CN109785336A - 基于多路径卷积神经网络模型的图像分割方法及装置 - Google Patents
基于多路径卷积神经网络模型的图像分割方法及装置 Download PDFInfo
- Publication number
- CN109785336A CN109785336A CN201811551759.3A CN201811551759A CN109785336A CN 109785336 A CN109785336 A CN 109785336A CN 201811551759 A CN201811551759 A CN 201811551759A CN 109785336 A CN109785336 A CN 109785336A
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- path
- feature image
- neural networks
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本申请适用于深度学习技术领域，提供了一种基于多路径卷积神经网络模型的图像分割方法、装置及终端设备，所述方法包括：获取待分割图像的第一特征图像和第二特征图像，将所述第一特征图像输入经过训练的多路径卷积神经网络模型的第一路径，将所述第二特征图像输入所述模型的第二路径；以所述模型中主输出全连层输出的分割结果作为目标分割结果；所述模型包括所述第一路径、所述第二路径、所述主输出全连层和至少一条辅助路径。本申请可以解决现有的基于卷积神经网络模型的图像分割方法依然难以精准地进行图像分割的问题。
Description
技术领域
本申请属于深度学习技术领域，尤其涉及一种基于多路径卷积神经网络模型的图像分割方法、装置及终端设备。
背景技术
在当前的疾病诊断过程中，可以通过多种方式(例如CT和MRI)获取患者的医学图像，这些医学图像可以为诊断和治疗提供不可或缺的信息。
对这些医学图像进行分割可以获取患者的病灶区域和非病灶区域的信息，方便医生进行诊断。因此，当前已经提出了许多基于卷积神经网络模型进行图像分割的方法，使用者可以通过这些方法分割医学影像中的非病灶区域和病灶区域，例如，可以使用这些方法分割脑部MRI图像中健康脑组织的区域和脑肿瘤的区域。
但是，在医学图像中，病灶区域的结构复杂，边界模糊，现有的基于卷积神经网络模型的图像分割方法依然难以精准地进行图像分割。
发明内容
有鉴于此，本申请实施例提供了一种基于多路径卷积神经网络模型的图像分割方法、装置及终端设备，以解决现有的基于卷积神经网络模型的图像分割方法依然难以精准地进行图像分割的问题。
本申请实施例的第一方面提供了一种基于多路径卷积神经网络模型的图像分割方法，包括：
获取待分割图像的第一特征图像和第二特征图像，将所述第一特征图像输入经过训练的多路径卷积神经网络模型的第一路径，将所述第二特征图像输入所述模型的第二路径；
以所述模型中主输出全连层输出的分割结果作为目标分割结果；
其中，所述模型包括所述第一路径、所述第二路径、所述主输出全连层和至少一条辅助路径；
所述第一路径包括N层第一卷积层和M层第一全连层，所述第二路径包括N层第二卷积层和M层第二全连层，最后一层第一全连层的输出端与最后一层第二全连层输出端分别与所述主输出全连层的输入端相连，其中，N与M均为正整数；
所述第一卷积层与所述第二卷积层为一一对应的关系，所述第一卷积层与对应的所述第二卷积层具有相同尺寸的卷积核；
所述辅助路径包括Q层辅助卷积层和P层辅助全连层，其中，所述Q和P均为正整数；
所述辅助路径的第一层辅助卷积层的输入端与第i层第一卷积层的输出端和第i层第二卷积层的输出端相连，i小于或等于N，不同的辅助路径对应不同的第一卷积层和第二卷积层；
所述模型的目标损失函数为所述主输出全连层的主路径损失函数与各辅助路径的最后一层辅助全连层的辅助路径损失函数的平均值，所述目标损失函数用于对所述模型进行训练。
本申请实施例的第二方面提供了一种基于多路径卷积神经网络模型的图像分割装置，包括：
特征提取模块，用于获取待分割图像的第一特征图像和第二特征图像，将所述第一特征图像输入经过训练的多路径卷积神经网络模型的第一路径，将所述第二特征图像输入所述模型的第二路径；
目标分割模块，用于以所述模型中主输出全连层输出的分割结果作为目标分割结果；
其中，所述模型包括所述第一路径、所述第二路径、所述主输出全连层和至少一条辅助路径；
所述第一路径包括N层第一卷积层和M层第一全连层，所述第二路径包括N层第二卷积层和M层第二全连层，最后一层第一全连层的输出端与最后一层第二全连层输出端分别与所述主输出全连层的输入端相连，其中，N与M均为正整数；
所述第一卷积层与所述第二卷积层为一一对应的关系，所述第一卷积层与对应的所述第二卷积层具有相同尺寸的卷积核；
所述辅助路径包括Q层辅助卷积层和P层辅助全连层，其中，所述Q和P均为正整数；
所述辅助路径的第一层辅助卷积层的输入端与第i层第一卷积层的输出端和第i层第二卷积层的输出端相连，i小于或等于N，不同的辅助路径对应不同的第一卷积层和第二卷积层；
所述模型的目标损失函数为所述主输出全连层的主路径损失函数与各辅助路径的最后一层辅助全连层的辅助路径损失函数的平均值，所述目标损失函数用于对所述模型进行训练。
本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：
本申请的基于多路径卷积神经网络模型的图像分割方法中，采用经过训练的多路径卷积神经网络模型进行图像分割，该多路径卷积神经网络模型在现在的双路径级联结构的卷积神经网络的基础上，增设了辅助路径，辅助路径的输入图像为第一路径和第二路径在某个阶段的第一卷积层和第二卷积层输出的特征图像融合得到的特征图像，即使第一路径和第二路径在后续特征提取的过程中丢失了一些特征，辅助路径也可以对不同的特征进行补偿，从而提高图像分割的性能，解决了现有的基于卷积神经网络模型的图像分割方法依然难以精准地进行图像分割的问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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申请的一些实施例，对于本领域普通技术人员来讲，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的附图。
