CN109636806A - 一种基于多步学习的三维核磁共振胰腺图像分割方法 - Google Patents
一种基于多步学习的三维核磁共振胰腺图像分割方法 Download PDFInfo
- Publication number
- CN109636806A CN109636806A CN201811399318.6A CN201811399318A CN109636806A CN 109636806 A CN109636806 A CN 109636806A CN 201811399318 A CN201811399318 A CN 201811399318A CN 109636806 A CN109636806 A CN 109636806A
- Authority
- CN
- China
- Prior art keywords
- training
- pancreas
- net model
- image
- net
- 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
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
- 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
- G06T7/13—Edge detection
-
- 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Abstract
本发明公开了一种基于多步学习的三维核磁共振胰腺图像分割方法,包括:(1)归一化预处理三维核磁共振图像;(2)随机将预处理后的图像分为训练集、验证集和测试集;(3)利用分割标注将训练集中包含胰腺的块和对应的标注切出备用;(4)压缩原始图像训练一个Q‑net模型计算胰腺大致位置;(5)使用步骤3中的配对数据预训练另一个P‑net模型;(6)使用预训练的Q‑net产生胰腺的3D位置预测图,选取概率高的图块,映射回原图,分块输入预训练的P‑net中合并训练预测胰腺位置;(7)使用训练好的分割模型在测试集上进行预测检测效果。利用本发明,能够精确地从三维的核磁共振图像中分割出胰腺,可为胰腺的放射治疗提供依据和指导。
Description
技术领域
本发明属于医学图像处理领域,尤其是涉及一种基于多步学习的三维核磁共振胰腺图像分割方法。
背景技术
胰腺癌是长期以来严重威胁人类健康的一种出现在胰腺上的癌症,是常见恶性肿瘤中恶性程度最高,死亡率最高的癌症,其发病率和死亡率几乎相等。约90%以上的患者无法通过手术治疗根治,转移极快,五年存活率仅有3%。虽然随着科学技术的不断进步和发展,癌症的总体治疗手段和方法都有了很大突破,但胰腺癌的治疗并没有实质性的进展,患病死亡率也长期位居第一。因此在胰腺癌的诊断和治疗上,必须加强科学技术的研究,争取早日改善这一现状。
一方面,在传统的胰腺癌诊断中,主要依靠放射科医生的经验和观察阅片进行,有一定的主观性,随着工作量的增加,诊断的准确率和效率也会有所下降。准确分割出胰腺的三维结构对于放射科医生的诊断有重要的促进作用。
另一方面,对于无法手术根治的胰腺癌患者,放射治疗是一种重要的治疗方法,该方法利用强辐射射线杀死肿瘤细胞,但是也会对路径上的正常组织和细胞造成不可逆的破坏。所以在实际操作中,肿瘤组织的精准定位、放射治疗的射线方向、角度,放射使用剂量等放疗方案制定成为了放射治疗的重要因素,在精准医疗时代,这一点更被多次强调。为了制定出更科学高效的胰腺癌放疗方案,胰腺组织的三维分割十分重要,它能够有效帮助医生分析病情,精准定位和制定放疗手段。
在现有的医学影像检测手段中,主要的方法为三维核磁共振成像,这种方法具有强大的成像能力,尤其对于软组织的成像更加清晰。比起其他同类检查手段而言,对人体的损害相对较小,已经成为了胰腺疾病的检查、诊断、治疗的重要医学影像手段。而针对三维核磁同振图像的胰腺分割,也就是实现以上目标的实际手段。
在现有的胰腺分割方法中,如基于区域分割、基于边缘分割、基于图谱分割等方法,都是基于二维的序列图像分割的方法,利用三维核磁共振图的切片信息进行分割,无法有效利用到不同切面之间的相关信息。另一方面,由于胰腺的固有特性,比起腹腔来说体积过小,正负例样本数目差距过大,利用现有的直接的分割方法很难精确的分割出胰腺的位置,与此同时,核磁共振图像又有噪声偏大、对比度较低、临近组织边界不清晰等特点,使得这一任务难以通过普通的3D分割神经网络进行,多会出现边界模糊,分割不足或过分割的情况。
发明内容
本发明提供了一种基于多步学习的三维核磁共振胰腺图像分割方法,通过多步学习的方法,提高三维核磁同振图像中胰腺分割的准确率和精细程度。
一种基于多步学习的三维核磁共振胰腺图像分割方法,包括以下步骤:
(1)输入三维核磁共振序列图像,对其进行归一化处理,得到归一化后的序列图像集;
(2)将序列图像集人工标注后按一定比例随机分成训练集、验证集和测试集;
(3)将训练集中图像预处理成相同大小尺寸后,将含有胰腺的图块和对应的标注切出进行配对;
(4)搭建分割模型,所述分割模型包含Q-net模型和P-net模型,所述Q-net模型用于对图像粗分割生成候选区域,所述P-net模型用于对候选区域的胰腺进行精准分割;
(5)将训练集的图像压缩后输入Q-net模型进行预训练,将步骤(3)中切出的含有胰腺的图块和对应的标注图块输入P-net模型进行预训练;
(6)将预训练好的Q-net模型和P-net模型进行合并训练,将训练集图像压缩后输入预训练好的Q-net模型进行粗分割,产生胰腺的3D位置预测图,选取高于阈值的图块映射回原图,取出这些位置的图块和对应标注输入预训练好的P-net模型中进行分割预测,达到预设的训练次数后结束训练;
(7)将需要分割的图像归一化后输入训练好的分割模型中,输出最终的分割结果。
本发明使用了多步学习的方法,使用压缩的原始图像训练Q-net来粗分割生成候选区域,再使用预训练的P-net来对候选区域中的胰腺进行精准分割,可以解决现有胰腺分割技术中胰腺分割边界粗糙,假阳性率高的问题,提高了胰腺分割的准确率和精细程度。
步骤(1)和步骤(7)中,所述归一化处理的步骤如下:
(1-1)计算全部图像像素值的平均值和标准差;
(1-2)对于全部图像,图像像素值减去上步计算的平均值,再除以上步计算的标准差;
(1-3)对于上步处理后的图像,每张图减去该图中像素最小值,再除以该图中像素值的极值差。
步骤(3)中,所述预处理的步骤如下:
对于长、宽、高任何一边小于设定像素N的图块,利用双线性插值扩大到N像素;对于长、宽、高任何一边大于N像素的图块,按照N×N×N进行裁剪,剩下部分如果大于则同样利用双线性插值扩大到N×N×N,否则舍弃。
在对训练集中含有胰腺的图块和对应的标注图块切出配对时,需按照步骤(5)中所述的P-net的输入大小进行图块的切割、缩放等操作。
步骤(4)中,所述Q-net模型和P-net模型的网络结构相同,为3D-Unet模型,模型均包含编码和解码两条路径,两条路径分别有4个卷积层;
在编码路径,每个卷积层包含两个3×3×3的卷积,后接一个ReLu激活函数,接着连接一个2×2×2的最大值池化,在每个维度的步长都为2;在解码路径,每一个卷积层包括一个2×2×2的反卷积,在每个维度的步长为2,后接两个3×3×3的卷积层,最后连接ReLu激活函数;相同维度的编码和解码路径上的卷积层之间设有快捷连接。
步骤(5)中,预训练Q-net模型的步骤如下:
(5-1-1)对训练集的图像压缩至N×N×N,输入Q-net模型进行训练;
(5-1-2)使用1-dice损失作为损失函数,使用随机梯度下降的优化方法,每个epoch训练结束后在验证集上计算dice值,当Q-net模型在验证集上的预测的dice值达到0.6时结束预训练。
在Q-net模型预训练结束后,通过验证集的预测结果和标注进行阈值选择,选取能够使得验证集召回率大于90%的最大阈值作为挑选的阈值。
阈值是用来界定哪些Q-net的输出作为阳性的预测结果。当阈值为1,输出结果为0个像素,阈值0时,输出结果为全部输入像素。在Q-net模型预训练完后,通过验证集,调整阈值使得输出的像素点能够包括至少90%的标注像素。
步骤(5)中,预训练P-net模型的步骤如下:
(5-2-1)使用步骤(3)中的切出图块和对应的标注作为训练数据,并且按8:2的比例随机分为训练集和验证集;
(5-2-2)使用1-dice损失作为损失函数,使用随机梯度下降的优化方法,每个epoch训练结束后在验证集上计算dice值,当在P-net在验证集上的预测的dice值达到0.8时结束预训练。
步骤(6)中,使用Q-net模型预训练后挑选的阈值作为标准,高于该阈值的预测区域作为Q-net模型的预测结果;并将这些区域根据Q-net的压缩比例映射回原图;这些图块根据P-net的输入大小进行裁剪和缩放操作后输入P-net进行端对端训练。每经过5个epoch训练后就检验阈值是否依然能够覆盖90%的标记对照,如果不能,则自动调整为符合要求的阈值继续训练,直到达到预设的训练次数。
在模型训练完毕后,将训练集输入该模型,使用dice值作为最终的模型预测结果评价指标。
与现有技术相比,本发明具有以下有益效果:
1、本发明针对比较困难的胰腺分割任务,使用了多步学习的方法,使用压缩的原始图像训练Q-net来粗分割生成候选区域,再使用预训练的P-net来对候选区域中的胰腺进行精准分割,一方面解决了图像无法直接输出的问题,另一方面也拆解了困难的小目标分割问题。
2、本发明直接采用三维的核磁同振图像进行分割,充分利用了多维度的空间相关信息,提高了三维分割的精准度。
