CN110097557B - 基于3D-UNet的医学图像自动分割方法及系统 - Google Patents

基于3D-UNet的医学图像自动分割方法及系统 Download PDF

Info

Publication number
CN110097557B
CN110097557B CN201910099074.8A CN201910099074A CN110097557B CN 110097557 B CN110097557 B CN 110097557B CN 201910099074 A CN201910099074 A CN 201910099074A CN 110097557 B CN110097557 B CN 110097557B
Authority
CN
China
Prior art keywords
image
organ
target
segmented
medical
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
CN201910099074.8A
Other languages
English (en)
Other versions
CN110097557A (zh
Inventor
刘鸣谦
陈旭
谢林
刘宁
赵大平
王佳皓
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.)
Winning Health Technology Group Co Ltd
Original Assignee
Winning Health Technology Group Co Ltd
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 Winning Health Technology Group Co Ltd filed Critical Winning Health Technology Group Co Ltd
Priority to CN201910099074.8A priority Critical patent/CN110097557B/zh
Publication of CN110097557A publication Critical patent/CN110097557A/zh
Application granted granted Critical
Publication of CN110097557B publication Critical patent/CN110097557B/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
    • G06T7/10—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
    • G06T2207/20—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
    • 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
    • G06T2207/30204—Marker

Abstract

本发明公开了一种基于3D‑UNet的医学图像自动分割方法及系统，所述医学图像自动分割方法包括：构建一医学图像库，医学图像库包含多个分割好的医学图像，每个分割好的医学图像中的每个器官的图像区域已划分好且每个器官对应的图像区域已标注器官标签，器官标签用于表征对应的图像区域的所属器官；将多个分割好的医学图像作为训练数据输入至3D‑UNet模型，训练得到全局图像自动分割模型；获取目标三维图像；将目标三维图像输入全局图像自动分割模型，输出分割好的目标三维图像。本发明能同时对多个器官同时进行分割，直接输出医学图像的分割结果，提高分割效率，减轻医生工作量，提高用户体验。