图1是本申请实施例提供的一种基于多路径卷积神经网络模型的图像分割方法的实现流程示意图；
图2是本申请实施例提供的一种基于多路径卷积神经网络模型的图像分割装置的示意图；
图3是本申请实施例提供的终端设备的示意图；
图4是本申请实施例提供的多路径卷积神经网络模型结构示意图；
图5是本申请实施例提供的辅助路径中各辅助卷积层的输入图像的尺寸示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
具体实现中，本申请实施例中描述的移动终端包括但不限于诸如具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是，在某些实施例中，上述设备并非便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的台式计算机。
在接下来的讨论中，描述了包括显示器和触摸敏感表面的移动终端。然而，应当理解的是，移动终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。
移动终端支持各种应用程序，例如以下中的一个或多个：绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
可以在移动终端上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样，终端的公共物理架构(例如，触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
另外，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例一：
下面对本申请实施例一提供的一种基于多路径卷积神经网络模型的图像分割方法进行描述，请参阅附图1，本申请实施例一中的基于多路径卷积神经网络模型的图像分割方法包括：
步骤S101、获取待分割图像的第一特征图像和第二特征图像，将所述第一特征图像输入经过训练的多路径卷积神经网络模型的第一路径，将所述第二特征图像输入所述模型的第二路径；
当需要对图像进行分割时，获取待分割图像的第一特征图像和第二特征图像，第一特征图像和第二特征图像的具体类别可以根据实际情况进行设置。
获取第一特征图像和第二特征图像之后，将第一特征图像和第二特征图像分别输入经过训练的多路径卷积神经网络模型的第一路径和第二路径。
步骤S102、以所述模型中主输出全连层输出的分割结果作为目标分割结果；
将第一特征图像和第二特征图像分别输入经过训练的多路径卷积神经网络模型的第一路径和第二路径之后，多路径卷积神经网络模型会对第一特征图像和第二特征图像进行特征提取和分类，以上述模型的主输出全连层输出的分割结果作为目标分割结果。
其中，所述模型包括所述第一路径、所述第二路径、所述主输出全连层和至少一条辅助路径；
所述第一路径包括N层第一卷积层和M层第一全连层，所述第二路径包括N层第二卷积层和M层第二全连层，最后一层第一全连层的输出端与最后一层第二全连层输出端分别与所述主输出全连层的输入端相连，其中，N与M均为正整数；
所述第一卷积层与所述第二卷积层为一一对应的关系，所述第一卷积层与对应的所述第二卷积层具有相同尺寸的卷积核；
所述辅助路径包括Q层辅助卷积层和P层辅助全连层，其中，所述Q和P均为正整数；
所述辅助路径的第一层辅助卷积层的输入端与第i层第一卷积层的输出端和第i层第二卷积层的输出端相连，i小于或等于N，不同的辅助路径对应不同的第一卷积层和第二卷积层；
所述模型的目标损失函数为所述主输出全连层的主路径损失函数与各辅助路径的最后一层辅助全连层的辅助路径损失函数的平均值，所述目标损失函数用于对所述模型进行训练。
以图4为例，图4所示的模型结构中，包括第一路径、第二路径、主输出全连层5和3条辅助路径；
第一路径包括4层第一卷积层1和3层第一全连层2，第二路径包括4层第二卷积层3和3层第二全连层4，最后一层第一全连层2的输出端与最后一层第二全连层4的输出端分别于主输出全连层5的输入端相连；
第一卷积层1和第二卷积层3为一一对应的关系，第一卷积层1与对应的第二卷积层3具有相同尺寸的卷积核，例如，各第一卷积层1和各第二卷积层3的卷积核的尺寸可以设置为5*5；
辅助路径设置有3条，第一条辅助路径包括3层辅助卷积层6和3层辅助全连层7，第一条辅助路径的第一层辅助卷积层6的输入端与第一层第一卷积层1和第一层第二卷积层3的输出端相连；第二条辅助路径包括2层辅助卷积层6和3层辅助全连层7，第二条辅助路径的第一层辅助卷积层6的输入端与第二层第一卷积层1和第二层第二卷积层3的输出端相连；第三条辅助路径包括2层辅助卷积层6和3层辅助全连层7，第三条辅助路径的第一层辅助卷积层6的输入端与第三层第一卷积层1和第三层第二卷积层3的输出端相连。
上述模型的目标损失函数为主输出全连层5的主路径损失函数与3条辅助路径的最后一层辅助全连层7的辅助路径损失函数的平均值。
本实施例的多路径卷积神经网络模型中，在现有的双路径级联结构的基础上，不仅在主输出全连层融合第一路径和第二路径最后阶段的特征图像，还增设了辅助路径，辅助路径的输入图像为第一路径和第二路径中间阶段输出的特征图像，即使第一路径和第二路径在后续阶段进行特征提取的过程中丢失了一些特征，辅助路径也可以对不同的特征进行补偿，从而提高图像分割的性能。
进一步地，所述获取待分割图像的第一特征图像和第二特征图像，将所述第一特征图像输入经过训练的多路径卷积神经网络模型的第一路径，将所述第二特征图像输入所述模型的第二路径具体包括：
A1、获取待分割图像，提取所述待分割图像的空间特征图像、上下文特征图像、对称特征图像和局部特征图像；
获取到待分割图像之后，可以提取待分割图像的空间特征图像、上下文特征图像、对称特征图像和局部特征图像，并将提取到的空间特征图像、上下文特征图像、对称特征图像和局部特征图像作为上述模型的输入。
