CN109636802A - 基于深度卷积神经网络的肺实质经ct图像分割方法 - Google Patents
基于深度卷积神经网络的肺实质经ct图像分割方法 Download PDFInfo
- Publication number
- CN109636802A CN109636802A CN201910061987.0A CN201910061987A CN109636802A CN 109636802 A CN109636802 A CN 109636802A CN 201910061987 A CN201910061987 A CN 201910061987A CN 109636802 A CN109636802 A CN 109636802A
- Authority
- CN
- China
- Prior art keywords
- pulmonary parenchyma
- image
- neural networks
- convolutional neural
- convolution
- 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
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
-
- 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
- G06T2207/10—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
-
- 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)
- 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)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明设计了一种基于深度卷积神经网络的肺实质经CT图像分割方法,包括:1、利用通过空洞卷积改进的VGG‑16网络来提取肺部CT图像中肺实质的卷积特征;2、构建一个基于多层提取的多尺度特征超列描述符;3、学习一种将像素进行分类的非线性预测器。结果表明,该方法可以实现精确的肺实质图像分割,相比于目前的技术,本发明提高了分割的准确性和速度,成功解决了肺实质图像人工分割效率低、准确率低、消耗过多的人力资源等问题。
Description
技术领域
本发明涉及一种基于卷积神经网络的肺实质CT图像分割方法,在分割效率、鲁棒性以及准确性方面优于现有技术,具有很好的分割性能,属于医学图像处理、深度学习领域。
背景技术
据统计,中国肺癌发病率每年以26.9%的速度增长,到2025年,仅中国死于肺癌的人数将接近每年100万人。研究表明,肺癌的早期发现和早期治疗可以有效提高肺癌患者的生存率:5年生存率从14%增加到49%。CT成像是帮助医生诊断肺部疾病的有效方法之一。为了更快,更准确地减少医生的工作量,检测肺部疾病,将医学图像处理技术应用于肺部疾病的辅助诊断具有重要意义。在计算机辅助诊断肺部疾病的过程中,从肺部图像中的CT图像中提取肺实质可以帮助临床医生诊断和评估肺部疾病。然而,由于肺部CT图像主要包括肺实质和肺实质外的空气,检查床等部位,并且由于肺部CT图像噪声和组织结构复杂,肺实质的快速有效分割有成为肺病辅助诊断研究的热点和难点之一。
目前,肺实质分割的主要分割方法分为阈值分割法,轮廓分割法,区域分割法和统计分割法。轮廓分割法不能很好的处理灰度不均匀的图像,这在一定程度上限制了它在医学图像中的实际应用;另外现有的三种肺实质分割方法,都需要手工选取种子点,并且在肺叶边缘区域与其他器官相粘连的部分分割效果不够理想,尤其是肺部疾病患者的肺部更加难以分割。
近年来,深卷积神经网络(DCNN)在计算机视觉和医学图像处理等领域表现出的性能优于现有技术。本发明提出了一种新颖的肺实质分割框架来解决上述问题,通过在肺实质的CT图像上利用DCNN来解决上述问题。
发明内容
本发明提出了一种基于深度卷积神经网络的肺实质CT图像分割方法,使用经空洞卷积改进的VGG-16网络,通过构建一个基于多层提取的多尺度特征超列描述符,后接一种将像素进行分类的非线性预测器,形成肺实质分割网络。
本发明的技术方案,包括下列步骤:
步骤1:采集肺部CT图像;
步骤2:使用经空洞卷积改进的VGG-16为基础的卷积神经网络来提取多尺度语义信息;
步骤3:构建一个基于多层提取的多尺度特征超列描述符来提取图像中像素的超列特征;
步骤4:学习一种用于将像素进行分类的非线性预测器;
步骤5:输出分割结果。
与现有技术相比,本发明的有益效果是:
本发明是在VGG-16网络的基础上改进而来,将原始网络中的部分卷积层替换为空洞卷积,同时将池化层取消,这样可以在卷积核参数不变的情况下,使得卷积核的感受野增大,并且达到了减小计算量,提高精度的作用。与现有方法相比,本文提出的方法解决了其他方法的一些不足之处。如传统方法不能准确分割附于肺部边缘的肺结节以及血管,也不能够将距离相近的左肺部分和右肺部分。卷积神经网络的出现解决了传统方法的一些不足之处,在各项性能指标上均优于传统方法,可以证明卷积神经网络可以运用在CT图像分割领域。与其他端到端(end-to-end)和编码器-解码器(encoder-decoder)方法相比,本文提出的方法在准确率等指标上均得分较高,解决了U-Net等网络细节之处分割不够精确的问题。这主要有三个方面的原因:1、空洞卷积在保持相同的卷积核参数的同时,扩大了感受野区域;2、超列的使用保留了更多的特征。3、算法速度快,可以在临床中实时进行。