3、本发明在两预训练后实现了端对端训练,在测试的时候降低了计算的时间成本。
附图说明
图1为本发明一种基于多步学习的三维核磁共振胰腺图像分割方法的流程示意图;
图2为本发明3D-Unet模型结构示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述,需要指出的是,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
如图1所示,一种基于多步学习的三维核磁共振胰腺图像分割方法,包括以下步骤:
S01,归一化预处理三维核磁共振图像。归一化预处理的过程如下:
(1-1)计算全部图像像素值的平均值x_mean和标准差x_std;
(1-2)对于全部图像,图像像素值减去平均值,再除以标准差:
x’=(x–x_mean)/x_std
其中,x表示原始图像,x’表示初步处理后的图像。
(1-3)对于上步处理后的图像x’,每张图减去该图中像素最小值,再除以该图中像素值的极值差。
x*=(x’–x’_min)/(x’_max–x’min)
其中,x*为归一化处理后的图像。
S02,随机将预处理后的图像分为训练集、验证集和测试集。将序列图像集人工标注后按7:2:1的比例随机分成训练集、验证集和测试集。
S03,利用分割标注将训练集中包含胰腺的块和对应的标注切出备用。该步骤对训练集中含有胰腺的图块和对应的标注图块切出配对,对于长、宽、高任何一边小于128像素的图块,利用双线性插值扩大到128像素;对于长、宽、高任何一边大于128像素的图块,按照128×128×128裁剪,剩下部分如果大于64×64×64,则同样利用双线性插值扩大到128×128×128,否则舍弃。图块和对应的标注图块保持操作一致。
S04,压缩原始图像训练一个3D-Unet模型(Q-net)计算胰腺大致位置。
对训练集(原始大小为512×512×360),将其压缩为128×128×128,使用dice损失作为损失函数,网络的基本结构如图2所示,使用的是3D-Unet模型,和2D-Unet类似,结构上有编码和解码两条路径,分别有4个卷积层。在编码路径,每个卷积层包含两个3×3×3的卷积,后接一个ReLu激活函数,接着连接一个2×2×2的最大值池化,在每个维度的步长都为2。在解码路径,每一个卷积层包括一个2×2×2的反卷积,在每个维度的步长为2,后接两个3×3×3的卷积层,最后连接ReLu激活函数。快捷连接连接了相同维度的编码和解编码路径上的卷积层,为解码的卷积层提供了编码路径上的相对高分辨率的特征。在最后的一层输出层使用1×1×1的卷积来降低维度到1。
在训练中,使用1-dice值(DSC)作为损失函数,使用随机梯度下降(sgd)作为优化方法,每个epoch训练结束后在验证集上计算dice值,当在Q-net在验证集上的预测的dice值达到0.6时可以结束预训练。DSC的公式如下:
DSC(A,B)=2|A∩B|/(|A|+|B|)
其中,A、B表示两个轮廓区域所包含的点集。
预训练结束后通过验证集的预测结果和标注进行阈值选择,如在Q-net的预测结果中,预测值大于0.5取为结果时对比验证集的标注时召回率为80%,则该阈值应该比0.5大,以此类推,选取能够使得验证集召回率大于90%的最大阈值作为挑选的阈值。
S05,使用步骤S03中的配对数据预训练另一个3D-Unet模型(P-net)。使用步骤S03中的切割图块和对应的标注作为训练数据,并且按8:2的比例随机分为训练集和验证集。
使用的网络为3D-Unet,和步骤S04中的使用的模型结构相同,在训练中,使用1-dice损失作为损失函数,使用随机梯度下降(sgd)作为优化方法,每个epoch训练结束后在验证集上计算dice值,当在P-net在验证集上的预测的dice值达到0.8时可以结束预训练。
S06,使用预训练的Q-net产生胰腺的3D位置预测图,选取概率高的图块,映射回原图,分块输入预训练的P-net中合并训练预测胰腺位置。
(6-1)利用预训练好的Q-net,对于压缩为128×128×128的原图进行较粗的胰腺位置分割,使用步骤(4)中预训练Q-net挑选的阈值作为标准,高于该阈值的预测区域作为Q-net的预测结果。
(6-2)将预测结果根据空间距离分为一些离散的区域,并且根据这些区域的坐标和压缩的比例映射回原图的相应位置,取出这些位置的图块和对应标注。
(6-3)将这些图块按照步骤(3)中相同的裁剪和缩放策略,将这些图块和其对应的标注图块调整为多个128×128×128的图块,输入P-net进行精细的分割预测。
(6-4)整个流程实现了端对端,使用了2个损失函数,Q-net的dice损失和P-net的dice损失,同时在每经过5个epoch训练后就检验阈值是否依然能够覆盖90%的标记对照,如果不能,则自动调整为符合要求的阈值继续训练,一般训练150个epoch。
