CN110136122A - 一种基于注意力深度特征重建的脑mr图像分割方法 - Google Patents
一种基于注意力深度特征重建的脑mr图像分割方法 Download PDFInfo
- Publication number
- CN110136122A CN110136122A CN201910411647.6A CN201910411647A CN110136122A CN 110136122 A CN110136122 A CN 110136122A CN 201910411647 A CN201910411647 A CN 201910411647A CN 110136122 A CN110136122 A CN 110136122A
- Authority
- CN
- China
- Prior art keywords
- brain
- mode
- image
- characteristic
- network model
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- 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
- G06T2207/20—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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于注意力深度特征重建的脑MR图像分割方法,包括步骤:S1、获取T1、T2和FLAIR三个模态的脑MR图像数据;S2、对获取到的三个模态的脑MR图像数据进行预处理,得到数据增强的三个模态的脑MR图像数据;S3、将S2中得到的三个模态的脑MR图像数据输入深度编码模型中得到三个模态的脑MR图像卷积特征数据;S4、将S3中获得的三个模态的脑MR图像卷积特征数据输入空间自注意力模块SAM,获得空间自注意力模块修正后的综合各模态的脑MR图像卷积特征数据;本发明提供的图像分割方法通过空间自注意力模块计算任意两个位置之间的交互关系,捕获特征远程依赖性,深度特征重建模块使用深度特征对不同层级的特征进行重新加权,保持不同层级特征的一致性。
Description
技术领域
本发明属于医学图像分割技术领域,尤其涉及一种基于注意力深度特征重建的脑MR图像分割方法。
背景技术
核磁共振成像(MRI)可以拍摄出高对比度、高分辨率的软组织空间图像,是进行结构性脑分析的重要方式。例如,在诊断阿尔茨海默病、癫痫等神经疾病时,需要对脑组织进行核磁共振成像,并对MR图像进行分割和相应的测量。但手动分割来完成上述功能,会非常地耗时并且需要高度的专业知识,因此,自动脑组织分割将极大地帮助医疗诊断和制定治疗计划,也是当前研究的热点。
传统方法中主要使用基于图谱的方法,将待分割图像与图谱配准后进行分割。但是基于图谱实现分割通常需要经过预处理、创建图谱、图像配准和标签融合等步骤,算法的性能会受到这几个步骤中各种因素的影响。很多学者也使用经典机器学习算法进行了大量尝试。大多数基于学习的方法不需配准,而是直接使用训练好的模型对图像进行分割。然而这类方法需要进行复杂的预处理和手工制作图像特征,导致性能往往不如基于配准的方法。
为了解决上述算法的问题,以卷积神经网络为代表的深度模型被广泛引入脑MR图像分割研究中。基于网络体系结构,深度学习类分割方法大致可以分为两类:基于图像块的方法和基于语义分割的方法。基于图像块的方法使用中心像素附近邻域的局部图块作为输入,在一张图像上裁剪出大量图像块,汇总所有图像块的分类信息,得到整体图像像素的密集预测。基于图像块的方法虽然能够丰富训练数据,但由于只使用局部图块,网络无法学习到空间位置信息,会限制网络性能的进一步提高。
为了更好地保留图像空间信息,基于语义分割的方法-全卷积网络(FCN)被引入脑图像分割。然而,一些局限性阻碍了这种方法的有效性,首先,卷积神经网络可以提升高层次特征的抽象表示能力,但高层特征无法充分获取空间信息,在一定程度上降低了医学图像分割的定位能力。其次,卷积神经网络方法往往使用卷积等局部操作来捕获特征,重复使用局部操作导致很难对远距离像素间的关系进行强有力的建模,致使网络性能无法进一步提升。最后,解码阶段只有相邻层级的特征通过通道串联或加和的方式进行结果预测,无法很好地对不同层级的特征进行融合。
发明内容
(一)要解决的技术问题
