高特征图的表征能力,使所有特征图都各有侧重,才能适应实际应用的需求。
发明内容
本发明所要解决的技术问题是提供可改善特征图的表征能力,提高图像分割效果的一种基于三维空间加权的医学图像分割方法。
本发明包括以下步骤:
1)构造一种U型卷积神经网络,实现端到端的医学图像分割;
2)将医学图像的多个模态的图像分别作为输入送入到并行的深度学习网络中,得到不同的特征图;
3)提取多个并行网络的特征图并融合,再进行非线性变换,得到每个并行网络各自的体素级权重;
4)将并行网络各自的体素级权重与原先的特征图相乘,完成特征的重标定;
5)将所有并行网络末端的特征图融合,得到多张概率图,从而得到分割结果。
在步骤1)中,所述构造一种U型卷积神经网络是构造单通路网络结构图,单通路网络结构借鉴医学图像领域常用的U型卷积神经网路,其中包含两次池化与上采样过程,使得网络输出图片与原输入图片尺寸大小相同,每一个卷积层都包含BN层、卷积操作以及使用激活函数激活;同时,在训练阶段,通过在网络浅层加入辅助监督层,将监督信息引入网络浅层,使网络浅层有更多的语义信息;最终网络总的损失函数设定为:
其中,X和Y表示输入的训练数据以及分割标签;Θ代表网络的各项参数;对于每一个X,都有一个Y的对应的分割标签Yc,有pc(X,Θ)代表网络输出结果中每个类别中体素级分类的概率;表示第α个辅助监督层的输出结果中每个类别中体素级分类的概率,且两个辅助监督层的权重μα均为0.5;在网络中引入正则化方法,并将正则化系数λ设定为0.0001;ωc代表标签各类别的权重。
在步骤2)中,所述将医学图像的多个模态的图像分别作为输入送入到并行的深度学习网络中,可将各个模态的医学图像分别作为每条网络的输入,在网络末端再将多条网络的特征图融合,以得到最终的分割概率图,同时,在网络进行空间加权时,也将多条网络融合,使得加权后的各个模态的特征图各有侧重。
在步骤3)中,所述提取多个并行网络的特征图并融合的具体方法可为:首先计算三维特征图沿某个方向上的权重,将多个模态沿该方向连接起来,再将沿该方向上的所有的切片的体素值取平均,使三维图像压缩成一个一维向量,过程的表达式为:
其中,分别代表MR图像中三个维度上的一维向量,l代表网络的第l层,p为某一层特征图的第p个通道; 分别代表将MR图像的T1、IR、FLAIR三个模态的特征图沿垂直于轴状面、冠状面、矢状面三个方向连接起来,再分别将轴状面、冠状面、矢状面取平均,最终得到三个空间方向垂直的一维向量,式中I、J、K分别代表三维特征图中垂直于矢状面、冠状面、轴状面三个方向的尺寸长度,i、j、k代表三维空间中的体素坐标;
即得到三个一维向量后,再分别对三个向量做两次全连接操作,第一次全连接后将通道数压缩到p/4,第二次全连接再将通道数还原为p;同时,第一次全连接后用ReLU激活函数激活,第二次全连接后用Sigmoid函数激活,具体公式为:
其中,分别为垂直于轴状面的三个模态的权重向量,σ和δ分别代表ReLU和Sigmoid激活函数;分别代表使用不同的权重取得不同模态的全连接操作;同理,也可以通过全连接得到另外两个垂直方向上不同模态的权重向量,对于每个模态来说,使用三个垂直方向上的权重向量可以构造一个同特征图大小相同的三维权重图,权重图中每一个体素的权重值由该坐标下三个垂直方向上的权重向量相应的值相乘得到,公式为:
由此得到针对网络中不同模态的特征图的权重。
在步骤4)中,所述将并行网络各自的体素级权重与原先的特征图相乘的具体方法可为:将步骤2)所得的三维权重和原有的特征图进行体素级相乘,公式为:
其中,分别为各个模态原有的特征图;分别为三个模态的权重图;分别为三个模态加权后的特征图。
在步骤5)中,所述将所有并行网络末端的特征图融合,得到多张概率图,从而得到分割结果的具体方法可为:在几条并行网络的末端,将多个模态的特征图融合起来,再通过卷积的方式,最终得到n张概率图,其中n为分割任务中类别的个数,某一张概率图的某一个体素点的值代表其属于某一类的概率,对所有体素点取其概率最大的那一类别,即得到最终的分割结果。
本发明提出了一种基于三维空间加权的深度学习网络,利用变换得到三维空间中权重,再将权重与特征图相乘,以达到特征重标定的目的。相较于传统的深度学习分割模型,该空间加权方式能有效地提高网络中特征图的表征能力,从而取得更好的分割效果。
附图说明
图1为单通路网络结构图。
图2为三维空间加权流程图。
图3为权重向量计算图。
图4为特征图加权前后对比。在图4中,(a)T1-IR,(b)T1,(c)T2-FLAIR。
图5为分割实验结果。在图5中,(a)无三维空间加权(T1),(b)有三维空间加权(T1-I),(c)图像标签(T2-FLAIR)。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述:
根据图1,构造单通路U型卷积神经网络:
该网络结构借鉴医学图像领域常用的U型卷积神经网路,其中包含两次池化与上采样过程,使得网络输出图片与原输入图片尺寸大小相同。每一个卷积层都包含BN层、卷积操作以及使用激活函数激活。同时,在训练阶段,通过在网络浅层加入辅助监督层,将监督信息引入网络浅层,使网络浅层有更多的语义信息。最终网络总的损失函数设定为:
其中,X和Y表示输入的训练数据以及分割标签;Θ代表网络的各项参数;对于每一个X,都有一个Y的对应的分割标签Yc,有pc(X,Θ)代表网络输出结果中每个类别中体素级分类的概率;表示第α个辅助监督层的输出结果中每个类别中体素级分类的概率,且两个辅助监督层的权重μα均为0.5;我们在网络中引入正则化方法,并将正则化系数λ设定为0.0001;ωc代表标签各类别的权重。
根据图2,三维空间加权主要有三个步骤:
步骤1:沿不同方向融合各并行网络的特征图。将融合后的三维数据压缩成各个方向上的一维向量,表达式为:
步骤2:根据图3,计算出各个方向的权重向量,表达式为:
具体步骤如下:
1、对于步骤1中所得到的某个方向上的一维向量(如),用不同的权重分多路对其进行全连接操作,其中全连接前一维向量长度为3p,全连接后压缩为长度3p/4的一维向量。
2、对1得到的一维向量使用ReLU激活函数激活。
3、对2得到的一位向量再进行一次全连接操作,全连接后得到的一维向量长度为p。
4、对3得到的一维向量使用Sigmoid激活函数激活,得到最终的权重向量。
步骤3:计算各个网络的权重图,并将原有的特征图和权重图相乘,最终得到空间加权后的结果。权重图的计算公式为:
权重图中每一个体素的值由三个方向上的权重向量对应坐标的值相乘得到。将得到的权重图同原有的特征图相乘,即得到三维空间加权后的特征图,如图4所示。无空间加权和使用空间加权后的分割结果如图5所示。
本发明的创造性包括:首次提出了一种三维空间加权方式,通过计算特征图三个维度上的权重向量,得到各个特征图的权重信息,再将权重图和特征图相乘,从而得到空间加权后特征图。该加权方法,相较于无加权的深度学习模型,能使网络中的特征图各有侧重,提高特征图的表征能力,得到更好的图像分割结果。
Claims (6)
1.一种基于三维空间加权的医学图像分割方法,其特征在于包括以下步骤:
1)构造一种U型卷积神经网络,实现端到端的医学图像分割;
2)将医学图像的多个模态的图像分别作为输入送入到并行的深度学习网络中,得到不同的特征图;
3)提取多个并行网络的特征图并融合,再进行非线性变换,得到每个并行网络各自的体素级权重;
4)将并行网络各自的体素级权重与原先的特征图相乘,完成特征的重标定;
5)将所有并行网络末端的特征图融合,得到多张概率图,从而得到分割结果。
2.如权利要求1所述一种基于三维空间加权的医学图像分割方法,其特征在于在步骤1)中,所述构造一种U型卷积神经网络是构造单通路网络结构图,单通路网络结构借鉴医学图像领域常用的U型卷积神经网路,其中包含两次池化与上采样过程,使得网络输出图片与原输入图片尺寸大小相同,每一个卷积层都包含BN层、卷积操作以及使用激活函数激活;同时,在训练阶段,通过在网络浅层加入辅助监督层,将监督信息引入网络浅层,使网络浅层有更多的语义信息;最终网络总的损失函数设定为:
其中,X和Y表示输入的训练数据以及分割标签;Θ代表网络的各项参数;对于每一个X,都有一个Y的对应的分割标签Yc,有pc(X,Θ)代表网络输出结果中每个类别中体素级分类的概率;表示第α个辅助监督层的输出结果中每个类别中体素级分类的概率,且两个辅助监督层的权重μα均为0.5;在网络中引入l2正则化方法,并将正则化系数λ设定为0.0001;ωc代表标签各类别的权重。
3.如权利要求1所述一种基于三维空间加权的医学图像分割方法,其特征在于在步骤2)中,所述将医学图像的多个模态的图像分别作为输入送入到并行的深度学习网络中,是将各个模态的医学图像分别作为每条网络的输入,在网络末端再将多条网络的特征图融合,以得到最终的分割概率图,同时,在网络进行空间加权时,也将多条网络融合,使得加权后的各个模态的特征图各有侧重。
4.如权利要求1所述一种基于三维空间加权的医学图像分割方法,其特征在于在步骤3)中,所述提取多个并行网络的特征图并融合的具体方法为:首先计算三维特征图沿某个方向上的权重,将多个模态沿该方向连接起来,再将沿该方向上的所有的切片的体素值取平均,使三维图像压缩成一个一维向量,过程的表达式为:
其中,分别代表MR图像中三个维度上的一维向量,l代表网络的第l层,p为某一层特征图的第p个通道; 分别代表将MR图像的T1、IR、FLAIR三个模态的特征图沿垂直于轴状面、冠状面、矢状面三个方向连接起来,再分别将轴状面、冠状面、矢状面取平均,最终得到三个空间方向垂直的一维向量,式中I、J、K分别代表三维特征图中垂直于矢状面、冠状面、轴状面三个方向的尺寸长度,i、j、k代表三维空间中的体素坐标;
即得到三个一维向量后,再分别对三个向量做两次全连接操作,第一次全连接后将通道数压缩到p/4,第二次全连接再将通道数还原为p;同时,第一次全连接后用ReLU激活函数激活,第二次全连接后用Sigmoid函数激活,具体公式为:
其中,分别为垂直于轴状面的三个模态的权重向量,σ和δ分别代表ReLU和Sigmoid激活函数;分别代表使用不同的权重取得不同模态的全连接操作;同理,也可以通过全连接得到另外两个垂直方向上不同模态的权重向量,对于每个模态来说,使用三个垂直方向上的权重向量构造一个同特征图大小相同的三维权重图,权重图中每一个体素的权重值由该坐标下三个垂直方向上的权重向量相应的值相乘得到,公式为:
由此得到针对网络中不同模态的特征图的权重。
5.如权利要求1所述一种基于三维空间加权的医学图像分割方法,其特征在于在步骤4)中,所述将并行网络各自的体素级权重与原先的特征图相乘的具体方法为:将步骤2)所得的三维权重和原有的特征图进行体素级相乘,公式为:
其中,分别为各个模态原有的特征图;分别为三个模态的权重图;分别为三个模态加权后的特征图。
6.如权利要求1所述一种基于三维空间加权的医学图像分割方法,其特征在于在步骤5)中,所述将所有并行网络末端的特征图融合,得到多张概率图,从而得到分割结果的具体方法为:在几条并行网络的末端,将多个模态的特征图融合起来,再通过卷积的方式,最终得到n张概率图,其中n为分割任务中类别的个数,某一张概率图的某一个体素点的值代表其属于某一类的概率,对所有体素点取其概率最大的那一类别,即得到最终的分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811510501.9A CN109598732B (zh) | 2018-12-11 | 2018-12-11 | 一种基于三维空间加权的医学图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811510501.9A CN109598732B (zh) | 2018-12-11 | 2018-12-11 | 一种基于三维空间加权的医学图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109598732A true CN109598732A (zh) | 2019-04-09 |
CN109598732B CN109598732B (zh) | 2022-06-14 |
Family
ID=65962556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811510501.9A Expired - Fee Related CN109598732B (zh) | 2018-12-11 | 2018-12-11 | 一种基于三维空间加权的医学图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109598732B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136122A (zh) * | 2019-05-17 | 2019-08-16 | 东北大学 | 一种基于注意力深度特征重建的脑mr图像分割方法 |
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 |
CN110309849A (zh) * | 2019-05-10 | 2019-10-08 | 腾讯医疗健康(深圳)有限公司 | 血管图像处理方法、装置、设备及存储介质 |
WO2020215985A1 (zh) * | 2019-04-22 | 2020-10-29 | 腾讯科技(深圳)有限公司 | 医学影像分割方法、装置、电子设备和存储介质 |
WO2021137756A1 (en) * | 2019-12-30 | 2021-07-08 | Medo Dx Pte. Ltd | Apparatus and method for image segmentation using a deep convolutional neural network with a nested u-structure |
US11270447B2 (en) | 2020-02-10 | 2022-03-08 | Hong Kong Applied Science And Technology Institute Company Limited | Method for image segmentation using CNN |
CN115131364A (zh) * | 2022-08-26 | 2022-09-30 | 中加健康工程研究院(合肥)有限公司 | 一种基于Transformer的医学图像分割方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631480A (zh) * | 2015-12-30 | 2016-06-01 | 哈尔滨工业大学 | 一种基于多层卷积网络与数据重组折叠的高光谱数据分类方法 |
CN106373109A (zh) * | 2016-08-31 | 2017-02-01 | 南方医科大学 | 一种医学图像模态合成的方法 |