其中，空间特征图像为距离图像，该距离图像以待分割图像中各体素的位置至中心体素的位置的深度构建得到；上下文特征图像为待分割图像的指定区域内的图像；对称特征图像为待分割图像中与所述上下文特征图像沿预置对称轴对称的区域的图像，例如，脑部MRI图像可以将头部中轴线作为对称轴，对称特征图像与上下文特征图像对应的区域沿上述对称轴对称分布；局部特征图像的性质与上下文特征图像相似，区别在于局部特征图像的图形尺寸小于上下文特征图像。
上述空间特征图像、上下文特征图像、对称特征图像和局部特征图像的具体获取方式为本领域已公开的技术，在此不再赘述。
A2、将所述空间特征图像、所述上下文特征图像和所述对称特征图像进行融合得到融合特征图像，并将所述融合特征图像的尺寸调节至与所述局部特征图像的尺寸一致，得到第一特征图像；
得到空间特征图像、上下文特征图像和对称特征图像之后，将空间特征图像、上下文特征图像和对称特征图像进行融合得到融合特征图像，将融合特征图像的尺寸调节至于局部特征图像一致，得到第一特征图像，例如，参阅图4，假设空间特征图像、上下文特征图像和对称特征图像的尺寸均为48*48，融合得到的融合特征图像的尺寸也为48*48，而局部特征图像的尺寸为20*20，则可以通过尺寸调节模块8进行尺寸调节，尺寸调节模块可以由两层卷积核为5*5的卷积层和一层2*2的最大池化层组成，将融合特征图像的尺寸从48*48调节至20*20，得到第一特征图像。
A3、以所述局部特征图像作为第二特征图像，将所述第一特征图像输入经过训练的多路径卷积神经网络模型的第一路径，将所述第二特征图像输入所述模型的第二路径。
以局部特征图像作为第二特征图像，之后可以将第一特征图像和第二特征图像分别输入经过训练的多路径卷积神经网络模型的第一路径和第二路径。
本实施例的基于多路径卷积神经网络模型的图像分割方法中，采用空间特征图像、上下文特征图像、对称特征图像和局部特征图像，充分利用待分割图像的特征，考虑了待分割图像的各种信息，如上下文信息、本地信息、对称信息以及功能地图等，提高了分割性能。
进一步地，以所述辅助路径的第一层辅助卷积层输出的特征图像作为第三特征图像，以其他辅助路径的辅助卷积层输出的与所述第三特征图像相同尺寸的特征图像作为第四特征图像，所述辅助路径的输入图像为所述第三特征图像与所述第四特征图像融合得到的第五特征图像。
各辅助路径之间还可以设置密集连接，例如，如图4和图5所示，将第一特征图像和第二特征图像的尺寸设置为20*20，将第三条辅助路径的第二层辅助卷积层的卷积核设置为1*1，其余卷积层的卷积核均设置为5*5，则第一条路径的第一层辅助卷积层的输入图像的尺寸为16*16，第二条路径的第一层辅助卷积层的输入图像的尺寸为12*12，第三条路径的第一层辅助卷积层的输入图像的尺寸为8*8；此时，第一条辅助路径的第二层辅助卷积层的输出特征图像的尺寸与第二条辅助路径的第一层辅助卷积层的输出特征图像的尺寸一致(均为8*8)，将第一条辅助路径的第二层辅助卷积层的输出特征图像与第二条辅助路径的第一层辅助卷积层的输出特征图像进行融合，作为第二条辅助路径的第二层辅助卷积层的输入特征图像；第一条辅助路径的第三层辅助卷积层的输出特征图像的尺寸以及第二条辅助路径的第二层辅助卷积层的输出特征图像的尺寸与第三条辅助路径的第一层辅助卷积层的输出特征图像的尺寸一致(均为4*4)，将第一条辅助路径的第三层辅助卷积层的输出特征图像、第二条辅助路径的第二层辅助卷积层的输出特征图像和第三条辅助路径的第一层辅助卷积层的输出特征图像进行融合，作为第三条辅助路径的第二层辅助卷积层的输入特征图像。
特征图像的融合是指特征图像的叠加，例如，A特征图像的尺寸和通道数为16*16*64，其中64为通道数，B特征图像的尺寸和通道数为16*16*16，则A特征图像与B特征图像的融合是指两个特征图像的通道数的叠加，得到的C特征图像的尺寸和通道数为16*16*80，80为64和16的叠加。
本实施例的基于多路径卷积神经网络模型中，在不同的辅助路径之间增加了密集的连接，可以不断增强特征映射之间的传输，从而更有效利用特征映射，减少消失梯度，即使使用更多的参数，网络也能保持稳定，具有更强的学习能力。
进一步地，所述经过训练的多路径卷积神经网络模型的训练方法如下：
B1、获取训练样本图像的第一特征图像和第二特征图像，所述训练样本图像包括对待分割区域的标记；
当需要对多路径卷积神经网络模型进行训练时，先获取训练样本图像的第一特征图像和第二特征图像，训练样本中包括对待分割区域的标记，例如，以脑肿瘤图像为例，脑肿瘤图像中可以分成非肿瘤区域和肿瘤区域，样本图像中包含这两种区域的标记。
B2、将所述第一特征图像输入未训练的多路径卷积神经网络模型的第一路径，将所述第二特征图像输入所述模型的第二路径；
B3、以预设优化算法对所述未训练的多路径卷积神经网络模型的参数进行优化，直至所述未训练的多路径卷积神经网络模型的目标损失函数小于预设阈值，得到所述经过训练的多路径卷积神经网络模型。
将第一特征图像和第二特征图像输入未训练的多路径卷积神经网络模型后，上述模型可以根据分类结果以及实际标签进行损失函数的计算，主输出全连层计算主路径损失函数，各辅助路径的最后一层辅助全连层计算辅助路径损失函数，以主输出全连层的主路径损失函数与各辅助路径的最后一层辅助全连层的辅助路径损失函数的平均值作为目标损失函数，例如，图4中包含3条辅助路径，则有一个主路径损失函数和三个辅助路径损失函数，将这四个损失函数相加求平均值(例如求和后乘以系数0.25)，得到目标损失函数；
各损失函数的求和结果可以表示为：
其中，s是损失函数的数目，X表示为输入的图像，图像的参数可以表示为[N,h*w*d]，N为图像的数量，h*w*d为图像的尺寸和通道数，ωs是模型的权重，λ1和λ2是指当选择两种病例时，与两种病例的比值相关的权重，Ls是为各分支定义的损失函数。
以预设优化算法对未训练的多路径卷积神经网络模型的参数进行优化，直至目标损失函数小于预设阈值，完成对多路径卷积神经网络模型的训练，得到经过训练的多路径卷积神经网络模型。
预设优化算法可以根据实际情况进行选择，例如可以选择Adama优化算法进行优化。