Description

基于3D-UNet的医学图像自动分割方法及系统
技术领域
本发明属于医疗影像处理领域，特别涉及一种基于3D-UNet的医学图像自动分割方法及系统。
背景技术
医学图像往往能够直接反映病人当前的身体状况，广泛应用于疾病诊断、精准治疗、术前分析以及术中引导等场合，例如，在放疗的过程中，医生常常通过观察胸部CT(断层扫描)中各个器官的形态和特征来制定放疗计划，为了便于观察，医生需要对医学图像中各个器官进行手动勾画。手动勾画耗时耗力，并且受到医生个人水平和经验的影响，难以准确客观地反映各个器官的边界。常见的自动分割方法主要是建立统计学形状模型，例如水平集(Level Sets)、主动轮廓(Active Contours)、多图谱(Multi-atlas)以及图模型(Graphical Model)等，这些模型都依赖于手动提取的特征，但是手动提取的特征往往不能很好地应对器官形状的变化，分割效果较差。
近年来，深度卷积神经网络(DCNN)的研究取得一定突破，它通过分层学习来获得高层次的特征，可以有效应用于图像处理领域，应用DCNN自动学习医学图像中的特征，可以有效提高分割效果，当前主流的分割模型有全卷积网络(FCN)，语义分割(DeconvNet)，卷积神经网络(U-Net)等，然而，这些分割模型只能逐步处理多张二维断层图像，忽视了医学图像中的三维结构信息，导致分割效果有限，耗费的时间较长。
发明内容
本发明要解决的技术问题是为了克服现有技术中医学图像的分割效果较差且分割效率低的缺陷，提供一种基于3D-UNet的医学图像自动分割方法及系统。
本发明是通过下述技术方案来解决上述技术问题：
一种基于3D-UNet(三维卷积神经网络)的医学图像自动分割方法，所述医学图像自动分割方法包括：
构建一医学图像库，所述医学图像库包含多个分割好的医学图像，每个分割好的医学图像中的每个器官的图像区域已划分好且每个器官对应的图像区域已标注器官标签，所述器官标签用于表征所述对应的图像区域的所属器官；
将所述多个分割好的医学图像作为训练数据输入至3D-UNet模型，训练得到全局图像自动分割模型；
获取目标三维图像；
将所述目标三维图像输入所述全局图像自动分割模型，输出分割好的目标三维图像，每个分割好的目标三维图像中的每个目标器官的图像区域已划分好且每个目标器官对应的图像区域已标注器官标签。
较佳地，所述医学图像自动分割方法还包括：
从所述多个分割好的医学图像中提取单个器官的图像数据，所述单个器官的图像数据包括所述单个器官的器官标签及所述单个器官的图像区域；
将所述单个器官的器官标签及所述单个器官的图像区域作为训练数据输入至所述3D-UNet模型，训练得到单个器官分割模型；
所述输出分割好的目标三维图像的步骤之后，所述自动分割方法还包括：
从所述分割好的目标三维图像中提取单个目标器官的图像数据；
将所述单个目标器官的图像数据输入所述单个器官分割模型，输出单个目标器官的分割图像；
将所述目标三维图像中所有器官的分割图像合并生成优化的分割好的目标三维图像。
较佳地，所述获取目标三维图像的步骤之后，所述医学图像自动分割方法还包括：
对所述目标三维图像进行预处理，所述预处理包括体素强度归一化、图像裁减和尺度变换。
较佳地，所述从所述分割好的目标三维图像中提取单个目标器官的图像数据的步骤具体包括：
对所述分割好的目标三维图像进行增广处理，所述增广处理包括平移、旋转和放缩中的至少一个；
从增广处理后的目标三维图像中提取所述单个目标器官的图像数据。