CN107169974A (zh) * | 2017-05-26 | 2017-09-15 | 中国科学技术大学 | 一种基于多监督全卷积神经网络的图像分割方法 |
CN108268870A (zh) * | 2018-01-29 | 2018-07-10 | 重庆理工大学 | 基于对抗学习的多尺度特征融合超声图像语义分割方法 |
CN108717568A (zh) * | 2018-05-16 | 2018-10-30 | 陕西师范大学 | 一种基于三维卷积神经网络的图像特征提取与训练方法 |
-
2018
- 2018-12-11 CN CN201811510501.9A patent/CN109598732B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631480A (zh) * | 2015-12-30 | 2016-06-01 | 哈尔滨工业大学 | 一种基于多层卷积网络与数据重组折叠的高光谱数据分类方法 |
CN106373109A (zh) * | 2016-08-31 | 2017-02-01 | 南方医科大学 | 一种医学图像模态合成的方法 |
CN107169974A (zh) * | 2017-05-26 | 2017-09-15 | 中国科学技术大学 | 一种基于多监督全卷积神经网络的图像分割方法 |
CN108268870A (zh) * | 2018-01-29 | 2018-07-10 | 重庆理工大学 | 基于对抗学习的多尺度特征融合超声图像语义分割方法 |
CN108717568A (zh) * | 2018-05-16 | 2018-10-30 | 陕西师范大学 | 一种基于三维卷积神经网络的图像特征提取与训练方法 |
Non-Patent Citations (2)
Title |
---|
LIYAN SUN ET AL.: "a deep information sharing network for multi-contrast compressed sensing MRI reconstruction", 《ARXIV》, 10 April 2018 (2018-04-10) * |
伍广明 等: "基于U型卷积神经网络的航空影像建筑物检测", 《测绘学报》, 15 June 2018 (2018-06-15) * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7180004B2 (ja) | 2019-04-22 | 2022-11-29 | テンセント・テクノロジー・(シェンジェン)・カンパニー・リミテッド | 医用画像分割方法、医用画像分割装置、電子機器及びコンピュータプログラム |
WO2020215985A1 (zh) * | 2019-04-22 | 2020-10-29 | 腾讯科技(深圳)有限公司 | 医学影像分割方法、装置、电子设备和存储介质 |
KR20210097772A (ko) * | 2019-04-22 | 2021-08-09 | 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 | 의료 영상 세그먼트화 방법 및 디바이스, 전자 디바이스 및 저장 매체 |
JP2022529557A (ja) * | 2019-04-22 | 2022-06-23 | テンセント・テクノロジー・(シェンジェン)・カンパニー・リミテッド | 医用画像分割方法、医用画像分割装置、電子機器及びコンピュータプログラム |
US11887311B2 (en) | 2019-04-22 | 2024-01-30 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for segmenting a medical image, and storage medium |
KR102607800B1 (ko) * | 2019-04-22 | 2023-11-29 | 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 | 의료 영상 세그먼트화 방법 및 디바이스, 전자 디바이스 및 저장 매체 |
CN110309849A (zh) * | 2019-05-10 | 2019-10-08 | 腾讯医疗健康(深圳)有限公司 | 血管图像处理方法、装置、设备及存储介质 |
CN110136122B (zh) * | 2019-05-17 | 2023-01-13 | 东北大学 | 一种基于注意力深度特征重建的脑mr图像分割方法 |
CN110136122A (zh) * | 2019-05-17 | 2019-08-16 | 东北大学 | 一种基于注意力深度特征重建的脑mr图像分割方法 |
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 |
US11836928B2 (en) | 2019-12-30 | 2023-12-05 | Exo Imaging, Inc. | Apparatus and method for image segmentation using a deep convolutional neural network with a nested U-structure |
WO2021137756A1 (en) * | 2019-12-30 | 2021-07-08 | Medo Dx Pte. Ltd | Apparatus and method for image segmentation using a deep convolutional neural network with a nested u-structure |
US11270447B2 (en) | 2020-02-10 | 2022-03-08 | Hong Kong Applied Science And Technology Institute Company Limited | Method for image segmentation using CNN |
CN115131364A (zh) * | 2022-08-26 | 2022-09-30 | 中加健康工程研究院(合肥)有限公司 | 一种基于Transformer的医学图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109598732B (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598732B (zh) | 一种基于三维空间加权的医学图像分割方法 | |
CN109685819B (zh) | 一种基于特征增强的三维医学图像分割方法 | |
CN108182441B (zh) | 平行多通道卷积神经网络、构建方法及图像特征提取方法 | |
CN106529447B (zh) | 一种小样本人脸识别方法 | |
KR102068576B1 (ko) | 합성곱 신경망 기반 이미지 처리 시스템 및 방법 | |
CN110929736B (zh) | 多特征级联rgb-d显著性目标检测方法 | |
CN112288011B (zh) | 一种基于自注意力深度神经网络的图像匹配方法 | |
CN111340814A (zh) | 一种基于多模态自适应卷积的rgb-d图像语义分割方法 | |
CN109949255A (zh) | 图像重建方法及设备 | |
CN109872332B (zh) | 一种基于u-net神经网络的三维医学图像配准方法 | |
Messaoud et al. | Structural consistency and controllability for diverse colorization | |
CN110619638A (zh) | 一种基于卷积块注意模块的多模态融合显著性检测方法 | |
CN112183541B (zh) | 一种轮廓提取方法及装置、电子设备、存储介质 | |
CN108171249B (zh) | 一种基于rgbd数据的局部描述子学习方法 | |
CN110458178A (zh) | 多模态多拼接的rgb-d显著性目标检测方法 | |
CN112084934A (zh) | 基于骨骼数据双通道深度可分离卷积的行为识别方法 | |
CN112634149A (zh) | 一种基于图卷积网络的点云去噪方法 | |
CN113781659A (zh) | 一种三维重建方法、装置、电子设备及可读存储介质 | |
CN110443296A (zh) | 面向高光谱图像分类的数据自适应激活函数学习方法 | |
Salem et al. | Semantic image inpainting using self-learning encoder-decoder and adversarial loss | |
Yan et al. | On combining CNN with non-local self-similarity based image denoising methods | |
CN114795178A (zh) | 一种基于多注意力神经网络的大脑状态解码方法 | |
CN113284079B (zh) | 一种多模态医学图像融合方法 | |
CN113158970B (zh) | 一种基于快慢双流图卷积神经网络的动作识别方法与系统 | |
Lin et al. | Dyspn: Learning dynamic affinity for image-guided depth completion |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220614 |
|
CF01 | Termination of patent right due to non-payment of annual fee |