附图说明
图1为本发明的基于深度卷积神经网络肺实质CT图像分割方法流程图;
图2为本发明的数据样本和分割结果;
图3为本发明的全局图像特征提取示意图;
图4为本发明的网络结构示意图。
具体实施方式
现结合所附较佳实施例详细说明如下,所说明的较佳实施例仅用于说明本发明的技术方案,并非限定本发明。
图1给出了按照本发明的基于深度卷积神经网络肺实质CT图像分割方法的流程图。如图1所示,按照本发明的基于深度卷积神经网络肺实质CT图像分割方法包括:
步骤1:采集肺部CT图像;
步骤2:使用经空洞卷积改进的VGG-16为基础的卷积神经网络来提取多尺度语义信息;
步骤3:构建一个基于多层提取的多尺度特征超列描述符来提取图像中像素的超列特征;
步骤4:学习一种用于将像素进行分类的非线性预测器;
步骤5:输出分割结果。
下面结合附图,对本发明技术方案的具体实施过程加以说明。
所述步骤1进一步包括:如图1所示,本发明使用的肺实质CT图像数据集由来自20名患者的1937幅图像组成,图像尺寸为224×224(单位为像素),像素尺寸为0.35毫米。由经过专业医生手动分割的结果作为训练标签和算法评估的金标准。在1937幅图像中,1700幅图像用于训练,其余237幅图像用于算法测试。数据样本及本发明提到方法的分割结果如图2所示。
所述步骤2进一步包括:本发明网络结构中使用使用VGG-16作为基础网络,并且进行了微调。原始的VGG-16网络具有13个卷积层和3个全连接(FC)层,卷积层被表示为{11,12,21,22,31,32,33,41,42,43,51,52,53}。空洞卷积方式可以在保持卷积核参数不变的情况下,增加卷积核的感受野,同时也保证了特征图的大小保持不变。空洞卷积中,除了卷积核大小这个参数之外,还存在一个表示扩张大小的扩张率参数。将卷积层{51,52,53}替换成空洞卷积方式,卷积核参数设置为3×3,扩张率为2,并且取消了卷积层{43,53}后的maxpooling层。同时将最后两个全连接(FC)层转换为空洞卷积层{6,7},卷积核大小设置为7×7,扩张率为4。
空洞卷积允许在不减少空间维度的情况下指数增加感受野。每个分支使用扩张率不同的扩张卷积来处理这些特征。速率为r的扩张卷积在相继的内核值之间引入了r-1个零点,在不增加计算量或参数数量的情况下将感受野扩大到r(n-1)+1。
所述步骤3进一步包括:为了进一步将捕捉的全局特征进行融合,本专利采用超列的方法。如图3所示,超列方法将对应像素在网络每一层的节点激活,并将这些节点串联起来作为特征,从而对目标进行精确的定位与准确的分割。由于特征图的大小不同,采用双线性差值的方法对高层的卷积层进行上采样,以到达特征图大小一致的效果。对于分割问题,在图中的每一个位置,使用上图的方法提取一些像素点在卷积层上的输出,并结合到一起作为特征,并且运用双线性插值的方法将每一层特征图统一大小,以消除特征图不一致的问题。上图中像素点的特征向量为:
h(p)=[c1(p),c2(p),…,cM(p)]
其中,ci(p)表示像素点p在第i层的卷积响应。
所述步骤4进一步包括:学习一种用于将像素进行分类的非线性预测器,由3个全连接组成的一个多层感知机(MLP)结构,被用在超列特征之后。最后,使用ReLU作为激活函数,能够对像素进行预测,得到最终的分割结果。本专利网络如图4所示。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围,应当理解,本发明并不限于这里所描述的实现方案,这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。任何本领域中的技术人员很容易在不脱离本发明精神和范围的情况下进行进一步的改进和完善,因此本发明只受到本发明权利要求的内容和范围的限制,其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方案。
Claims (4)
1.一种基于深度卷积神经网络的肺实质经CT图像分割方法,包括下列步骤:
(1)采集肺部CT图像;
(2)使用改进的VGG-16网络提取多尺度语义信息;
(3)构建一个具有多尺度特征的超列描述符提取图像中像素的超列特征;
(4)学习一种用于将像素进行分类的非线性预测器;
(5)输出分割结果。
2.根据权利要求1所述的基于深度卷积神经网络的肺实质图像分割方法,其特征在于,步骤(2)中,使用改进的VGG-16作为基础网络,提取多尺度语义信息。VGG-16网络有13个卷积层和3个全连接(FC)层,将卷积层表示为{11,12,21,22,31,32,33,41,42,43,51,52,53}。由于空洞卷积方式可以在保持卷积核参数不变的情况下,增加卷积核的感受野,除了卷积核大小这个参数之外,空洞卷积中还存在一个表示扩张大小的扩张率参数。将卷积层{51,52,53}替换成空洞卷积方式,卷积核参数设置为3×3,扩张率为2,并且取消了卷积层{43,53}后的max pooling层。同时将最后两个全连接(FC)层转换为空洞卷积层{6,7},卷积核大小设置为7×7,扩张率为4。
3.根据权利要求1所述的基于卷积神经网络的肺实质图像分割方法,其特征在于,步骤(3)中,构建一个基于多层提取的多尺度特征超列描述符,使用按需插值从{12,22,33,43,53,7}层中提取出超列特征。
