CN109658419B - 一种医学图像中小器官的分割方法 - Google Patents

一种医学图像中小器官的分割方法 Download PDF

Info

Publication number
CN109658419B
CN109658419B CN201811359760.6A CN201811359760A CN109658419B CN 109658419 B CN109658419 B CN 109658419B CN 201811359760 A CN201811359760 A CN 201811359760A CN 109658419 B CN109658419 B CN 109658419B
Authority
CN
China
Prior art keywords
module
model
segmentation
training
drd
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.)
Active
Application number
CN201811359760.6A
Other languages
English (en)
Other versions
CN109658419A (zh
Inventor
吴健
冯芮苇
王文哲
宋庆宇
雷璧闻
陈晋泰
陆逸飞
吴福理
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201811359760.6A priority Critical patent/CN109658419B/zh
Publication of CN109658419A publication Critical patent/CN109658419A/zh
Application granted granted Critical
Publication of CN109658419B publication Critical patent/CN109658419B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Image Analysis (AREA)

Abstract

一种医学图像中小器官的分割方法，包括以下步骤：(1)获取包含小器官的医学图像数据作为样本数据，经过预处理后标注标签，将标注后的样本数据分成训练集和测试集；(2)搭建分割模型，所述分割模型包括DRD模块和ESF模块，所述的DRD模块用于实现小器官的目标检测和动态区域选择，所述ESF模块用于实现对动态区域的精细分割和三维特征融合；(3)使用训练集对分割模型进行训练，根据模型预测结果与标签的重合度对网络的参数进行调节，直至模型收敛；(4)将需要分割的医学图像输入训练好的模型中，输出最终的分割结果。利用本发明的模型，可以准确分割出小器官，且该模型具有较高的计算效率。

Description

一种医学图像中小器官的分割方法
技术领域
本发明属于医学人工智能领域，尤其是涉及一种医学图像中小器官的分割方法。
背景技术
随着医疗需求的不断增长，计算机辅助诊疗(CAD)应运而生，在过去的十多年间引起了越来越多的关注，其中一个重要前提是系统对于医疗数据的智能化分析，比如CT和MRI扫描。在医学影像分析领域，器官的分割是重要的研究方向之一，但是相比于类似于肺部、肾脏、胃等大器官的分割，小器官(指除掉大器官之外的其他器官，胰腺、肾上腺、十二指肠等)的分割任务更为困难，目前所取得的效果也不尽如人意。其原因一方面在于：腹部扫描CT图像中，被分割目标一般只占据一小部分，并且人体的腹部结构复杂，腹部的脂肪及其他器官的状态会使得小器官边界的对比度变化较大，使用常用的一些深度神经网络方案过程中，这类目标经常会与背景区域中其他器官混淆，从而导致分割效果较差；另一方面，小器官的形状、大小和位置在人体的腹部可能会有比较大的变化。
此外，对于器官的分割任务需要处理的是三维数据，目前出现了两大类解决方案，一类是从三个正交平面训练二维网络并融合分割结果。如公开号为CN105389813A公开了一种医学图像中器官的识别方法及分割方法，包括：获取待处理的医学图像，将所述医学图像分别在X、Y和Z轴方向拆分成若干二维图像，并根据目标器官的大小设定检测窗口；利用所述检测窗口按照设定的检测步长分别对所述二维图像进行遍历检测，获取在X、Y和Z轴方向的检测结果；将所述结果进行融合，保留在X、Y和Z轴三个方向上都检测为阳性的像素点，从而确定所述目标器官边界。该方法能够从单个平面获得较好的分割结果，但是在空间特征方面表现较差。
另一类是直接构建网络结构。该方法在空间特征表现较好，但是分割结果不稳定，而且计算成本较高。因此，针对人体腹部CT扫描图像中的小器官进行分割的任务，目前尚未有比较好的分割模型提出。
发明内容
本发明提供了一种医学图像中小器官的分割方法，可以使小器官分割达到较高的准确度。
一种医学图像中小器官的分割方法，包括以下步骤：
(1)获取包含小器官的医学图像数据作为样本数据，经过预处理后标注标签，将标注后的样本数据分成训练集和测试集；
(2)搭建分割模型，所述分割模型包括DRD模块和ESF模块，所述的DRD模块用于实现小器官的目标检测和动态区域选择，所述ESF模块用于实现对动态区域的精细分割和三维特征融合；
(3)使用训练集对分割模型进行训练，根据模型预测结果与标签的重合度对网络的参数进行调节，直至模型收敛；
(4)将需要分割的医学图像输入训练好的模型中，输出最终的分割结果。
步骤(1)中，所述的预处理包括图像数据清洗和切割，将无效的图像数据剔除，将有效图像数据处理成相同大小的尺寸。
本发明中的使用的医学图像为CT图像，也可以为其它扫描图像。通常情况下，医院扫描得到的腹部扫描CT图像数据以DCM格式进行存储，每个DCM存储一个个体扫描数据的一个片层，多个片层组合成一组三维数据样本，其中每个个体的片层数不确定，即每个样本所包含的DCM文件数不同，每个片层的尺寸大小一致。在实际应用中，这些DCM数据中可能会混杂几个vvi文件，无法作为输入进行训练，影响数据读取过程，因此在(1-1)中进行预处理时，主要针对此类问题进行处理。
由于所述腹部扫描CT图像中各个目标的位置、方向、大小是具有人体组成的客观规律的，因此，不选择对数据进行平移、反转、镜像、旋转等数据增强处理。
为了提升模型性能的稳定性，选用k折交叉验证方法，通过将数据集进行分组，从而对k个不同分组训练的结果进行平均来减少方差，降低模型的性能对数据的划分的敏感性。k折交叉验证方法的具体过程如下：
(1-1)不重复抽样将样本数据随机分为k份，每份数据样本数量相等或相接近；
(1-2)每一次挑选其中1份作为测试集，剩余k-1份作为训练集用于模型训练，重复k次，制作k组不同的训练集和测试集组。这样每个子集都有一次机会作为测试集，其余机会作为训练集。
步骤(2)中，所述的DRD模块包括具有压缩功能的卷积块、实现动态区域检测的PMask-RCNN网络和RAmap处理模块。
所述DRD模块的运算方法如下：
(2-1-1)将三维图像数据输入具有压缩功能的卷积块进行压缩；
(2-1-2)将压缩后的图像输入PMask-RCNN网络进行目标识别，得到目标在压缩图像上的边界框BBX(Bounding Box)以及目标在三维图像上的位置对应图RAmap(RegionAttention map)，即达到位置放大效果；
(2-1-3)RAmap处理模块结合RAmap和BBX将原三维图像切割得到BBX-C并输出，作为ESF模块的输入。
RAmap和输入图像具有相同大小的尺寸，用来表示经过网络处理后识别出的胰腺可能存在的位置，其中每个像素点的值代表该点如果被正确预测为胰腺相对于该点被正确放在BBX内部的比值，RAmap反映了某个区域对应的检测准确性。
所述的ESF模块由两部分组成，并进行多次迭代执行，第一部分实现小器官精细分割，第二部分实现分割结果融合。具体的运算方法如下：
(5-2-1)将DRD模块输出的BBX-C及其对应标签，从xyz三个方向分别读取二维数据作为输入；
(5-2-2)分别搭建3个2D分割子模型和1个3D分割子模型，对xyz方向的2D数据和通过DRD模块得到的BBX-C数据进行精细分割，得到四组分割结果；其中，所述的2D分割子模型为P-FCN模型，所述的3D分割子模型为3D PU-net分割模型；
(5-2-3)四组分割结果通过FFN(Four Fusion Net)网络进行融合，得到融合结果输出。
步骤(3)中，所述模型的具体训练过程为：
(3-1)输入一组训练集，经过DRD模块和ESF模块运算后，ESF模块输出融合结果；
(3-2)将融合结果与ESF模块输入图像对应的标签进行对比，运用DSC(Dice-
Figure BDA0001867017700000041
coefficient)函数计算当前模型的损失，并回传到DRD模块中，对所述RAmap进行更新；
(3-3)当达到设定的DSC阈值或达到指定迭代次数时，所述ESF模块停止更新，输出结果；
(3-4)使用上述方法依次输入剩余的训练集进行训练，直至模型收敛。
每组训练集训练结束后，将该组的测试集输入模型，得到对应的分割结果，并按DSD中的对应位置拼接回原始图像大小，得到模型在测试数据集上的损失DSC；将所有测试集得到的损失值求平均值，作为模型的性能评估，从而寻找最优参数。
本发明搭建了以DRD模块和ESF模块组成的动态区域检测小器官分割模型，利用DRD模块实现小器官目标检测和动态区域放大，利用ESF模块实现对放大区域完成精细化分割和三维特征融合。在训练过程中DRD模块所得到的RAmap为ESF模块进行进一步分割提供一个较小的动态区域选择，ESF模块迭代执行，每次执行过程中所得损失回传用来指导DRD模块的RAmap的调整。最终训练完成的模型对于小器官的分割具有较高的准确度。
附图说明
图1为本发明实施例中采用的十折交叉验证方法示意图；
图2为本发明构建的分割模型的结构示意图；
图3为DRD模块中PMask-RCNN网络的结构示意图；
图4为ESF模块中ResNeXt网络的结构示意图；
图5为本发明实施例的测试前后对比图，其中(a)为未进行标注和预测的图像数据，(b)为分割结果。
具体实施方式
为了进一步理解本发明，下面结合具体实施方式对本发明的方法进行具体描述，本发明具体实施方式中的数据以人体的胰腺器官为例进行阐述，但本发明并不受限于此，该领域技术人员在本发明核心指导思想下做出的非本质改进和调整，仍然属于本发明的保护范围。
一种医学图像中小器官的分割方法，包括：
S01，建立样本数据集。
获取腹部扫描CT数据并进行预处理，从National Institutes of Health(NIH)得到胰腺分割数据集D和标签集L，所述数据集样本共82份，每个数据样本包含[181,466]不等数量的片层，每个片层的图像数据像素大小均为512*512。将上述样本数据集近似平均分成10份进行十折交叉验证，其中每份样本数量分布为[8,8,8,8,8,8,8,8,9,9]，并分别标记为[E1,E2,E3,···,E10]，分别进行十次模型的训练和预测，记作1st iteration、2nditeration···，所述训练和测试过程的数据组合如图1所示，其中，Training folds表示训练集，Test folds表示测试集。
S02，模型的搭建与训练。
动态区域检测小器官分割模型由DRD和ESF两个基本模块组成；DRD模块实现小器官目标检测和动态区域放大，ESF模块实现对所述放大区域完成精细化分割和三维特征融合。
将上述步骤S01处理过的第Ⅰ组数据中的训练数据集，以个体为单位输入到模型中，即每个输入图像是一个包含若干片层的三维图像数据。样本图像首先通过一个DRD模块，完成样本数据的动态区域检测，该模块的基本结构参见图2，模块中包含一个具有压缩功能的卷积块、实现动态检测的PMask-RCNN网络和RAmap处理模块。
输入样本通过大小为2*2*2的卷积核，采用最大值池化对输入样本进行下采样，得到输入样本压缩后的三维图像SampledD，SampledD经过PMask-RCNN网络处理后，对低分辨率的三维图像实现胰腺的目标检测，生成1)该样本在低分辨率情况下胰腺的BBX，2)该样本在低分辨率条件下的RAmap。PMask-RCNN网络的结构参见图3，首先通过一个ROIAlign结构提供多个胰腺目标候选区域，并从中提取特征；然后分别通过两个分支完成分类和区域回归。
其中，BBX是经过网络处理后识别出的胰腺目标从xyz三个方向对胰腺做出的能将胰腺包含在内的3D最小框，以BBX为边界切割原图得到BBX-C，作为下一模块的输入，同时对原图对应标签进行分割得到C-Label；RAmap和输入图像具有相同大小的尺寸，用来表示经过网络处理后识别出的胰腺可能存在的位置，其中每个像素点的值代表该点如果被正确预测为胰腺相对于该点被正确放在BBX内部的比值，RAmap反映了某个区域对应的检测准确性。RAmap的更新依赖于ESF模块迭代执行若干次，即ESF每次执行结束之后反馈到RAmap处理模块。
ESF模块中依据RAmap对初始图像数据进行区域选择和放大，主要包含数据处理、3D PU-net网络精细分割和FFN多角度融合三部分，其结构参见图2。读取DRD模块处理后的图像数据BBX-C和及其对应标签C-Label，分别从xyz三个方向对数据及标签进行重新读取，分别存储为image_x，image_y，image_z和label_x，label_y，label_z。分别搭建3个2D分割子模型和1个3D分割子模型，对xyz方向的2D数据和通过DRD模块得到的BBX-C数据进行精细分割。以X方向为例，image_x中的数据作为输入进入到子网络模型PFCN中，网络由一个基本网络ResNeXt变换而来，其基本结构如图4所示，并将ResNeXt网络最后一层全连接层及其相关运算用相应的卷积层替换。对于输入到ESF模块中的BBX-C数据，经过3个卷积核大小为3*3*3的卷积和2个卷积核大小为2*2*2步长为2的最大池化，再进行反卷积和上采样得到最终的3D分割结果。最后，将上述三个方向的2D分割结果和BBX-C的3D分割结果作为4个通道的输入，经过3个下采样和3个上采样层，实现多角度融合，弥补经过单个方向精细分割的空间一致性。其中3个下采样层包括2个3*3*3的卷积层和1个2*2*2的最大池化层，上采样层包括1个上采样层和2个卷积层。输出为一个与BBX-C大小一致的特征图，将此特征图与ESF模块输入图像对应标签C-Label进行对比，运用DSC函数计算当前模型的损失。
为了避免动态区域检测模块和精细分割模块分别训练导致不能实现全局最优，在训练过程中前一阶段(DRD模块)所得到的RAmap为后一阶段(ESF模块)进行进一步分割提供一个较小的动态区域选择，ESF模块迭代执行，每次执行过程中所得损失回传用来指导DRD模块的RAmap的调整。设置迭代次数为100次时停止(根据模型训练经验，100次时该模型已经达到了良好的收敛效果)，完成模型训练，得到收敛的动态区域检测胰腺分割模型，其结构参见图3。
S03，测试集数据分割。
将对应的第Ⅰ组数据测试数据集中的数据输入到步骤S02训练得到的收敛的动态区域检测胰腺分割模型中，得到其对应的分割结果，并按照DSD中的对应位置拼接回原始图像大小，得到模型在测试数据集上的损失DSC。
S04，十折交叉验证。
对步骤S02、S03重复十次完成十折交叉验证，得到十个测试数据集上的损失，将这些损失值求平均值，作为参数和模型的性能评估，从而寻找最优参数。
本发明的模型在训练后，DSC值能够达到83％以上，具有非常好的效果。如图5所示，将未进行标注和预测的图像数据输入训练好的分割模型进行分割测试。从图中可以看出，该模型准确的分割出了胰腺，具有很高的准确率和精度。

Claims (5)

1.一种医学图像中小器官的分割方法，其特征在于，包括以下步骤：
(1)获取包含小器官的医学图像数据作为样本数据，经过预处理后标注标签，将标注后的样本数据分成训练集和测试集；
(2)搭建分割模型，所述分割模型包括DRD模块和ESF模块，所述的DRD模块用于实现小器官的目标检测和动态区域选择，所述ESF模块用于实现对动态区域的精细分割和三维特征融合；
所述的DRD模块包括具有压缩功能的卷积块、实现动态区域检测的PMask-RCNN网络和RAmap处理模块；所述DRD模块的运算方法如下：
(2-1-1)将三维图像数据输入具有压缩功能的卷积块进行压缩；
(2-1-2)将压缩后的图像输入PMask-RCNN网络进行目标识别，得到目标在压缩图像上的边界框BBX以及目标在三维图像上的位置对应图RAmap；
(2-1-3)RAmap处理模块结合RAmap和BBX将原三维图像切割得到BBX-C并输出；
所述的ESF模块的运算方法如下：
(2-2-1)将DRD模块输出的BBX-C及其对应标签，从xyz三个方向分别读取二维数据作为输入；
(2-2-2)分别搭建3个2D分割子模型和1个3D分割子模型，对xyz方向的2D数据和通过DRD模块得到的BBX-C数据进行精细分割，得到四组分割结果；
(2-2-3)四组分割结果通过FFN网络进行融合，得到融合结果输出；
(3)使用训练集对分割模型进行训练，根据模型预测结果与标签的重合度对网络的参数进行调节，直至模型收敛；
(4)将需要分割的医学图像输入训练好的模型中，输出最终的分割结果。
2.根据权利要求1所述的医学图像中小器官的分割方法，其特征在于，步骤(1)中，所述的预处理包括图像数据清洗和切割，将无效的图像数据剔除，将有效图像数据处理成相同大小的尺寸。
3.根据权利要求1所述的医学图像中小器官的分割方法，其特征在于，步骤(1)中，所述标注后的样本数据通过k折交叉验证方法分成训练集和测试集，具体过程如下：
(1-1)不重复抽样将样本数据随机分为k份，每份数据样本数量相等或相接近；
(1-2)每一次挑选其中1份作为测试集，剩余k-1份作为训练集用于模型训练，重复k次，制作k组不同的训练集和测试集组。
4.根据权利要求1所述的医学图像中小器官的分割方法，其特征在于，步骤(3)中，所述模型的具体训练过程为：
(3-1)输入一组训练集，经过DRD模块和ESF模块运算后，ESF模块输出融合结果；
(3-2)将融合结果与ESF模块输入图像对应的标签进行对比，运用DSC函数计算当前模型的损失，并回传到DRD模块中，对所述RAmap进行更新；
(3-3)当达到设定的DSC阈值或达到指定迭代次数时，所述ESF模块停止更新，输出结果；
(3-4)使用上述方法依次输入剩余的训练集进行训练，直至模型收敛。
5.根据权利要求4所述的医学图像中小器官的分割方法，其特征在于，每组训练集训练结束后，将该组的测试集输入模型，得到对应的分割结果，并按DRD中的对应位置拼接回原始图像大小，得到模型在测试数据集上的损失DSC；将所有测试集得到的损失值求平均值，作为模型的性能评估，从而寻找最优参数。
CN201811359760.6A 2018-11-15 2018-11-15 一种医学图像中小器官的分割方法 Active CN109658419B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811359760.6A CN109658419B (zh) 2018-11-15 2018-11-15 一种医学图像中小器官的分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811359760.6A CN109658419B (zh) 2018-11-15 2018-11-15 一种医学图像中小器官的分割方法

Publications (2)

Publication Number Publication Date
CN109658419A CN109658419A (zh) 2019-04-19
CN109658419B true CN109658419B (zh) 2020-06-19

Family

ID=66111219

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811359760.6A Active CN109658419B (zh) 2018-11-15 2018-11-15 一种医学图像中小器官的分割方法

Country Status (1)

Country Link
CN (1) CN109658419B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210483B (zh) * 2019-06-13 2021-05-11 上海鹰瞳医疗科技有限公司 医疗图像病变区域分割方法、模型训练方法和设备
CN110533637B (zh) * 2019-08-02 2022-02-11 杭州依图医疗技术有限公司 一种检测对象的方法及装置
CN110570483B (zh) * 2019-08-08 2023-12-22 上海联影智能医疗科技有限公司 扫描方法、装置、计算机设备和存储介质
CN112802028A (zh) * 2019-11-13 2021-05-14 北京深睿博联科技有限责任公司 用于纵膈器官分割的图像处理方法及装置
CN111180068A (zh) * 2019-12-19 2020-05-19 浙江大学 一种基于多任务学习模型的慢病预测系统
CN111127482B (zh) * 2019-12-20 2023-06-30 广州柏视医疗科技有限公司 基于深度学习的ct影像肺气管的分割方法及系统
CN111145190B (zh) * 2019-12-27 2022-06-17 之江实验室 一种基于医学图像处理与可视化的单个器官互动方法
CN111539947B (zh) * 2020-04-30 2024-03-29 上海商汤智能科技有限公司 图像检测方法及相关模型的训练方法和相关装置、设备
CN111768381A (zh) * 2020-06-29 2020-10-13 北京百度网讯科技有限公司 零部件缺陷检测方法、装置及电子设备
CN112686850B (zh) * 2020-12-24 2021-11-02 上海体素信息科技有限公司 基于空间位置和原型网络的ct图像的少样本分割方法和系统
CN114429459A (zh) * 2022-01-24 2022-05-03 上海商汤智能科技有限公司 目标检测模型的训练方法及对应的检测方法
CN115482231B (zh) * 2022-09-27 2023-08-29 推想医疗科技股份有限公司 图像分割方法、装置、存储介质和电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9785858B2 (en) * 2008-09-26 2017-10-10 Siemens Healthcare Gmbh Method and system for hierarchical parsing and semantic navigation of full body computed tomography data
CN107133955B (zh) * 2017-04-14 2019-08-09 大连理工大学 一种多层次结合的协同显著性检测方法
CN107563123A (zh) * 2017-09-27 2018-01-09 百度在线网络技术（北京）有限公司 用于标注医学图像的方法和装置
CN108759667B (zh) * 2018-05-29 2019-11-12 福州大学 车载摄像头下基于单目视觉与图像分割的前车测距方法

Also Published As

Publication number Publication date
CN109658419A (zh) 2019-04-19

Similar Documents

Publication Publication Date Title
CN109658419B (zh) 一种医学图像中小器官的分割方法
US20210365717A1 (en) Method and apparatus for segmenting a medical image, and storage medium
CN108921851B (zh) 一种基于3d对抗网络的医学ct图像分割方法
CN111275714B (zh) 一种基于注意力机制的3d卷积神经网络的前列腺mr图像分割方法
CN111429460B (zh) 图像分割方法、图像分割模型训练方法、装置和存储介质
CN109410219A (zh) 一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质
JP2023550844A (ja) 深層形状学習に基づく肝臓ｃｔ自動分割方法
CN108205806B (zh) 一种锥束ct图像三维颅面结构的自动解析方法
CN109389584A (zh) 基于cnn的多尺度鼻咽肿瘤分割方法
CN110310287A (zh) 基于神经网络的危及器官自动勾画方法、设备和存储介质
CN111127484A (zh) 基于深度学习神经网络的肝脏ct图像分割方法及装置
CN111242948B (zh) 图像处理、模型训练方法、装置、设备和存储介质
CN108062749B (zh) 肛提肌裂孔的识别方法、装置和电子设备
CN111027590B (zh) 一种结合深度网络特征和机器学习模型的乳腺癌数据分类方法
CN112381164B (zh) 一种基于多分支注意力机制的超声图像分类方法和装置
CN114972366B (zh) 基于图网络的大脑皮层表面全自动分割方法及系统
CN112001218A (zh) 一种基于卷积神经网络的三维颗粒类别检测方法及系统
CN112215101A (zh) 一种基于注意力机制的三维目标识别方法及系统
CN104112292A (zh) 医用图像处理装置、医用图像处理方法以及医用图像处理程序
JP2023544466A (ja) Ｐｅｔ／ｃｔに基づく肺腺癌扁平上皮癌診断モデルの訓練方法及び装置
CN109961446A (zh) Ct/mr三维图像分割处理方法、装置、设备及介质
Shu et al. LVC-Net: Medical image segmentation with noisy label based on local visual cues
CN112598790A (zh) 脑结构三维重建方法、装置及终端设备
CN111260667A (zh) 一种结合空间引导的神经纤维瘤分割方法
CN116579975A (zh) 一种卷积神经网络的脑龄预测方法及系统

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