以下为本实施例的方法的测试结果：
上述方法通过Python实现，上述模型使用TensorFlow进行训练，硬件平台为带有NVIDIA Titan X(12GB)GPU和Intel R Xeon(R)CPU E3-1231v3@3.40GHz x8 32GB的计算机。
空间特征图像、上下文特征图像和对称特征图像的尺寸为48*48，局部特征图像的尺寸为20*20，模型的随机失活概率设置为0.5，选择两个分类案例，医学图像选择脑部胶质瘤的MRI图像，权重分别设置为0.2和0.4。训练过程中使用Adama优化算法对模型的权重进行更新，不同阶段的Adama优化器中使用了不同的参数。
训练过程设置为两个阶段，第一阶段(迭代小于9000)，随机选取5位测试者的数据，在每一次迭代中为每类分类案例选取了50个样本图像，学习速度设置为10-4，在第二阶段(迭代为9000至13000)，每类分类案例选取10位测试者和选取25个样本图像，学习速度设置为10-5。
比对的对象为论文《Brain tumor segmentation using a multi-path cnnbased method》中的卷积神经网络模型，WT表示整个肿瘤的区域，TC表示核心肿瘤区域，ET表示增强肿瘤区域，效果评估采用Dice评分和95％Hausdorff距离进行评估。
以2017年BraTS训练子集和验证数据集进行评估，当有后处理时，评估结果如表1所示：
表1
通过表1，本实施例的方法与论文模型进行比较时，所有的分割任务(WT、TC和ET)都取得了比论文模型更好的性能，在训练数据集上，本实施例的方法得到了接近10％的改进，在验证数据集上，得到了平均3％的改进。
当无后处理时，评估结果如表2所示：
表2
通过表2可知，在无后处理时，在训练数据集上，本实施例的方法得到了平均6.7％的改进。
在2017年BraTS的训练子集中的低级别胶质瘤(LGG)的训练数据集上进行测试时，评估结果如表3所示：
表3
在2017年BraTS的训练子集中的高级别胶质瘤(HGG)的训练数据集上进行测试时，评估结果如表4所示：
表4
通过表3和表4可知，无论在是否进行后处理，使用本实施例方法进行图像分割的效果均优于使用论文模型进行图像分割的效果。
通过上述测试结果，可知通过本实施例的基于多路径卷积神经网络模型的图像分割方法进行图像分割，可以有效提高图像分割的准确性。
本实施例一提供的基于多路径卷积神经网络模型的图像分割方法中，采用经过训练的多路径卷积神经网络模型进行图像分割，该多路径卷积神经网络模型在现在的双路径级联结构的卷积神经网络的基础上，增设了辅助路径，辅助路径的输入图像为第一路径和第二路径在某个阶段的第一卷积层和第二卷积层输出的特征图像融合得到的特征图像，即使第一路径和第二路径在后续特征提取的过程中丢失了一些特征，辅助路径也可以对不同的特征进行补偿，从而提高图像分割的性能，解决了现有的基于卷积神经网络模型的图像分割方法依然难以精准地进行图像分割的问题。
第一特征图像和第二特征图像采用空间特征图像、上下文特征图像、对称特征图像和局部特征图像，充分利用待分割图像的特征，考虑了待分割图像的各种信息，如上下文信息、本地信息、对称信息以及功能地图等，提高了分割性能。
在不同的辅助路径之间增加了密集的连接，可以不断增强特征映射之间的传输，从而更有效利用特征映射，减少消失梯度，即使使用更多的参数，网络也能保持稳定，具有更强的学习能力。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
实施例二：
本申请实施例二提供了一种基于多路径卷积神经网络模型的图像分割装置，为便于说明，仅示出与本申请相关的部分，如图2所示，基于多路径卷积神经网络模型的图像分割装置包括，
特征提取模块201，用于获取待分割图像的第一特征图像和第二特征图像，将所述第一特征图像输入经过训练的多路径卷积神经网络模型的第一路径，将所述第二特征图像输入所述模型的第二路径；
目标分割模块202，用于以所述模型中主输出全连层输出的分割结果作为目标分割结果；
其中，所述模型包括所述第一路径、所述第二路径、所述主输出全连层和至少一条辅助路径；
所述第一路径包括N层第一卷积层和M层第一全连层，所述第二路径包括N层第二卷积层和M层第二全连层，最后一层第一全连层的输出端与最后一层第二全连层输出端分别与所述主输出全连层的输入端相连，其中，N与M均为正整数；
所述第一卷积层与所述第二卷积层为一一对应的关系，所述第一卷积层与对应的所述第二卷积层具有相同尺寸的卷积核；
所述辅助路径包括Q层辅助卷积层和P层辅助全连层，其中，所述Q和P均为正整数；
所述辅助路径的第一层辅助卷积层的输入端与第i层第一卷积层的输出端和第i层第二卷积层的输出端相连，i小于或等于N，不同的辅助路径对应不同的第一卷积层和第二卷积层；
所述模型的目标损失函数为所述主输出全连层的主路径损失函数与各辅助路径的最后一层辅助全连层的辅助路径损失函数的平均值，所述目标损失函数用于对所述模型进行训练。
进一步地，所述特征提取模块具体包括：
特征子模块，用于获取待分割图像，提取所述待分割图像的空间特征图像、上下文特征图像、对称特征图像和局部特征图像；
尺寸子模块，用于将所述空间特征图像、所述上下文特征图像和所述对称特征图像进行融合得到融合特征图像，并将所述融合特征图像的尺寸调节至与所述局部特征图像的尺寸一致，得到第一特征图像；
输入子模块，用于以所述局部特征图像作为第二特征图像，将所述第一特征图像输入经过训练的多路径卷积神经网络模型的第一路径，将所述第二特征图像输入所述模型的第二路径。
进一步地，以所述辅助路径的第一层辅助卷积层输出的特征图像作为第三特征图像，以其他辅助路径的辅助卷积层输出的与所述第三特征图像相同尺寸的特征图像作为第四特征图像，所述辅助路径的输入图像为所述第三特征图像与所述第四特征图像融合得到的第五特征图像。
进一步地，所述装置还包括：
样本特征模块，用于获取训练样本图像的第一特征图像和第二特征图像，所述训练样本图像包括对待分割区域的标记；
特征输入模块，用于将所述第一特征图像输入未训练的多路径卷积神经网络模型的第一路径，将所述第二特征图像输入所述模型的第二路径；
模型优化模块，用于以预设优化算法对所述未训练的多路径卷积神经网络模型的参数进行优化，直至所述未训练的多路径卷积神经网络模型的目标损失函数小于预设阈值，得到所述经过训练的多路径卷积神经网络模型。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
实施例三：
图3是本申请实施例三提供的终端设备的示意图。如图3所示，该实施例的终端设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述基于多路径卷积神经网络模型的图像分割方法实施例中的步骤，例如图1所示的步骤S101至S102。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块201至202的功能。
示例性的，所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述终端设备3中的执行过程。例如，所述计算机程序32可以被分割成特征提取模块以及目标分割模块，各模块具体功能如下：
特征提取模块，用于获取待分割图像的第一特征图像和第二特征图像，将所述第一特征图像输入经过训练的多路径卷积神经网络模型的第一路径，将所述第二特征图像输入所述模型的第二路径；
目标分割模块，用于以所述模型中主输出全连层输出的分割结果作为目标分割结果。
所述终端设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是终端设备3的示例，并不构成对终端设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述终端设备3的内部存储单元，例如终端设备3的硬盘或内存。所述存储器31也可以是所述终端设备3的外部存储设备，例如所述终端设备3上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器31还可以既包括所述终端设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于多路径卷积神经网络模型的图像分割方法，其特征在于，包括：
获取待分割图像的第一特征图像和第二特征图像，将所述第一特征图像输入经过训练的多路径卷积神经网络模型的第一路径，将所述第二特征图像输入所述模型的第二路径；
以所述模型中主输出全连层输出的分割结果作为目标分割结果；
其中，所述模型包括所述第一路径、所述第二路径、所述主输出全连层和至少一条辅助路径；
所述第一路径包括N层第一卷积层和M层第一全连层，所述第二路径包括N层第二卷积层和M层第二全连层，最后一层第一全连层的输出端与最后一层第二全连层输出端分别与所述主输出全连层的输入端相连，其中，N与M均为正整数；
所述第一卷积层与所述第二卷积层为一一对应的关系，所述第一卷积层与对应的所述第二卷积层具有相同尺寸的卷积核；
所述辅助路径包括Q层辅助卷积层和P层辅助全连层，其中，所述Q和P均为正整数；
所述辅助路径的第一层辅助卷积层的输入端与第i层第一卷积层的输出端和第i层第二卷积层的输出端相连，i小于或等于N，不同的辅助路径对应不同的第一卷积层和第二卷积层；
所述模型的目标损失函数为所述主输出全连层的主路径损失函数与各辅助路径的最后一层辅助全连层的辅助路径损失函数的平均值，所述目标损失函数用于对所述模型进行训练。
2.如权利要求1所述的基于多路径卷积神经网络模型的图像分割方法，其特征在于，所述获取待分割图像的第一特征图像和第二特征图像，将所述第一特征图像输入经过训练的多路径卷积神经网络模型的第一路径，将所述第二特征图像输入所述模型的第二路径具体包括：
获取待分割图像，提取所述待分割图像的空间特征图像、上下文特征图像、对称特征图像和局部特征图像；
将所述空间特征图像、所述上下文特征图像和所述对称特征图像进行融合得到融合特征图像，并将所述融合特征图像的尺寸调节至与所述局部特征图像的尺寸一致，得到第一特征图像；
以所述局部特征图像作为第二特征图像，将所述第一特征图像输入经过训练的多路径卷积神经网络模型的第一路径，将所述第二特征图像输入所述模型的第二路径。
3.如权利要求1所述的基于多路径卷积神经网络模型的图像分割方法，其特征在于，以所述辅助路径的第一层辅助卷积层输出的特征图像作为第三特征图像，以其他辅助路径的辅助卷积层输出的与所述第三特征图像相同尺寸的特征图像作为第四特征图像，所述辅助路径的输入图像为所述第三特征图像与所述第四特征图像融合得到的第五特征图像。
4.如权利要求1所述的多路径卷积神经网络模型的图像分割方法，其特征在于，所述经过训练的多路径卷积神经网络模型的训练方法如下：
获取训练样本图像的第一特征图像和第二特征图像，所述训练样本图像包括对待分割区域的标记；
将所述第一特征图像输入未训练的多路径卷积神经网络模型的第一路径，将所述第二特征图像输入所述模型的第二路径；
以预设优化算法对所述未训练的多路径卷积神经网络模型的参数进行优化，直至所述未训练的多路径卷积神经网络模型的目标损失函数小于预设阈值，得到所述经过训练的多路径卷积神经网络模型。
5.一种基于多路径卷积神经网络模型的图像分割装置，其特征在于，包括：
特征提取模块，用于获取待分割图像的第一特征图像和第二特征图像，将所述第一特征图像输入经过训练的多路径卷积神经网络模型的第一路径，将所述第二特征图像输入所述模型的第二路径；
目标分割模块，用于以所述模型中主输出全连层输出的分割结果作为目标分割结果；
其中，所述模型包括所述第一路径、所述第二路径、所述主输出全连层和至少一条辅助路径；
所述第一路径包括N层第一卷积层和M层第一全连层，所述第二路径包括N层第二卷积层和M层第二全连层，最后一层第一全连层的输出端与最后一层第二全连层输出端分别与所述主输出全连层的输入端相连，其中，N与M均为正整数；
所述第一卷积层与所述第二卷积层为一一对应的关系，所述第一卷积层与对应的所述第二卷积层具有相同尺寸的卷积核；
所述辅助路径包括Q层辅助卷积层和P层辅助全连层，其中，所述Q和P均为正整数；
所述辅助路径的第一层辅助卷积层的输入端与第i层第一卷积层的输出端和第i层第二卷积层的输出端相连，i小于或等于N，不同的辅助路径对应不同的第一卷积层和第二卷积层；
所述模型的目标损失函数为所述主输出全连层的主路径损失函数与各辅助路径的最后一层辅助全连层的辅助路径损失函数的平均值，所述目标损失函数用于对所述模型进行训练。
6.如权利要求5所述的基于多路径卷积神经网络模型的图像分割装置，其特征在于，所述特征提取模块具体包括：
特征子模块，用于获取待分割图像，提取所述待分割图像的空间特征图像、上下文特征图像、对称特征图像和局部特征图像；
尺寸子模块，用于将所述空间特征图像、所述上下文特征图像和所述对称特征图像进行融合得到融合特征图像，并将所述融合特征图像的尺寸调节至与所述局部特征图像的尺寸一致，得到第一特征图像；
输入子模块，用于以所述局部特征图像作为第二特征图像，将所述第一特征图像输入经过训练的多路径卷积神经网络模型的第一路径，将所述第二特征图像输入所述模型的第二路径。
7.如权利要求5所述的基于多路径卷积神经网络模型的图像分割装置，其特征在于，以所述辅助路径的第一层辅助卷积层输出的特征图像作为第三特征图像，以其他辅助路径的辅助卷积层输出的与所述第三特征图像相同尺寸的特征图像作为第四特征图像，所述辅助路径的输入图像为所述第三特征图像与所述第四特征图像融合得到的第五特征图像。
8.如权利要求5所述的多路径卷积神经网络模型的图像分割装置，其特征在于，所述装置还包括：
样本特征模块，用于获取训练样本图像的第一特征图像和第二特征图像，所述训练样本图像包括对待分割区域的标记；
特征输入模块，用于将所述第一特征图像输入未训练的多路径卷积神经网络模型的第一路径，将所述第二特征图像输入所述模型的第二路径；
模型优化模块，用于以预设优化算法对所述未训练的多路径卷积神经网络模型的参数进行优化，直至所述未训练的多路径卷积神经网络模型的目标损失函数小于预设阈值，得到所述经过训练的多路径卷积神经网络模型。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811551759.3A CN109785336B (zh) | 2018-12-18 | 2018-12-18 | 基于多路径卷积神经网络模型的图像分割方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811551759.3A CN109785336B (zh) | 2018-12-18 | 2018-12-18 | 基于多路径卷积神经网络模型的图像分割方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109785336A true CN109785336A (zh) | 2019-05-21 |
| CN109785336B CN109785336B (zh) | 2020-11-27 |
Family
ID=66497264
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811551759.3A Active CN109785336B (zh) | 2018-12-18 | 2018-12-18 | 基于多路径卷积神经网络模型的图像分割方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109785336B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110324664A (zh) * | 2019-07-11 | 2019-10-11 | 南开大学 | 一种基于神经网络的视频补帧方法及其模型的训练方法 |
| CN111047602A (zh) * | 2019-11-26 | 2020-04-21 | 中国科学院深圳先进技术研究院 | 图像分割方法、装置及终端设备 |
| CN111681252A (zh) * | 2020-05-30 | 2020-09-18 | 重庆邮电大学 | 一种基于多路径注意力融合的医学图像自动分割方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104367317A (zh) * | 2014-10-15 | 2015-02-25 | 北京理工大学 | 多尺度特征融合的心电图心电信号分类方法 |
| US9559896B2 (en) * | 2013-07-08 | 2017-01-31 | Cisco Technology, Inc. | Network-assisted configuration and programming of gateways in a network environment |
| CN106934352A (zh) * | 2017-02-28 | 2017-07-07 | 华南理工大学 | 一种基于双路分形网络和lstm的视频描述方法 |
| US20170236078A1 (en) * | 2016-02-17 | 2017-08-17 | Security Scorecard, Inc. | Non-intrusive techniques for discovering and using organizational relationships |
| CN107944490A (zh) * | 2017-11-22 | 2018-04-20 | 中南大学 | 一种基于半多模态融合特征约简框架的图像分类方法 |
| CN108399431A (zh) * | 2018-02-28 | 2018-08-14 | 国信优易数据有限公司 | 分类模型训练方法以及分类方法 |
| US20180259608A1 (en) * | 2015-11-29 | 2018-09-13 | Arterys Inc. | Automated cardiac volume segmentation |
| CN108764072A (zh) * | 2018-05-14 | 2018-11-06 | 浙江工业大学 | 一种基于多尺度融合的血细胞亚型图像分类方法 |
| CN108765425A (zh) * | 2018-05-15 | 2018-11-06 | 深圳大学 | 图像分割方法、装置、计算机设备和存储介质 |
| CN108932973A (zh) * | 2018-07-25 | 2018-12-04 | 南京鼓楼医院 | 一种肾癌病例数字化信息管理系统及管理方法、终端 |
-
2018
- 2018-12-18 CN CN201811551759.3A patent/CN109785336B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9559896B2 (en) * | 2013-07-08 | 2017-01-31 | Cisco Technology, Inc. | Network-assisted configuration and programming of gateways in a network environment |
| CN104367317A (zh) * | 2014-10-15 | 2015-02-25 | 北京理工大学 | 多尺度特征融合的心电图心电信号分类方法 |
| US20180259608A1 (en) * | 2015-11-29 | 2018-09-13 | Arterys Inc. | Automated cardiac volume segmentation |
| US20170236078A1 (en) * | 2016-02-17 | 2017-08-17 | Security Scorecard, Inc. | Non-intrusive techniques for discovering and using organizational relationships |
| CN106934352A (zh) * | 2017-02-28 | 2017-07-07 | 华南理工大学 | 一种基于双路分形网络和lstm的视频描述方法 |
| CN107944490A (zh) * | 2017-11-22 | 2018-04-20 | 中南大学 | 一种基于半多模态融合特征约简框架的图像分类方法 |
| CN108399431A (zh) * | 2018-02-28 | 2018-08-14 | 国信优易数据有限公司 | 分类模型训练方法以及分类方法 |
| CN108764072A (zh) * | 2018-05-14 | 2018-11-06 | 浙江工业大学 | 一种基于多尺度融合的血细胞亚型图像分类方法 |
| CN108765425A (zh) * | 2018-05-15 | 2018-11-06 | 深圳大学 | 图像分割方法、装置、计算机设备和存储介质 |
| CN108932973A (zh) * | 2018-07-25 | 2018-12-04 | 南京鼓楼医院 | 一种肾癌病例数字化信息管理系统及管理方法、终端 |
Non-Patent Citations (3)
| Title |
|---|
| CHRISTIAN SZEGEDY 等: ""Going Deeper With Convolutions"", 《THE IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
| CHRISTIAN SZEGEDY 等: ""Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning"", 《THE IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
| SARA SEDLAR 等: ""Brain Tumor Segmentation Using a Multi-path CNN Based Method"", 《BRAINLESION: GLIOMA, MULTIPLE SCLEROSIS, STROKE AND TRAUMATIC BRAIN INJURIES》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110324664A (zh) * | 2019-07-11 | 2019-10-11 | 南开大学 | 一种基于神经网络的视频补帧方法及其模型的训练方法 |
| CN110324664B (zh) * | 2019-07-11 | 2021-06-04 | 南开大学 | 一种基于神经网络的视频补帧方法及其模型的训练方法 |
| CN111047602A (zh) * | 2019-11-26 | 2020-04-21 | 中国科学院深圳先进技术研究院 | 图像分割方法、装置及终端设备 |
| CN111681252A (zh) * | 2020-05-30 | 2020-09-18 | 重庆邮电大学 | 一种基于多路径注意力融合的医学图像自动分割方法 |
| CN111681252B (zh) * | 2020-05-30 | 2022-05-03 | 重庆邮电大学 | 一种基于多路径注意力融合的医学图像自动分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109785336B (zh) | 2020-11-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kuo et al. | Expert-level detection of acute intracranial hemorrhage on head computed tomography using deep learning | |
| Chen et al. | Channel-Unet: a spatial channel-wise convolutional neural network for liver and tumors segmentation | |
| Amin et al. | Use of machine intelligence to conduct analysis of human brain data for detection of abnormalities in its cognitive functions | |
| AU2018229500B2 (en) | Three-dimensional (3D) convolution with 3D batch normalization | |
| Wu et al. | Skin cancer classification with deep learning: a systematic review | |
| Cui et al. | Pulmonary vessel segmentation based on orthogonal fused U-Net++ of chest CT images | |
| CN108416776A (zh) | 图像识别方法、图像识别装置、计算机产品和可读存储介质 | |
| Pang et al. | CTumorGAN: a unified framework for automatic computed tomography tumor segmentation | |
| CN109034221A (zh) | 一种宫颈细胞学图像特征的处理方法及其装置 | |
| CN109785336A (zh) | 基于多路径卷积神经网络模型的图像分割方法及装置 | |
| Ma | Histogram matching augmentation for domain adaptation with application to multi-centre, multi-vendor and multi-disease cardiac image segmentation | |
| de Sousa Costa et al. | Classification of malignant and benign lung nodules using taxonomic diversity index and phylogenetic distance | |
| Niyaz et al. | Advances in deep learning techniques for medical image analysis | |
| Rodrigues et al. | Optimizing a deep residual neural network with genetic algorithm for acute lymphoblastic leukemia classification | |
| Alkassar et al. | Automatic brain tumour segmentation using fully convolution network and transfer learning | |
| Cao et al. | Supervised contrastive pre-training formammographic triage screening models | |
| Chen et al. | Generative adversarial network based cerebrovascular segmentation for time-of-flight magnetic resonance angiography image | |
| Wang et al. | Multi-path connected network for medical image segmentation | |
| Cao et al. | Brain tumor magnetic resonance image segmentation by a multiscale contextual attention module combined with a deep residual UNet (MCA-ResUNet) | |
| Hassanzadeh et al. | Hospital mortality prediction in traumatic injuries patients: comparing different SMOTE-based machine learning algorithms | |
| Tuyet et al. | A Deep Bottleneck U-Net Combined with Saliency Map for Classifying Diabetic Retinopathy in Fundus Images. | |
| Waqas et al. | Multimodal data integration for oncology in the era of deep neural networks: a review | |
| Ridell et al. | Training set size for skin cancer classification using Google’s inception v3 | |
| Nair et al. | Prediction and Classification of CT images for Early Detection of Lung Cancer Using Various Segmentation Models | |
| Mishra et al. | Image based early detection of diabetic retinopathy: A systematic review on Artificial Intelligence (AI) based recent trends and approaches |
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 |