较佳地，所述将所述目标三维图像中所有器官的分割图像合并生成优化的分割好的目标三维图像的步骤之前，所述医学图像自动分割方法还包括：
将所述单个目标器官的分割图像的尺度调整为与所述目标三维图像的尺度一致；
所述将所述目标三维图像中所有器官的分割图像合并生成优化的分割好的目标三维图像的步骤中，对所有器官的调整后的分割图像进行合并处理。
一种基于3D-UNet的医学图像自动分割系统，所述医学图像自动分割系统包括图像库构建模块、训练模块、目标图像获取模块和分割模块；
所述图像库构建模块用于构建一医学图像库，所述医学图像库包含多个分割好的医学图像，每个分割好的医学图像中的每个器官的图像区域已划分好且每个器官对应的图像区域已标注器官标签，所述器官标签用于表征所述对应的图像区域的所属器官；
所述训练模块用于将所述多个分割好的医学图像作为训练数据输入至3D-UNet模型，训练得到全局图像自动分割模型；
所述目标图像获取模块用于获取目标三维图像；
所述分割模块用于将所述目标三维图像输入所述全局图像自动分割模型，输出分割好的目标三维图像，每个分割好的目标三维图像中的每个目标器官的图像区域已划分好且每个目标器官对应的图像区域已标注器官标签。
较佳地，所述医学图像自动分割系统还包括单器官图像提取模块；
所述单器官图像提取模块用于从所述多个分割好的医学图像中提取单个器官的图像数据，所述单个器官的图像数据包括所述单个器官的器官标签及所述单个器官的图像区域；
所述训练模块还用于将所述单个器官的器官标签及所述单个器官的图像区域作为训练数据输入至所述3D-UNet模型，训练得到单个器官分割模型；
所述单器官图像提取模块还用于从所述分割好的目标三维图像中提取单个目标器官的图像数据；
所述分割模块用于将所述单个目标器官的图像数据输入所述单个器官分割模型，输出单个目标器官的分割图像，并将所述目标三维图像中所有器官的分割图像合并生成优化的分割好的目标三维图像。
较佳地，所述医学图像自动分割系统还包括预处理模块；
所述预处理模块用于对所述目标三维图像进行预处理，所述预处理包括体素强度归一化、图像裁减和尺度变换。
较佳地，所述医学图像自动分割系统还包括增广处理模块；
所述增广处理模块用于对所述分割好的目标三维图像进行增广处理，所述增广处理包括平移、旋转和放缩中的至少一个；
所述单器官图像提取模块还用于从增广处理后的目标三维图像中提取所述单个目标器官的图像数据。
较佳地，所述医学图像自动分割系统还包括尺度调整模块：
所述尺度调整模块用于将所述单个目标器官的分割图像的尺度调整为与所述目标三维图像的尺度一致；
所述分割模块用于对所有器官的调整后的分割图像进行合并处理。
本发明的积极进步效果在于：本发明的医学图像分割方法不再局限于一次分割一个器官，能同时对多个器官同时进行分割，直接输出医学图像的分割结果，大大提高了自动分割的效率，能够达到计算机辅助诊断的效果，减轻医生工作量，提高用户体验。
附图说明
图1为本发明实施例1的基于3D-UNet的医学图像自动分割方法的流程图。
图2为本发明实施例2的基于3D-UNet的医学图像自动分割方法的流程图。
图3为本发明实施例3的基于3D-UNet的医学图像自动分割系统的模块示意图。
图4为本发明实施例4的基于3D-UNet的医学图像自动分割系统的模块示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
一种基于3D-UNet的医学图像自动分割方法，如图1所示，所述医学图像自动分割方法包括：
步骤10、构建一医学图像库；