4.根据权利要求1所述的基于卷积神经网络的肺实质图像分割方法,其特征在于,步骤(4)中,学习一种将像素进行分类的非线性预测器,它由3个全连接组成的一个多层感知机(MLP)结构,被用在超列特征之后。最后,使用ReLU作为激活函数,能够对像素进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910061987.0A CN109636802A (zh) | 2019-01-18 | 2019-01-18 | 基于深度卷积神经网络的肺实质经ct图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910061987.0A CN109636802A (zh) | 2019-01-18 | 2019-01-18 | 基于深度卷积神经网络的肺实质经ct图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109636802A true CN109636802A (zh) | 2019-04-16 |
Family
ID=66063043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910061987.0A Pending CN109636802A (zh) | 2019-01-18 | 2019-01-18 | 基于深度卷积神经网络的肺实质经ct图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109636802A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059772A (zh) * | 2019-05-14 | 2019-07-26 | 温州大学 | 基于迁移vgg网络的遥感图像语义分割方法 |
CN110210603A (zh) * | 2019-06-10 | 2019-09-06 | 长沙理工大学 | 人群的计数模型构建方法、计数方法和装置 |
CN110309880A (zh) * | 2019-07-01 | 2019-10-08 | 天津工业大学 | 一种基于注意力机制cnn的5天和9天孵化鸡蛋胚胎图像分类方法 |
CN110458852A (zh) * | 2019-08-13 | 2019-11-15 | 四川大学 | 基于胶囊网络的肺组织分割方法、装置、设备及存储介质 |
CN110599495A (zh) * | 2019-07-26 | 2019-12-20 | 山东大学 | 一种基于语义信息挖掘的图像分割方法 |
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 |
CN111144460A (zh) * | 2019-12-16 | 2020-05-12 | 华东师范大学 | 一种提高卷积神经网络分类性能的算法 |
CN111415356A (zh) * | 2020-03-17 | 2020-07-14 | 北京推想科技有限公司 | 肺炎征象的分割方法、装置、介质及电子设备 |
CN111539959A (zh) * | 2020-07-13 | 2020-08-14 | 浙江省肿瘤医院(浙江省癌症中心) | 基于跨层稀疏空洞卷积的甲状腺结节超声图像处理方法 |
CN111896823A (zh) * | 2020-06-30 | 2020-11-06 | 成都四威功率电子科技有限公司 | 一种对功放进行在线健康监测与故障预警的系统 |
CN112241966A (zh) * | 2020-09-21 | 2021-01-19 | 西北大学 | 多任务多分类的胸部器官分割模型建立、分割方法及系统 |
CN114693698A (zh) * | 2020-12-30 | 2022-07-01 | 四川大学华西医院 | 一种基于神经网络的计算机辅助肺气道分割方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407903A (zh) * | 2016-08-31 | 2017-02-15 | 四川瞳知科技有限公司 | 基于多尺度卷积神经网络的实时人体异常行为识别方法 |
CN107203999A (zh) * | 2017-04-28 | 2017-09-26 | 北京航空航天大学 | 一种基于全卷积神经网络的皮肤镜图像自动分割方法 |
CN107507197A (zh) * | 2017-08-18 | 2017-12-22 | 东北大学 | 一种基于聚类算法和卷积神经网络的肺实质提取方法 |
CN108510473A (zh) * | 2018-03-09 | 2018-09-07 | 天津工业大学 | 结合深度可分离卷积与通道加权的fcn视网膜图像血管分割 |
CN108776969A (zh) * | 2018-05-24 | 2018-11-09 | 复旦大学 | 基于全卷积网络的乳腺超声图像肿瘤分割方法 |
CN108986124A (zh) * | 2018-06-20 | 2018-12-11 | 天津大学 | 结合多尺度特征卷积神经网络视网膜血管图像分割方法 |
CN109145920A (zh) * | 2018-08-21 | 2019-01-04 | 电子科技大学 | 一种基于深度神经网络的图像语义分割方法 |
CN109214406A (zh) * | 2018-05-16 | 2019-01-15 | 长沙理工大学 | 基于D-MobileNet神经网络图像分类方法 |
-
2019