S07,使用最终的训练的模型在测试集上进行预测检测效果。该步使用的模型为经过端对端训练的Q-P-net进行测试,在测试时不再对阈值进行调整,使用最终选定的阈值,使用最后预测结果的dice值作为最终的模型预测结果评价指标。
本发明在设计上解决了胰腺分割目标过小的问题,利用多步学习的方法,使用了两个3D-Unet,即Q-P-net先对核磁共振图像进行粗分割定位,再进行精细分割,分解简化了问题,提高了胰腺分割的准确率和精细程度,促进了自动化胰腺分割帮助医生的诊断分析和治疗方法的制定。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的具体实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于多步学习的三维核磁共振胰腺图像分割方法,其特征在于,包括以下步骤:
(1)输入三维核磁共振序列图像,对其进行归一化处理,得到归一化后的序列图像集;
(2)将序列图像集人工标注后按一定比例随机分成训练集、验证集和测试集;
(3)将训练集中图像预处理成相同大小尺寸后,将含有胰腺的图块和对应的标注切出;
(4)搭建分割模型,所述分割模型包含Q-net模型和P-net模型,所述Q-net模型用于对图像粗分割生成候选区域,所述P-net模型用于对候选区域的胰腺进行精准分割;
(5)将训练集的图像压缩后输入Q-net模型进行预训练,将步骤(3)中切出的含有胰腺的图块和对应的标注输入P-net模型进行预训练;
(6)将预训练好的Q-net模型和P-net模型进行合并训练,将训练集图像压缩后输入预训练好的Q-net模型进行粗分割,产生胰腺的3D位置预测图,选取高于阈值的图块映射回原图,取出这些位置的图块和对应标注输入预训练好的P-net模型中进行分割预测,达到预设的训练次数后结束训练;
(7)将需要分割的图像归一化后输入训练好的分割模型中,输出最终的分割结果。
2.根据权利要求1所述的基于多步学习的三维核磁共振胰腺图像分割方法,其特征在于,归一化处理的步骤如下:
(1-1)计算全部图像像素值的平均值和标准差;
(1-2)对于全部图像,图像像素值减去上步计算的平均值,再除以上步计算的标准差;
(1-3)对于上步处理后的图像,每张图减去该图中像素最小值,再除以该图中像素值的极值差。
3.根据权利要求1所述的基于多步学习的三维核磁共振胰腺图像分割方法,其特征在于,步骤(3)中,所述预处理的步骤如下:
对于长、宽、高任何一边小于设定像素N的图块,利用双线性插值扩大到N像素;对于长、宽、高任何一边大于N像素的图块,按照N×N×N进行裁剪,剩下部分如果大于则同样利用双线性插值扩大到N×N×N,否则舍弃。
4.根据权利要求1所述的基于多步学习的三维核磁共振胰腺图像分割方法,其特征在于,步骤(4)中,所述Q-net模型和P-net模型的网络结构相同,均包含编码和解码两条路径,两条路径分别有4个卷积层;
在编码路径,每个卷积层包含两个3×3×3的卷积,后接一个ReLu激活函数,接着连接一个2×2×2的最大值池化,在每个维度的步长都为2;在解码路径,每一个卷积层包括一个2×2×2的反卷积,在每个维度的步长为2,后接两个3×3×3的卷积层,最后连接ReLu激活函数;相同维度的编码和解码路径上的卷积层之间设有快捷连接。
5.根据权利要求1所述的基于多步学习的三维核磁共振胰腺图像分割方法,其特征在于,步骤(5)中,预训练Q-net模型的步骤如下:
(5-1-1)对训练集的图像压缩至N×N×N,输入Q-net模型进行训练;
(5-1-2)使用1-dice损失作为损失函数,使用随机梯度下降的优化方法,每个epoch训练结束后在验证集上计算dice值,当Q-net模型在验证集上的预测的dice值达到0.6时结束预训练。
6.根据权利要求1或5所述的基于多步学习的三维核磁共振胰腺图像分割方法,其特征在于,在Q-net模型预训练结束后,通过验证集的预测结果和标注进行阈值选择,选取能够使得验证集召回率大于90%的最大阈值作为挑选的阈值。
7.根据权利要求1所述的基于多步学习的三维核磁共振胰腺图像分割方法,其特征在于,步骤(5)中,预训练P-net模型的步骤如下:
(5-2-1)使用步骤(3)中的切出图块和对应的标注作为训练数据,并且按8:2的比例随机分为训练集和验证集;
(5-2-2)使用1-dice损失作为损失函数,使用随机梯度下降的优化方法,每个epoch训练结束后在验证集上计算dice值,当在P-net在验证集上的预测的dice值达到0.8时结束预训练。