所述医学图像库包含多个分割好的医学图像，每个分割好的医学图像中的每个器官的图像区域已划分好且每个器官对应的图像区域已标注器官标签，所述器官标签用于表征所述对应的图像区域的所属器官；
步骤20、将所述多个分割好的医学图像作为训练数据输入至3D-UNet模型，训练得到全局图像自动分割模型；
需要说明的是，在使用医学图像库中的医学图像进行训练时，需将所有的医学图像进行归一化处理，将其调整为相同大小的图像进行训练。
步骤30、获取目标三维图像；
步骤40、将所述目标三维图像输入所述全局图像自动分割模型，输出分割好的目标三维图像；
每个分割好的目标三维图像中的每个目标器官的图像区域已划分好且每个目标器官对应的图像区域已标注器官标签。
需要说明的是，在对分割好的医学图像进行训练及对目标三维图像进行分割前，需将图像的格式调整为符合DICOM(医学数字成像和通信)影像数据格式的图像。
本实施例中，步骤20之后，所述医学图像自动分割方法还包括：
步骤21、从所述多个分割好的医学图像中提取单个器官的图像数据；
所述单个器官的图像数据包括所述单个器官的器官标签及所述单个器官的图像区域；
需要说明的是，该图像区域是指各个器官在原始的医学图像中的坐标范围，保存所有器官的坐标范围，同时利用该坐标范围从原始图像中提取包含这些器官的区域。
步骤22、将所述单个器官的器官标签及所述单个器官的图像区域作为训练数据输入至所述3D-UNet模型，训练得到单个器官分割模型；
进一步的，步骤40之后，所述自动分割方法还包括：
步骤41、从所述分割好的目标三维图像中提取单个目标器官的图像数据；
步骤42、将所述单个目标器官的图像数据输入所述单个器官分割模型，输出单个目标器官的分割图像；
步骤43、将所述目标三维图像中所有器官的分割图像合并生成优化的分割好的目标三维图像。
另外，步骤30之后，所述医学图像自动分割方法还包括：
步骤31、对所述目标三维图像进行预处理；所述预处理包括体素强度归一化、图像裁减和尺度变换,；
进一步的，步骤40中对预处理后的目标三维图像进行分割。
本实施例的医学图像分割方法不再局限于一次分割一个器官，能同时对多个器官同时进行分割，直接输出医学图像的分割结果，大大提高了自动分割的效率，能够达到计算机辅助诊断的效果，减轻医生工作量，提高用户体验。
实施例2
本实施例的基于3D-UNet的医学图像自动分割方法是在实施例1的基础上进一步改进，如图2所示，步骤41具体包括：
步骤4101、对所述分割好的目标三维图像进行增广处理，所述增广处理包括平移、旋转和放缩中的至少一个；
步骤4102、从增广处理后的目标三维图像中提取所述单个目标器官的图像数据。
本实施例中，为获取更加有效的图像进行分割，需要使用更大的采样窗口提取单个目标器官的图像数据，对于同一类器官的图像提取，需通过增广处理确保同一类器官的图像大小相同，不同器官的图像大小不作特别限定。
本实施例中，步骤43之前，所述医学图像自动分割方法还包括：
步骤421、将所述单个目标器官的分割图像的尺度调整为与所述目标三维图像的尺度一致；
进一步的，步骤43中，对所有器官的调整后的分割图像进行合并处理。
本实施例中，基于单个器官的图像数据提取涉及到增广处理，在对分割好的单个器官的分割图像进行合并处理前，需要将各器官的分割图像的尺度调整为与原始目标三维图像一致，以避免分割图像的失真。
实施例3
一种基于3D-UNet的医学图像自动分割系统，如图3所示，所述医学图像自动分割系统包括图像库构建模块1、训练模块2、目标图像获取模块3和分割模块4；
所述图像库构建模块1用于构建一医学图像库；