针对现有存在的技术问题,本发明提供一种基于注意力深度特征重建的脑MR图像分割方法,通过空间自注意力模块计算任意两个位置之间的交互关系,捕获特征远程依赖性,深度特征重建模块使用深度特征对不同层级的特征进行重新加权,保持不同层级特征的一致性。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
一种基于注意力深度特征重建的脑MR图像分割方法,包括如下步骤:
S1、获取T1、T2和FLAIR三个模态的脑MR图像数据;
S2、对获取到的三个模态的脑MR图像数据进行预处理,得到数据增强的三个模态的脑MR图像数据;
S3、将S2中得到的三个模态的脑MR图像数据输入深度编码模型中得到三个模态的脑MR图像卷积特征数据;
S4、将S3中获得的三个模态的脑MR图像卷积特征数据输入空间自注意力模块SAM,获得空间自注意力模块修正后的综合各模态的脑MR图像卷积特征数据;
S5、将S4中修正后的综合各模态的脑MR图像卷积特征数据和三个模态的脑MR图像综合层级卷积特征数据输入深度解码模型中,获得四个层级的深度解码特征数据;
S6、将S5中获得的四个层级的深度解码特征数据和S4中得到的修正后的综合各模态的脑MR图像卷积特征数据进行卷积融合得到脑MR图像数据的分割图像结果。
优选地,所述步骤S2还包括如下步骤:
S201、对三个模态的脑MR图像数据进行均衡化处理;
S202、对经过均衡化处理的三个模态的脑MR图像数据进行二维切片,堆叠连续的三个2D切片,构造伪RGB形式的图像;
S203、对图像进行缩放和随机旋转的数据增强策略,分别得到数据增强的三个模态的脑MR图像数据。
优选地,所述步骤S3中的深度编码模型包括:第一网络模型、第二网络模型和第三网络模型;
所述第一网络模型、所述第二网络模型和所述第三网络模型的结构相同;
所述第一网络模型包括四个依次链接的层级,分别为VGG-1、VGG-2、VGG-3和VGG-4。
优选地,所述步骤S3中的三个模态的脑MR图像数据分别输入所述第一网络模型、所述第二网络模型和所述第三网络模型分别得到三个模态的脑MR图像卷积特征数据。
优选地,所述步骤S5中的三个模态的脑MR图像综合层级卷积特征数据包括:第一综合层卷积特征数据、第二综合层级卷积特征数据、第三综合层级卷积特征数据和第四综合层级卷积特征数据。
优选地,所述第一综合层级卷积数据包括:三个模态分别在入所述第一网络模型、所述第二网络模型和所述第三网络模型中的VGG-1层级的卷积特征数据;
所述第二综合层级数据包括:三个模态分别在入所述第一网络模型、所述第二网络模型和所述第三网络模型中的VGG-2层级的卷积特征数据;
所述第三综合层级数据包括:三个模态分别在入所述第一网络模型、所述第二网络模型和所述第三网络模型中的VGG-3层级的卷积特征数据;
所述第四综合层级数据包括:三个模态分别在入所述第一网络模型、所述第二网络模型和所述第三网络模型中的VGG-4层级的卷积特征数据。
优选地,所述第一综合层卷积特征数据、第二综合层级卷积特征数据、第三综合层级卷积特征数据和第四综合层级卷积特征数据分别和所述S4中修正后的综合各模态的脑MR图像卷积特征数据合为一组数据输入深度解码模型中,获得所述四份层级的深度解码特征数据。
优选地,所述步骤S6中卷积融合时的损失函数为二进制交叉熵。
(三)有益效果
本发明的有益效果是:本发明提供的一种基于深度特征重建的脑MR图像分割方法,使用了3种模态的脑部图像作为输入,通过不同模态间的对比,提升了不同脑组织间的分割精度;本发明对脑MR扫描的进行2D切片,堆叠连续的3个2D切片,构造伪RGB形式的图像,适合使用预训练权重网络来进行迁移学习;本发明的空间自注意力模块能够直接计算任意两个位置之间的交互关系,捕获远程依赖性,更好地理解脑部组织结构并准确预测;本发明的深度特征重建模块采用深度特征对不同层级的特征进行重新加权,提升重要特征,抑制不重要的特征,让不同层级的特征更具有一致性。
附图说明
图1为本发明提供的一种注意力深度特征重建的脑MR图像分割方法流程示意图;
图2为本发明提供的一种注意力深度特征重建的脑MR图像分割方法中的网络结构示意图;
图3为本发明提供的一种注意力深度特征重建的脑MR图像分割方法中叠连续切片示意图;
图4为本发明提供的一种注意力深度特征重建的脑MR图像分割方法中空间自注意力示意图;
图5为本发明提供的一种注意力深度特征重建的脑MR图像分割方法中深度特征重建示意图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
如图1所示:本实施例公开了一种基于注意力深度特征重建的脑MR图像分割方法,包括如下步骤:
S1、获取T1、T2和FLAIR三个模态的脑MR图像数据;
S2、对获取到的三个模态的脑MR图像数据进行预处理,得到数据增强的三个模态的脑MR图像数据;
S3、将S2中得到的三个模态的脑MR图像数据输入深度编码模型中得到三个模态的脑MR图像卷积特征数据;
S4、将S3中获得的三个模态的脑MR图像卷积特征数据输入空间自注意力模块SAM,获得空间自注意力模块修正后的综合各模态的脑MR图像卷积特征数据;
S5、将S4中修正后的综合各模态的脑MR图像卷积特征数据和三个模态的脑MR图像综合层级卷积特征数据输入深度解码模型中,获得四个层级的深度解码特征数据;
S6、将S5中获得的四个层级的深度解码特征数据和S4中得到的修正后的综合各模态的脑MR图像卷积特征数据进行卷积融合得到脑MR图像数据的分割图像结果。
其中,本实施例中所述步骤S2还包括如下步骤:
S201、对三个模态的脑MR图像数据进行均衡化处理;
S202、对经过均衡化处理的三个模态的脑MR图像数据进行二维切片,堆叠连续的三个2D切片,构造伪RGB形式的图像;
S203、对图像进行缩放和随机旋转的数据增强策略,分别得到数据增强的三个模态的脑MR图像数据。
相应地,如图2所示本实施例中所述步骤S3中的深度编码模型包括:第一网络模型、第二网络模型和第三网络模型;
所述第一网络模型、所述第二网络模型和所述第三网络模型的结构相同;
所述第一网络模型包括四个依次链接的层级,分别为VGG-1、VGG-2、VGG-3和VGG-4。
应说明的是:本实施例中所述的步骤S3中的三个模态的脑MR图像数据分别输入所述第一网络模型、所述第二网络模型和所述第三网络模型分别得到三个模态的脑MR图像卷积特征数据。
具体地,本实施例中所述步骤S5中的三个模态的脑MR图像综合层级卷积特征数据包括:第一综合层卷积特征数据、第二综合层级卷积特征数据、第三综合层级卷积特征数据和第四综合层级卷积特征数据。
本实施例中所述第一综合层级卷积数据包括:三个模态分别在入所述第一网络模型、所述第二网络模型和所述第三网络模型中的VGG-1层级的卷积特征数据;
所述第二综合层级数据包括:三个模态分别在入所述第一网络模型、所述第二网络模型和所述第三网络模型中的VGG-2层级的卷积特征数据;
所述第三综合层级数据包括:三个模态分别在入所述第一网络模型、所述第二网络模型和所述第三网络模型中的VGG-3层级的卷积特征数据;
所述第四综合层级数据包括:三个模态分别在入所述第一网络模型、所述第二网络模型和所述第三网络模型中的VGG-4层级的卷积特征数据。
本实施例中所述第一综合层卷积特征数据、第二综合层级卷积特征数据、第三综合层级卷积特征数据和第四综合层级卷积特征数据分别和所述S4中修正后的综合各模态的脑MR图像卷积特征数据合为一组数据输入深度解码模型中,获得所述四份层级的深度解码特征数据。
最后,应说明的是:本实施例中所述步骤S6中卷积融合时的损失函数为二进制交叉熵。
如图2所示,基于注意力深度特征重建的脑MR图像分割方法包括以下步骤:
S1:获取T1、T2和FLAIR三个模态的脑MR图像数据。
S2:对获取的脑MR图像进行预处理,首先对脑MR扫描图像进行均衡化处理;然后,如图3所示,进行二维切片,堆叠连续的三个2D切片,使用脑部MR扫描的n-1,n,n+1这3个切片作为RGB图像的红色,绿色和蓝色通道,构造伪RGB形式的图像,构造的每个2D的图像都包含了一些3D的信息,使用2D网络又避免了3D网络高昂的计算和内存,构造2D的三通道RGB图像更适合使用预训练权重的网络来进行迁移学习;最后,对图像进行缩放和随机旋转的数据增强策略。
S3:构建深度编码模型,如图2所示,根据VGG-16网络前10层的特征图大小,将其分成了四个层级,分别为VGG-1、VGG-2、VGG-3、VGG-4。本发明移除VGG-16网络末端的全连接层和最后的三组卷积层,最终特征映射的大小为输入图像的1/8,并将此结构作为编码模型,将S2中经过数据增强的多模态图像输入VGG-16来获得脑图像卷积特征。
S4:构建脑图像局部特征间的联系,将S3中获得的脑图像卷积的特征送入空间自注意力模块spatial-attention module(SAM)计算任意两个位置之间的交互关系,以更好地捕获空间上下文信息,空间自注意力模块如图4所示:
给定3个模态的局部特征对其进行通道串联和1x1卷积通道降维,得到局部特征然后将其送入具有批量归一化BN层和ReLU层的卷积层,以分别生成两个新的特征映射C和D,其中然后将其形状调整为其中N=H×W代表特征的数量。之后,在C和DT之间执行矩阵乘法,并应用一个softmax层来计算空间注意力图
其中sij可以衡量位置i对位置j的影响,如果两个特征更相似,那它们的相关性就会更大。