8.根据权利要求6所述的基于多步学习的三维核磁共振胰腺图像分割方法,其特征在于,步骤(6)中,使用Q-net模型预训练后挑选的阈值作为标准,高于该阈值的预测区域作为Q-net模型的预测结果;每经过5个epoch训练后就检验阈值是否依然能够覆盖90%的标记对照,如果不能,则自动调整为符合要求的阈值继续训练,直到达到预设的训练次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811399318.6A CN109636806B (zh) | 2018-11-22 | 2018-11-22 | 一种基于多步学习的三维核磁共振胰腺图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811399318.6A CN109636806B (zh) | 2018-11-22 | 2018-11-22 | 一种基于多步学习的三维核磁共振胰腺图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109636806A true CN109636806A (zh) | 2019-04-16 |
CN109636806B CN109636806B (zh) | 2022-12-27 |
Family
ID=66068695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811399318.6A Active CN109636806B (zh) | 2018-11-22 | 2018-11-22 | 一种基于多步学习的三维核磁共振胰腺图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109636806B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232721A (zh) * | 2019-05-16 | 2019-09-13 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 一种危机器官自动勾画模型的训练方法及装置 |
CN110414481A (zh) * | 2019-08-09 | 2019-11-05 | 华东师范大学 | 一种基于Unet和LSTM的3D医学影像识别和分割方法 |
CN110415250A (zh) * | 2019-06-20 | 2019-11-05 | 浙江大学 | 一种基于深度学习的重叠染色体分割方法及装置 |
CN112767420A (zh) * | 2021-02-26 | 2021-05-07 | 中国人民解放军总医院 | 基于人工智能的核磁影像分割方法、装置、设备和介质 |
CN113298754A (zh) * | 2021-04-12 | 2021-08-24 | 西安理工大学 | 一种前列腺组织轮廓线控制点的检测方法 |
CN113570619A (zh) * | 2021-07-13 | 2021-10-29 | 清影医疗科技(深圳)有限公司 | 基于人工智能的计算机辅助胰腺病理图像诊断系统 |
CN113706486A (zh) * | 2021-08-17 | 2021-11-26 | 西安电子科技大学 | 基于密集连接网络迁移学习的胰腺肿瘤图像分割方法 |
CN115619810A (zh) * | 2022-12-19 | 2023-01-17 | 中国医学科学院北京协和医院 | 一种前列腺分区分割方法、系统及设备 |
CN113570619B (zh) * | 2021-07-13 | 2024-05-14 | 清影医疗科技(深圳)有限公司 | 基于人工智能的计算机辅助胰腺病理图像诊断系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2615572A1 (en) * | 2012-01-16 | 2013-07-17 | Xerox Corporation | Image segmentation based on approximation of segmentation similarity |
CN104077599A (zh) * | 2014-07-04 | 2014-10-01 | 西安电子科技大学 | 基于深度神经网络的极化sar图像分类方法 |
CN106778705A (zh) * | 2017-02-04 | 2017-05-31 | 中国科学院自动化研究所 | 一种行人个体分割方法及装置 |
CN107016681A (zh) * | 2017-03-29 | 2017-08-04 | 浙江师范大学 | 基于全卷积网络的脑部mri肿瘤分割方法 |
CN108022222A (zh) * | 2017-12-15 | 2018-05-11 | 西北工业大学 | 一种基于卷积-反卷积网络的遥感图像薄云去除方法 |