- 2019-01-18 CN CN201910061987.0A patent/CN109636802A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407903A (zh) * | 2016-08-31 | 2017-02-15 | 四川瞳知科技有限公司 | 基于多尺度卷积神经网络的实时人体异常行为识别方法 |
CN107203999A (zh) * | 2017-04-28 | 2017-09-26 | 北京航空航天大学 | 一种基于全卷积神经网络的皮肤镜图像自动分割方法 |
CN107507197A (zh) * | 2017-08-18 | 2017-12-22 | 东北大学 | 一种基于聚类算法和卷积神经网络的肺实质提取方法 |
CN108510473A (zh) * | 2018-03-09 | 2018-09-07 | 天津工业大学 | 结合深度可分离卷积与通道加权的fcn视网膜图像血管分割 |
CN109214406A (zh) * | 2018-05-16 | 2019-01-15 | 长沙理工大学 | 基于D-MobileNet神经网络图像分类方法 |
CN108776969A (zh) * | 2018-05-24 | 2018-11-09 | 复旦大学 | 基于全卷积网络的乳腺超声图像肿瘤分割方法 |
CN108986124A (zh) * | 2018-06-20 | 2018-12-11 | 天津大学 | 结合多尺度特征卷积神经网络视网膜血管图像分割方法 |
CN109145920A (zh) * | 2018-08-21 | 2019-01-04 | 电子科技大学 | 一种基于深度神经网络的图像语义分割方法 |
Non-Patent Citations (8)
Title |
---|
BHARATH HARIHARAN等: "Hypercolumns for Object Segmentation and Fine-grained Localization", 《PROCEEDINGS OF THE IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
FISHER YU等: "MULTI-SCALE CONTEXT AGGREGATION BY DILATED CONVOLUTIONS", 《ARXIV:1511.07122V3 [CS.CV]》 * |
HU CHEN等: "Low-Dose CT With a Residual Encoder-Decoder Convolutional Neural Network", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
LIANG-CHIEH CHEN等: "DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution", 《ARXIV:1606.00915V2 [CS.CV]》 * |
LIANG-CHIEH CHEN等: "Rethinking Atrous Convolution for Semantic Image Segmentation", 《ARXIV:1706.05587V3 [CS.CV]》 * |
LIANG-CHIEH CHEN等: "S EMANTIC IMAGE S EGMENTATION WITH DEEP CONVOLUTIONAL NETS AND FULLY CONNECTED CRFs", 《ARXIV:1412.7062V4 [CS.CV]》 * |
SHENGCONG CHEN等: "Dual-force convolutional neural networks for accurate brain tumor segmentation", 《PATTERN RECOGNITION》 * |
刘宇等: "医学图像分割方法综述", 《电子科技》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059772A (zh) * | 2019-05-14 | 2019-07-26 | 温州大学 | 基于迁移vgg网络的遥感图像语义分割方法 |
CN110059772B (zh) * | 2019-05-14 | 2021-04-30 | 温州大学 | 基于多尺度解码网络的遥感图像语义分割方法 |
CN110210603A (zh) * | 2019-06-10 | 2019-09-06 | 长沙理工大学 | 人群的计数模型构建方法、计数方法和装置 |
CN110309880A (zh) * | 2019-07-01 | 2019-10-08 | 天津工业大学 | 一种基于注意力机制cnn的5天和9天孵化鸡蛋胚胎图像分类方法 |
CN110309880B (zh) * | 2019-07-01 | 2022-12-09 | 天津工业大学 | 一种基于注意力机制cnn的5天和9天孵化鸡蛋胚胎图像分类方法 |
CN110599495B (zh) * | 2019-07-26 | 2022-08-16 | 山东大学 | 一种基于语义信息挖掘的图像分割方法 |
CN110599495A (zh) * | 2019-07-26 | 2019-12-20 | 山东大学 | 一种基于语义信息挖掘的图像分割方法 |
CN110458852A (zh) * | 2019-08-13 | 2019-11-15 | 四川大学 | 基于胶囊网络的肺组织分割方法、装置、设备及存储介质 |