同时,我们将特征B送入具有批归一化BN层和ReLU层的卷积层,以生成新的特征映射并将其调整为之后在E和ST之间进行矩阵相乘,并将结果形状调整为最后将结果乘以一个尺度参数α,并和特征B进行元素相加,得到最终输出
其中α初始化为0并逐渐学得更高的权重。从等式中可以推断出,每个位置处的特征值均为所有位置与原始特征的加权和。以最终生成的特征具有全局上下文信息,并且依据空间注意力有选择性地聚合了上下文信息。这种操作使得特征表示具有了相互性,并且在图像分割任务中具有更大的鲁棒性。
S5:构建深度解码模型,将S4中由空间自注意力模块修正后的高级特征和各层级的特征同时送入深度特征重建模块deep featurereconstruction module(DFR),达到高级特征辅助低级特征解码的效果,DFR模块如图5所示:
蓝色块表示深度上下文模块中的特征,黄色块代表不同层级的低阶段特征。对深度上下文模块中的特征图进行全局平均池化,得到一组深度特征向量即对其进行公式3的操作以获得各个通道的代表值:
之后,令s通过一组门限机制,来获得通道权重向量e:
e=σ(W2δ(W1(s))) (4)
其中σ和δ分别代表Sigmoid和ReLU操作,和代表全连接层和的权重矩阵,r代表对通道数量降维的比例。
对于编码网络同一阶段的三个模态图像对应的特征为对其进行通道并联和上采样至原图像大小的操作,以形成不同层级的三模态特征
N=f(upsample(concat(X,Y,Z))) (5)
其中α为上采样系数,之后,对三模态特征进行卷积操作,生成对应的低阶段特征最后,使用深度上下文模块计算出的权重向量e对上采样后的低阶段特征进行重新加权,得到更具代表性的特征N”:
其中代表通道维度的乘积运算。由于这种通道注意力操作能够编码不同特征图之间的依赖性,使得深度特征重建模块可以更改不同阶段特征的权重。又因为深度特征重建模块采用高级语义特征对各层级特征进行辅助指导,使得浅层网络可以学习到更具区分能力的特征,避免学习到对分割无益的无关特征,从而达到增强特征一致性的作用,极大地改善了网络性能。
最后,构建基于度量学习的损失函数,汇总5个层级重建式上采样后的特征作为最终的预测结果,采用二进制交叉熵为损失函数,采用随机梯度下降法进行优化训练,使预测结果和标签值达到最接近。
以上结合具体实施例描述了本发明的技术原理,这些描述只是为了解释本发明的原理,不能以任何方式解释为对本发明保护范围的限制。基于此处解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式,这些方式都将落入本发明的保护范围之内。
Claims (8)
1.一种基于注意力深度特征重建的脑MR图像分割方法,其特征在于,包括如下步骤:
S1、获取T1、T2和FLAIR三个模态的脑MR图像数据;
S2、对获取到的三个模态的脑MR图像数据进行预处理,得到数据增强的三个模态的脑MR图像数据;
S3、将S2中得到的三个模态的脑MR图像数据输入深度编码模型中得到三个模态的脑MR图像卷积特征数据;
S4、将S3中获得的三个模态的脑MR图像卷积特征数据输入空间自注意力模块SAM,获得空间自注意力模块修正后的综合各模态的脑MR图像卷积特征数据;
S5、将S4中修正后的综合各模态的脑MR图像卷积特征数据和三个模态的脑MR图像综合层级卷积特征数据输入深度解码模型中,获得四个层级的深度解码特征数据;
S6、将S5中获得的四个层级的深度解码特征数据和S4中得到的修正后的综合各模态的脑MR图像卷积特征数据进行卷积融合得到脑MR图像数据的分割图像结果。
2.根据权利要求1所述的分割方法,其特征在于,所述步骤S2还包括如下步骤:
S201、对三个模态的脑MR图像数据进行均衡化处理;
S202、对经过均衡化处理的三个模态的脑MR图像数据进行二维切片,堆叠连续的三个2D切片,构造伪RGB形式的图像;
S203、对图像进行缩放和随机旋转的数据增强策略,分别得到数据增强的三个模态的脑MR图像数据。
3.根据权利要求2所述的分割方法,其特征在于,所述步骤S3中的深度编码模型包括:第一网络模型、第二网络模型和第三网络模型;
所述第一网络模型、所述第二网络模型和所述第三网络模型的结构相同;
所述第一网络模型包括四个依次链接的层级,分别为VGG-1、VGG-2、VGG-3和VGG-4。
4.根据权利要求3所述的分割方法,其特征在于,
所述步骤S3中的三个模态的脑MR图像数据分别输入所述第一网络模型、所述第二网络模型和所述第三网络模型分别得到三个模态的脑MR图像卷积特征数据。
5.根据权利要求4所述的分割方法,其特征在于,
所述步骤S5中的三个模态的脑MR图像综合层级卷积特征数据包括:第一综合层卷积特征数据、第二综合层级卷积特征数据、第三综合层级卷积特征数据和第四综合层级卷积特征数据。
6.根据权利要求5所述的分割方法,其特征在于,
所述第一综合层级卷积数据包括:三个模态分别在入所述第一网络模型、所述第二网络模型和所述第三网络模型中的VGG-1层级的卷积特征数据;
所述第二综合层级数据包括:三个模态分别在入所述第一网络模型、所述第二网络模型和所述第三网络模型中的VGG-2层级的卷积特征数据;
所述第三综合层级数据包括:三个模态分别在入所述第一网络模型、所述第二网络模型和所述第三网络模型中的VGG-3层级的卷积特征数据;
所述第四综合层级数据包括:三个模态分别在入所述第一网络模型、所述第二网络模型和所述第三网络模型中的VGG-4层级的卷积特征数据。
7.根据权利要求6所述的分割方法,其特征在于,所述第一综合层卷积特征数据、第二综合层级卷积特征数据、第三综合层级卷积特征数据和第四综合层级卷积特征数据分别和所述S4中修正后的综合各模态的脑MR图像卷积特征数据合为一组数据输入深度解码模型中,获得所述四份层级的深度解码特征数据。
8.根据权利要求7所述的分割方法,其特征在于,所述步骤S6中卷积融合时的损失函数为二进制交叉熵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910411647.6A CN110136122B (zh) | 2019-05-17 | 2019-05-17 | 一种基于注意力深度特征重建的脑mr图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910411647.6A CN110136122B (zh) | 2019-05-17 | 2019-05-17 | 一种基于注意力深度特征重建的脑mr图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110136122A true CN110136122A (zh) | 2019-08-16 |
CN110136122B CN110136122B (zh) | 2023-01-13 |
Family
ID=67574934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910411647.6A Active CN110136122B (zh) | 2019-05-17 | 2019-05-17 | 一种基于注意力深度特征重建的脑mr图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110136122B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781893A (zh) * | 2019-09-24 | 2020-02-11 | 浙江大华技术股份有限公司 | 特征图的处理方法、图像处理方法、装置以及存储介质 |
CN111222562A (zh) * | 2020-01-02 | 2020-06-02 | 南京邮电大学 | 空间自注意力机制及目标检测方法 |
CN111754520A (zh) * | 2020-06-09 | 2020-10-09 | 江苏师范大学 | 一种基于深度学习的脑血肿分割方法及系统 |
CN113902646A (zh) * | 2021-11-19 | 2022-01-07 | 电子科技大学 | 基于深浅层特征加权融合网络的遥感影像泛锐化方法 |
CN115830039A (zh) * | 2023-02-09 | 2023-03-21 | 阿里巴巴(中国)有限公司 | 图像处理方法以及装置 |
CN117752308A (zh) * | 2024-02-21 | 2024-03-26 | 中国科学院自动化研究所 | 癫痫预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062753A (zh) * | 2017-12-29 | 2018-05-22 | 重庆理工大学 | 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法 |
WO2018222755A1 (en) * | 2017-05-30 | 2018-12-06 | Arterys Inc. | Automated lesion detection, segmentation, and longitudinal identification |
CN109087318A (zh) * | 2018-07-26 | 2018-12-25 | 东北大学 | 一种基于优化U-net网络模型的MRI脑肿瘤图像分割方法 |
CN109598732A (zh) * | 2018-12-11 | 2019-04-09 | 厦门大学 | 一种基于三维空间加权的医学图像分割方法 |
CN109685819A (zh) * | 2018-12-11 | 2019-04-26 | 厦门大学 | 一种基于特征增强的三维医学图像分割方法 |
-
2019
- 2019-05-17 CN CN201910411647.6A patent/CN110136122B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018222755A1 (en) * | 2017-05-30 | 2018-12-06 | Arterys Inc. | Automated lesion detection, segmentation, and longitudinal identification |
CN108062753A (zh) * | 2017-12-29 | 2018-05-22 | 重庆理工大学 | 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法 |
CN109087318A (zh) * | 2018-07-26 | 2018-12-25 | 东北大学 | 一种基于优化U-net网络模型的MRI脑肿瘤图像分割方法 |
CN109598732A (zh) * | 2018-12-11 | 2019-04-09 | 厦门大学 | 一种基于三维空间加权的医学图像分割方法 |
CN109685819A (zh) * | 2018-12-11 | 2019-04-26 | 厦门大学 | 一种基于特征增强的三维医学图像分割方法 |
Non-Patent Citations (2)
Title |
---|
K. VAN LEEMPUT, ET AL.: "A unifying framework for partial volume segmentation of brain MR images", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
张兰 等: "一种结合空间信息的FCM算法对脑MR图像的分割", 《计算机工程与应用》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781893A (zh) * | 2019-09-24 | 2020-02-11 | 浙江大华技术股份有限公司 | 特征图的处理方法、图像处理方法、装置以及存储介质 |
CN110781893B (zh) * | 2019-09-24 | 2022-06-07 | 浙江大华技术股份有限公司 | 特征图的处理方法、图像处理方法、装置以及存储介质 |
CN111222562A (zh) * | 2020-01-02 | 2020-06-02 | 南京邮电大学 | 空间自注意力机制及目标检测方法 |
CN111222562B (zh) * | 2020-01-02 | 2022-04-08 | 南京邮电大学 | 基于空间自注意力机制的目标检测方法 |
CN111754520A (zh) * | 2020-06-09 | 2020-10-09 | 江苏师范大学 | 一种基于深度学习的脑血肿分割方法及系统 |
CN111754520B (zh) * | 2020-06-09 | 2023-09-15 | 江苏师范大学 | 一种基于深度学习的脑血肿分割方法及系统 |
CN113902646A (zh) * | 2021-11-19 | 2022-01-07 | 电子科技大学 | 基于深浅层特征加权融合网络的遥感影像泛锐化方法 |
CN115830039A (zh) * | 2023-02-09 | 2023-03-21 | 阿里巴巴(中国)有限公司 | 图像处理方法以及装置 |
CN117752308A (zh) * | 2024-02-21 | 2024-03-26 | 中国科学院自动化研究所 | 癫痫预测方法及装置 |
CN117752308B (zh) * | 2024-02-21 | 2024-05-24 | 中国科学院自动化研究所 | 癫痫预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110136122B (zh) | 2023-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110136122A (zh) | 一种基于注意力深度特征重建的脑mr图像分割方法 | |
US11450066B2 (en) | 3D reconstruction method based on deep learning | |
Han et al. | Combining noise-to-image and image-to-image GANs: Brain MR image augmentation for tumor detection | |
CN110659727B (zh) | 一种基于草图的图像生成方法 | |
CN109214989B (zh) | 基于多方向特征预测先验的单幅图像超分辨率重建方法 | |
CN115578404B (zh) | 一种基于深度学习的肝脏肿瘤图像增强和分割的方法 | |
Du et al. | Accelerated super-resolution MR image reconstruction via a 3D densely connected deep convolutional neural network | |
Luo et al. | Bayesian MRI reconstruction with joint uncertainty estimation using diffusion models | |
EP3555850A1 (en) | System and method for image segmentation using a joint deep learning model | |
CN114565816B (zh) | 一种基于全局信息融合的多模态医学图像融合方法 | |
CN116051945A (zh) | 一种基于CNN-Transformer并行融合方法 | |
CN117079105B (zh) | 遥感图像空谱融合方法、装置、电子设备及存储介质 | |
Jung et al. | Conditional GAN with 3D discriminator for MRI generation of Alzheimer’s disease progression | |
Jia et al. | 3D global convolutional adversarial network\\for prostate MR volume segmentation | |
CN116823850A (zh) | 基于U-Net和Transformer融合改进的心脏MRI分割方法及系统 | |
CN115049739A (zh) | 一种基于边缘检测的双目视觉立体匹配方法 | |
CN117333750A (zh) | 空间配准与局部全局多尺度的多模态医学图像融合方法 | |
KR20220139541A (ko) | 글로벌 어텐션을 이용한 영상 분할 방법 및 장치 | |
Yang et al. | MGDUN: An interpretable network for multi-contrast MRI image super-resolution reconstruction | |
CN116740081A (zh) | Ct图像中肺血管分割方法、装置、终端设备及介质 | |
CN116757982A (zh) | 一种基于多尺度编解码器的多模态医学图像融合方法 | |
CN113744284B (zh) | 脑肿瘤图像区域分割方法、装置、神经网络及电子设备 | |
Wang et al. | Multi-scale hierarchical transformer structure for 3d medical image segmentation | |
CN114022521A (zh) | 一种非刚性多模医学图像的配准方法及系统 | |
Zhou et al. | A layer-wise fusion network incorporating self-supervised learning for multimodal MR image synthesis |
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 |