所述医学图像库包含多个分割好的医学图像，每个分割好的医学图像中的每个器官的图像区域已划分好且每个器官对应的图像区域已标注器官标签，所述器官标签用于表征所述对应的图像区域的所属器官；
所述训练模块2用于将所述多个分割好的医学图像作为训练数据输入至3D-UNet模型，训练得到全局图像自动分割模型；
需要说明的是，在使用医学图像库中的医学图像进行训练时，需将所有的医学图像进行归一化处理，将其调整为相同大小的图像进行训练。
所述目标图像获取模块3用于获取目标三维图像；
所述分割模块4用于将所述目标三维图像输入所述全局图像自动分割模型，输出分割好的目标三维图像；
每个分割好的目标三维图像中的每个目标器官的图像区域已划分好且每个目标器官对应的图像区域已标注器官标签。
需要说明的是，在对分割好的医学图像进行训练及对目标三维图像进行分割前，需将图像的格式调整为符合DICOM(医学数字成像和通信)影像数据格式的图像。
本实施例中，所述医学图像自动分割系统还包括单器官图像提取模块5；
所述单器官图像提取模块5用于从所述多个分割好的医学图像中提取单个器官的图像数据，所述单个器官的图像数据包括所述单个器官的器官标签及所述单个器官的图像区域；
需要说明的是，该图像区域是指各个器官在原始的医学图像中的坐标范围，保存所有器官的坐标范围，同时利用该坐标范围从原始图像中提取包含这些器官的区域。
所述训练模块2还用于将所述单个器官的器官标签及所述单个器官的图像区域作为训练数据输入至所述3D-UNet模型，训练得到单个器官分割模型；
所述单器官图像提取模块5还用于从所述分割好的目标三维图像中提取单个目标器官的图像数据；
所述分割模块4用于将所述单个目标器官的图像数据输入所述单个器官分割模型，输出单个目标器官的分割图像，并将所述目标三维图像中所有器官的分割图像合并生成优化的分割好的目标三维图像。
另外，本实施例中，所述医学图像自动分割系统还包括预处理模块6；
所述预处理模块6用于对所述目标三维图像进行预处理，所述预处理包括体素强度归一化、图像裁减和尺度变换；
进一步的，所述分割模块4用于对预处理后的目标三维图像进行分割。
本实施例的医学图像分割方法不再局限于一次分割一个器官，能同时对多个器官同时进行分割，直接输出医学图像的分割结果，大大提高了自动分割的效率，能够达到计算机辅助诊断的效果，减轻医生工作量，提高用户体验。
实施例4
本实施例的基于3D-UNet的医学图像自动分割系统是在实施例3的基础上进一步改进，如图4所示，所述医学图像自动分割系统还包括增广处理模块7；
所述增广处理模块7用于对所述分割好的目标三维图像进行增广处理，所述增广处理包括平移、旋转和放缩中的至少一个；
所述单器官图像提取模块5还用于从增广处理后的目标三维图像中提取所述单个目标器官的图像数据。
本实施例中，为获取更加有效的图像进行分割，需要使用更大的采样窗口提取单个目标器官的图像数据，对于同一类器官的图像提取，需通过增广处理确保同一类器官的图像大小相同，不同器官的图像大小不作特别限定。
本实施例中，所述医学图像自动分割系统还包括尺度调整模块8：
所述尺度调整模块8用于将所述单个目标器官的分割图像的尺度调整为与所述目标三维图像的尺度一致；
所述分割模块4用于对所有器官的调整后的分割图像进行合并处理。
本实施例中，基于单个器官的图像数据提取涉及到增广处理，在对分割好的单个器官的分割图像进行合并处理前，需要将各器官的分割图像的尺度调整为与原始目标三维图像一致，以避免分割图像的失真。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (8)