CN111144460A (zh) * | 2019-12-16 | 2020-05-12 | 华东师范大学 | 一种提高卷积神经网络分类性能的算法 |
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 |
CN111415356A (zh) * | 2020-03-17 | 2020-07-14 | 北京推想科技有限公司 | 肺炎征象的分割方法、装置、介质及电子设备 |
CN111896823A (zh) * | 2020-06-30 | 2020-11-06 | 成都四威功率电子科技有限公司 | 一种对功放进行在线健康监测与故障预警的系统 |
CN111539959A (zh) * | 2020-07-13 | 2020-08-14 | 浙江省肿瘤医院(浙江省癌症中心) | 基于跨层稀疏空洞卷积的甲状腺结节超声图像处理方法 |
CN112241966B (zh) * | 2020-09-21 | 2022-11-04 | 西北大学 | 多任务多分类的胸部器官分割模型建立、分割方法及系统 |
CN112241966A (zh) * | 2020-09-21 | 2021-01-19 | 西北大学 | 多任务多分类的胸部器官分割模型建立、分割方法及系统 |
CN114693698A (zh) * | 2020-12-30 | 2022-07-01 | 四川大学华西医院 | 一种基于神经网络的计算机辅助肺气道分割方法 |
CN114693698B (zh) * | 2020-12-30 | 2023-06-20 | 四川大学华西医院 | 一种基于神经网络的计算机辅助肺气道分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109636802A (zh) | 基于深度卷积神经网络的肺实质经ct图像分割方法 | |
CN107169998A (zh) | 一种基于肝脏超声造影图像的实时跟踪及定量分析方法 | |
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 | |
TWI742408B (zh) | 一種圖像處理方法、電子設備及儲存介質 | |
CN109063710A (zh) | 基于多尺度特征金字塔的3d cnn鼻咽癌分割方法 | |
CN109389584A (zh) | 基于cnn的多尺度鼻咽肿瘤分割方法 | |
CN108898606A (zh) | 医学图像的自动分割方法、系统、设备及存储介质 | |
CN109003299A (zh) | 一种基于深度学习的计算脑出血量的方法 | |
CN109559292A (zh) | 基于卷积稀疏表示的多模态图像融合方法 | |
CN107730497A (zh) | 一种基于深度迁移学习的血管内斑块属性分析方法 | |
CN109727253A (zh) | 基于深度卷积神经网络自动分割肺结节的辅助检测方法 | |
CN107330953A (zh) | 一种基于非凸低秩的动态mri重建方法 | |
CN110517238A (zh) | Ct医学影像ai三维重建与人机交互可视化网络系统 | |
CN105160294B (zh) | 实时mce序列图像心肌组织感兴趣区域的自动跟踪方法 | |
CN110163877A (zh) | 一种mri心室结构分割的方法与系统 | |
CN109727197A (zh) | 一种医学图像超分辨率重建方法 | |
CN110503626A (zh) | 基于空间-语义显著性约束的ct图像模态对齐方法 | |
Xue et al. | Automated tongue segmentation in Chinese medicine based on deep learning | |
CN105654425A (zh) | 一种应用于医学x光图像的单幅图像超分辨率重建方法 | |
CN115512110A (zh) | 一种涉及跨模态注意力机制的医学图像肿瘤分割方法 | |
Zhu et al. | A new method incorporating deep learning with shape priors for left ventricular segmentation in myocardial perfusion SPECT images | |
Deng et al. | Three-dimensional image reconstruction based on improved U-net network for anatomy of pulmonary segmentectomy | |
Chen | Medical Image Segmentation Based on U-Net | |
CN114663445A (zh) | 一种基于多尺度边缘感知的三维心脏图像分割方法 | |
Cao et al. | X-ray classification of tuberculosis based on convolutional networks |
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: 20190416 |
|
WD01 | Invention patent application deemed withdrawn after publication |