CN108629785A (zh) * | 2018-05-10 | 2018-10-09 | 西安电子科技大学 | 基于自步学习的三维磁共振胰腺图像分割方法 |
-
2018
- 2018-11-22 CN CN201811399318.6A patent/CN109636806B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2615572A1 (en) * | 2012-01-16 | 2013-07-17 | Xerox Corporation | Image segmentation based on approximation of segmentation similarity |
CN104077599A (zh) * | 2014-07-04 | 2014-10-01 | 西安电子科技大学 | 基于深度神经网络的极化sar图像分类方法 |
CN106778705A (zh) * | 2017-02-04 | 2017-05-31 | 中国科学院自动化研究所 | 一种行人个体分割方法及装置 |
CN107016681A (zh) * | 2017-03-29 | 2017-08-04 | 浙江师范大学 | 基于全卷积网络的脑部mri肿瘤分割方法 |
CN108022222A (zh) * | 2017-12-15 | 2018-05-11 | 西北工业大学 | 一种基于卷积-反卷积网络的遥感图像薄云去除方法 |
CN108629785A (zh) * | 2018-05-10 | 2018-10-09 | 西安电子科技大学 | 基于自步学习的三维磁共振胰腺图像分割方法 |
Non-Patent Citations (1)
Title |
---|
邢波涛等: "改进的全卷积神经网络的脑肿瘤图像分割", 《信号处理》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232721A (zh) * | 2019-05-16 | 2019-09-13 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 一种危机器官自动勾画模型的训练方法及装置 |
CN110415250A (zh) * | 2019-06-20 | 2019-11-05 | 浙江大学 | 一种基于深度学习的重叠染色体分割方法及装置 |
CN110415250B (zh) * | 2019-06-20 | 2021-09-07 | 浙江大学 | 一种基于深度学习的重叠染色体分割方法及装置 |
CN110414481A (zh) * | 2019-08-09 | 2019-11-05 | 华东师范大学 | 一种基于Unet和LSTM的3D医学影像识别和分割方法 |
CN112767420A (zh) * | 2021-02-26 | 2021-05-07 | 中国人民解放军总医院 | 基于人工智能的核磁影像分割方法、装置、设备和介质 |
CN112767420B (zh) * | 2021-02-26 | 2021-11-23 | 中国人民解放军总医院 | 基于人工智能的核磁影像分割方法、装置、设备和介质 |
CN113298754B (zh) * | 2021-04-12 | 2024-02-06 | 西安理工大学 | 一种前列腺组织轮廓线控制点的检测方法 |
CN113298754A (zh) * | 2021-04-12 | 2021-08-24 | 西安理工大学 | 一种前列腺组织轮廓线控制点的检测方法 |
CN113570619A (zh) * | 2021-07-13 | 2021-10-29 | 清影医疗科技(深圳)有限公司 | 基于人工智能的计算机辅助胰腺病理图像诊断系统 |
CN113570619B (zh) * | 2021-07-13 | 2024-05-14 | 清影医疗科技(深圳)有限公司 | 基于人工智能的计算机辅助胰腺病理图像诊断系统 |
CN113706486A (zh) * | 2021-08-17 | 2021-11-26 | 西安电子科技大学 | 基于密集连接网络迁移学习的胰腺肿瘤图像分割方法 |
CN115619810A (zh) * | 2022-12-19 | 2023-01-17 | 中国医学科学院北京协和医院 | 一种前列腺分区分割方法、系统及设备 |
CN115619810B (zh) * | 2022-12-19 | 2023-10-03 | 中国医学科学院北京协和医院 | 一种前列腺分区分割方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109636806B (zh) | 2022-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109636806A (zh) | 一种基于多步学习的三维核磁共振胰腺图像分割方法 | |