1.一种基于3D-UNet的医学图像自动分割方法，其特征在于，所述医学图像自动分割方法包括：
构建一医学图像库，所述医学图像库包含多个分割好的医学图像，每个分割好的医学图像中的每个器官的图像区域已划分好且每个器官对应的图像区域已标注器官标签，所述器官标签用于表征所述对应的图像区域的所属器官；
将所述多个分割好的医学图像作为训练数据输入至3D-UNet模型，训练得到全局图像自动分割模型；
获取目标三维图像；
将所述目标三维图像输入所述全局图像自动分割模型，输出分割好的目标三维图像，每个分割好的目标三维图像中的每个目标器官的图像区域已划分好且每个目标器官对应的图像区域已标注器官标签；
所述医学图像自动分割方法还包括：
从所述多个分割好的医学图像中提取单个器官的图像数据，所述单个器官的图像数据包括所述单个器官的器官标签及所述单个器官的图像区域；
将所述单个器官的器官标签及所述单个器官的图像区域作为训练数据输入至所述3D-UNet模型，训练得到单个器官分割模型；
所述输出分割好的目标三维图像的步骤之后，所述自动分割方法还包括：
从所述分割好的目标三维图像中提取单个目标器官的图像数据；
将所述单个目标器官的图像数据输入所述单个器官分割模型，输出单个目标器官的分割图像；
将所述目标三维图像中所有器官的分割图像合并生成优化的分割好的目标三维图像。
2.如权利要求1所述的基于3D-UNet的医学图像自动分割方法，其特征在于，所述获取目标三维图像的步骤之后，所述医学图像自动分割方法还包括：
对所述目标三维图像进行预处理，所述预处理包括体素强度归一化、图像裁减和尺度变换。
3.如权利要求1所述的基于3D-UNet的医学图像自动分割方法，其特征在于，所述从所述分割好的目标三维图像中提取单个目标器官的图像数据的步骤具体包括：
对所述分割好的目标三维图像进行增广处理，所述增广处理包括平移、旋转和放缩中的至少一个；
从增广处理后的目标三维图像中提取所述单个目标器官的图像数据。
4.如权利要求3所述的基于3D-UNet的医学图像自动分割方法，其特征在于，所述将所述目标三维图像中所有器官的分割图像合并生成优化的分割好的目标三维图像的步骤之前，所述医学图像自动分割方法还包括：
将所述单个目标器官的分割图像的尺度调整为与所述目标三维图像的尺度一致；
所述将所述目标三维图像中所有器官的分割图像合并生成优化的分割好的目标三维图像的步骤中，对所有器官的调整后的分割图像进行合并处理。
5.一种基于3D-UNet的医学图像自动分割系统，其特征在于，所述医学图像自动分割系统包括图像库构建模块、训练模块、目标图像获取模块和分割模块；
所述图像库构建模块用于构建一医学图像库，所述医学图像库包含多个分割好的医学图像，每个分割好的医学图像中的每个器官的图像区域已划分好且每个器官对应的图像区域已标注器官标签，所述器官标签用于表征所述对应的图像区域的所属器官；
所述训练模块用于将所述多个分割好的医学图像作为训练数据输入至3D-UNet模型，训练得到全局图像自动分割模型；
所述目标图像获取模块用于获取目标三维图像；
所述分割模块用于将所述目标三维图像输入所述全局图像自动分割模型，输出分割好的目标三维图像，每个分割好的目标三维图像中的每个目标器官的图像区域已划分好且每个目标器官对应的图像区域已标注器官标签；
所述医学图像自动分割系统还包括单器官图像提取模块；
所述单器官图像提取模块用于从所述多个分割好的医学图像中提取单个器官的图像数据，所述单个器官的图像数据包括所述单个器官的器官标签及所述单个器官的图像区域；
所述训练模块还用于将所述单个器官的器官标签及所述单个器官的图像区域作为训练数据输入至所述3D-UNet模型，训练得到单个器官分割模型；
所述单器官图像提取模块还用于从所述分割好的目标三维图像中提取单个目标器官的图像数据；
所述分割模块用于将所述单个目标器官的图像数据输入所述单个器官分割模型，输出单个目标器官的分割图像，并将所述目标三维图像中所有器官的分割图像合并生成优化的分割好的目标三维图像。
6.如权利要求5所述的基于3D-UNet的医学图像自动分割系统，其特征在于，所述医学图像自动分割系统还包括预处理模块；
所述预处理模块用于对所述目标三维图像进行预处理，所述预处理包括体素强度归一化、图像裁减和尺度变换。
7.如权利要求5所述的基于3D-UNet的医学图像自动分割系统，其特征在于，所述医学图像自动分割系统还包括增广处理模块；
所述增广处理模块用于对所述分割好的目标三维图像进行增广处理，所述增广处理包括平移、旋转和放缩中的至少一个；
所述单器官图像提取模块还用于从增广处理后的目标三维图像中提取所述单个目标器官的图像数据。
8.如权利要求7所述的基于3D-UNet的医学图像自动分割系统，其特征在于，所述医学图像自动分割系统还包括尺度调整模块：
所述尺度调整模块用于将所述单个目标器官的分割图像的尺度调整为与所述目标三维图像的尺度一致；
所述分割模块用于对所有器官的调整后的分割图像进行合并处理。
CN201910099074.8A 2019-01-31 2019-01-31 基于3D-UNet的医学图像自动分割方法及系统 Active CN110097557B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910099074.8A CN110097557B (zh) 2019-01-31 2019-01-31 基于3D-UNet的医学图像自动分割方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910099074.8A CN110097557B (zh) 2019-01-31 2019-01-31 基于3D-UNet的医学图像自动分割方法及系统

Publications (2)

Publication Number Publication Date
CN110097557A CN110097557A (zh) 2019-08-06
CN110097557B true CN110097557B (zh) 2021-02-12

Family

ID=67442935

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910099074.8A Active CN110097557B (zh) 2019-01-31 2019-01-31 基于3D-UNet的医学图像自动分割方法及系统

Country Status (1)

Country Link
CN (1) CN110097557B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110517241A (zh) * 2019-08-23 2019-11-29 吉林大学第一医院 基于核磁成像ideal-iq序列全自动腹部脂肪定量分析的方法
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
CN111696082A (zh) * 2020-05-20 2020-09-22 平安科技（深圳）有限公司 图像分割方法、装置、电子设备及计算机可读存储介质
CN112116989A (zh) * 2020-09-11 2020-12-22 海创时代(深圳)医疗科技有限公司 一种多器官勾画方法及装置
CN112150472A (zh) * 2020-09-24 2020-12-29 北京羽医甘蓝信息技术有限公司 基于cbct的三维颌骨图像分割方法、装置及终端设备
CN116681717B (zh) * 2023-08-04 2023-11-28 经智信息科技(山东)有限公司 一种ct图像的分割处理方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204587A (zh) * 2016-05-27 2016-12-07 孔德兴 基于深度卷积神经网络和区域竞争模型的多器官分割方法
CN109074500A (zh) * 2016-01-21 2018-12-21 医科达有限公司 用于分割同一患者的医学图像的系统和方法
CN109063710A (zh) * 2018-08-09 2018-12-21 成都信息工程大学 基于多尺度特征金字塔的3d cnn鼻咽癌分割方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8837771B2 (en) * 2012-02-28 2014-09-16 Siemens Aktiengesellschaft Method and system for joint multi-organ segmentation in medical image data using local and global context

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109074500A (zh) * 2016-01-21 2018-12-21 医科达有限公司 用于分割同一患者的医学图像的系统和方法
CN106204587A (zh) * 2016-05-27 2016-12-07 孔德兴 基于深度卷积神经网络和区域竞争模型的多器官分割方法
CN109063710A (zh) * 2018-08-09 2018-12-21 成都信息工程大学 基于多尺度特征金字塔的3d cnn鼻咽癌分割方法

Also Published As

Publication number Publication date
CN110097557A (zh) 2019-08-06

Similar Documents

Publication Publication Date Title
CN110097557B (zh) 基于3D-UNet的医学图像自动分割方法及系统
CN107622492B (zh) 肺裂分割方法及系统
CN109389584A (zh) 基于cnn的多尺度鼻咽肿瘤分割方法
CN108765392B (zh) 一种基于滑动窗口的消化道内镜病变检测和识别方法
CN106898044B (zh) 一种基于医学影像并利用vr技术的器官拆分和操作方法及系统
CN110008992B (zh) 一种用于前列腺癌辅助诊断的深度学习方法
CN114757960B (zh) 一种基于cbct图像的牙齿分割与重建方法及存储介质
CN112785609B (zh) 一种基于深度学习的cbct牙齿分割方法
CN106780728A (zh) 一种基于医学影像的单个器官拆分方法及系统
CN111724389B (zh) 髋关节ct图像分割方法、装置、存储介质和计算机设备
CN114092450A (zh) 一种基于胃镜检查视频的实时图像分割方法、系统、装置
CN114119950A (zh) 一种基于人工智能的口腔曲面断层片牙齿图像分割方法
CN105869151B (zh) 舌分割及舌苔舌质分离方法
CN106897564A (zh) 一种基于医学影像的病案图像建模系统
CN112686897A (zh) 一种基于弱监督的长短轴辅助肠胃淋巴结像素标注的方法
CN110009645B (zh) 一种肝癌病灶影像的双层轮廓分割方法
CN111738975B (zh) 图像辨识方法及图像辨识装置
CN114187293B (zh) 基于注意力机制和集成配准的口腔腭部软硬组织分割方法
CN115761226A (zh) 一种口腔影像分割识别方法、装置、电子设备和存储介质
CN111145353B (zh) 通过图像分割和网格特征点提取算法生成3d点云的方法
CN113344938A (zh) 一种肝脏肿瘤图像分割模型训练方法
CN117649418B (zh) 一种胸部多器官分割方法及系统和计算机可读存储介质
CN116344001B (zh) 一种基于人工智能的医疗信息可视化管理系统及方法
CN113989277B (zh) 用于医用放射诊疗检查的成像方法及装置
WO2020114332A1 (zh) 基于分割网络的ct肺肿瘤分割方法、装置、设备及介质

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