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 | |
US11699281B2 (en) | Image synthesis using adversarial networks such as for radiation therapy | |
US10987522B2 (en) | Three dimensional localization and tracking for adaptive radiation therapy | |
CN110310281A (zh) | 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法 | |
Wang et al. | Organ at risk segmentation in head and neck CT images using a two-stage segmentation framework based on 3D U-Net | |
EP3726467A1 (en) | Systems and methods for reconstruction of 3d anatomical images from 2d anatomical images | |
Rhee et al. | Automatic contouring system for cervical cancer using convolutional neural networks | |
US10152790B2 (en) | Three dimensional localization of a moving target for adaptive radiation therapy | |
CN111640100B (zh) | 肿瘤图像的处理方法和装置、电子设备、存储介质 | |
Saini et al. | Brain tumor detection in medical imaging using MATLAB | |
CN111127444B (zh) | 基于深度语义网络的ct影像中自动识别放疗危及器官的方法 | |
CN107545584A (zh) | 医学图像中定位感兴趣区域的方法、装置及其系统 | |
US20230154007A1 (en) | Few-shot semantic image segmentation using dynamic convolution | |
CN109903268A (zh) | 确定脊柱图像集的异常类型的方法及计算设备 | |
CN109771052B (zh) | 基于多目成像和多偏振态成像的三维图像建立方法及系统 | |
WO2014013285A1 (en) | Apparatus and method for determining optimal positions of a hifu probe | |
Zhang et al. | Automatic parotid gland segmentation in MVCT using deep convolutional neural networks | |
CN112967379B (zh) | 一种基于感知一致生成对抗网络的三维医学图像重建方法 | |
EP4233000A1 (en) | Detection of image structures via dimensionality-reducing projections | |
CN111127636B (zh) | 一种智能的复杂关节内骨折桌面级三维诊断系统 | |
Gao et al. | 3DSRNet: 3D Spine Reconstruction Network Using 2D Orthogonal X-ray Images Based on Deep Learning | |
KR20220095401A (ko) | 인공지능을 이용한 안면부 골절 판독 장치 및 방법 | |
Miao et al. | Spinal neoplasm image inpainting with deep convolutional neutral networks | |
Cheng et al. | Sdct-gan: reconstructing CT from biplanar x-rays with self-driven generative adversarial 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |