CN110246145B - 一种腹部ct图像的分割方法 - Google Patents
一种腹部ct图像的分割方法 Download PDFInfo
- Publication number
- CN110246145B CN110246145B CN201910540017.9A CN201910540017A CN110246145B CN 110246145 B CN110246145 B CN 110246145B CN 201910540017 A CN201910540017 A CN 201910540017A CN 110246145 B CN110246145 B CN 110246145B
- Authority
- CN
- China
- Prior art keywords
- layer
- function
- input
- output
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Abstract
本发明涉及一种腹部CT图像的分割方法,包括步骤S1:构建脏器图像分割模型并利用源域数据进行预训练;步骤S2:将源域数据与目标域数据输入到脏器分割模型中,获得预测结果;步骤S3:根据源域数据的到的预测结果,获得分割的损失,并训练脏器图像分割模型;步骤S4:将脏器图像分割模型的预测结果作为判别模型的输入,获得分类损失,训练判别模型,并通过梯度反转层反向传播到脏器图像分割模型中;步骤S5:最大化分割损失和最小化分类损失,形成对抗损失,并用于训练脏器分割模型与判别模型,形成脏器图像分割模型。本发明将域适应方法结合脏器图像分割模型,分割医学图像中不同的脏器区域,解决医学图像中数据量少无标签且数据来源不同造成域偏移的问题。
Description
技术领域
本发明涉及一种医学图像处理方法,具体涉及一种腹部CT图像的分割方法。
背景技术
腹部CT图像中,不仅包含心、肺、肠、肝、脾区域,在肺区域中还包括肺叶,周围软组织骨骼等。因此对CT图像进行脏器分割,能够有效的提高对目标脏器的进一步分析。常见的深度学习方法,在分割方面取得了很好的效果。深度学习训练方式大多建立在训练集和测试集具有相同的分布的假设上,如果分布不同,模型在测试集的性能则不如测试集。训练集(源域)和测试集(目标域)存在差异,即所谓的域偏移。域偏移是医学图像数据集的常见现象。例如,数据集来源于不同的组织,使得数据集的条件分布概率不同。并且,医学图像涉及隐私保护,这造成了数据量少的问题;医学图像的标注需要专业的人工标注,精细的标注对于人工来说耗时耗力,这造成了标注数据少的问题。因此,解决小数据的脏器分割问题,是做进一步医学图像处理的前提。
发明内容
有鉴于此,本发明的目的在于提供一种腹部CT图像的分割方法,可以对不同来源且标注不完备的医学图像进行脏器分割。
为实现上述目的,本发明采用如下技术方案:
一种腹部CT图像的分割方法,包括以下步骤:
步骤S1:构建脏器图像分割模型并利用源域数据进行预训练;
步骤S2:将源域数据与目标域数据输入到脏器分割模型中,获得源域数据和目标域数据的预测结果;
步骤S3:根据源域数据的到的预测结果,获得分割的损失,并根据分割的损失训练脏器图像分割模型;
步骤S4:将脏器图像分割模型的预测结果作为判别模型的输入,获得分类损失,训练判别模型,并通过梯度反转层反向传播到脏器图像分割模型中;
步骤S5:最大化分割损失和最小化分类损失,形成对抗损失,并将对抗损失用于训练脏器分割模型与判别模型,形成一个域适应下的脏器图像分割模型。
进一步的,所述的源域数据为具有完备标注的公开数据集,所述目标域数据集无完备标注的公开数据集。
进一步的,所述的脏器图像分割模型由UNet网络结合ResNet34网络构成,将UNet网络分为左侧部分和右侧部分,所诉的左侧部分为Encode过程使用ResNet34网络用来提取图像特征;右侧部分为Decode过程,使用上采样获得域结果。
进一步的,所述脏器图像分割模型的模型构建具体如下:
第一层为输入层,输入图像,输入大小为512×512×3;
第二层为Encode层,是一个卷积层,输入通道为3,输出为64,核大小为(7,7,7),步长为2,正则化函数为BN函数,激活函数为ReLU函数;
第三层为池化层,使用最大池化层,核大小为(3,3,3),步长为2;
第四层为Encode层,是Sequential模型。由3个BasicBlock组成,每个BasicBlock为2个输入、输出通道为64,核大小为(3,3,3),步长为1的卷积层,正则化函数为BN函数,激活函数为ReLU函数;
第五层为Encode层,是Sequential模型;由4个BasicBlock组成,其中第一个BasicBlock的第一层卷积层为输入为64,输出为128,核大小为(3,3,3),步长为2,正则化函数为BN函数,激活函数为ReLU函数;第二层卷积层输入为128,输出为128,核大小为(3,3,3),步长为1,正则化函数为BN函数;第三层为下采样层,输入为64,输出为128,核大小(1,1,1),步长为2的卷积层,正则化函数为BN函数。其余3个BasicBlock,每个BasicBlock为2个输入、输出为128,核大小为(3,3,3),步长为1的卷积层,正则化函数为BN函数,激活函数为ReLU函数;
第六层为Encode层,是Sequential模型;由6个BasicBlock组成,其中第一个BasicBlock的第一层卷积层为输入为128,输出为256,核大小为(3,3,3),步长为2,正则化函数为BN函数,激活函数为ReLU函数;第二层卷积层输入、输出为256,核大小为(3,3,3),步长为1,正则化函数为BN函数;第三层为下采样层,输入为128,输出为256,核大小(1,1,1),步长为2的卷积层,正则化函数为BN函数。其余5个BasicBlock,每个BasicBlock为2个输入、输出为256,核大小为(3,3,3),步长为1的卷积层,正则化函数为BN函数,激活函数为ReLU函数;
第七层为Encode层,是Sequential模型。由3个BasicBlock组成,其中第一个BasicBlock的第一层卷积层为输入为265,输出为512,核大小为(3,3,3),步长为2,正则化函数为BN函数,激活函数为ReLU函数;第二层卷积层输入、输出为512,核大小为(3,3,3),步长为1,正则化函数为BN函数;第三层为下采样层,输入为256,输出为512,核大小(1,1,1),步长为2的卷积层,正则化函数为BN函数,其余2个BasicBlock,每个BasicBlock为2个输入、输出为512,核大小为(3,3,3),步长为1的卷积层,正则化函数为BN函数,激活函数为ReLU函数;
第八层为Decode层,是Sequential模型。第一层为upsample层,尺度因子为2,上采样算法为bilinear;第二层是卷积层,对第七层做输入为512,输出为256,核大小为(3,3,3),步长为1的卷积操作;第三层为concat层,将所诉前两层结果进行按列拼接;第四层为卷积层,输入为256+512,输出为256,核大小为(3,3,3),步长为1;
第九层为Decode层,是Sequential模型;第一层为upsample层,尺度因子为2,上采样算法为bilinear;第二层是卷积层,对第六层层做输入为256,输出为128,核大小为(3,3,3),步长为1的卷积操作;第三层为concat层,将所诉前两层结果进行按列拼接;第四层为卷积层,输入为128+256,输出为128,核大小为(3,3,3),步长为1;
第十层为Decode层,是Sequential模型;第一层为upsample层,尺度因子为2,上采样算法为bilinear;第二层是卷积层,对第五层做输入为128,输出为64,核大小为(3,3,3),步长为1的卷积操作;第三层为concat层,将所诉前两层结果进行按列拼接;第四层为卷积层,输入为64+128,输出为64,核大小为(3,3,3),步长为1;
第十一层为Decode层,是Sequential模型;第一层为upsample层,尺度因子为2,上采样算法为bilinear;第二层是卷积层,对第四层做输入为64,输出为64,核大小为(3,3,3),步长为1的卷积操作;第三层为concat层,将所诉前两层结果进行按列拼接;第四层为卷积层,输入为64+64,输出为64,核大小为(3,3,3),步长为1;
第十二层为输出层,是Sequential模型;第一层为卷积层,输入为64,输出为512,核大小为(3,3,3),步长为2,正则化函数为BN函数,激活函数为ReLU函数,Dropout率为0.1;第二层为卷积层,输入为512,输出为2,即输出类别为两类,核大小为(1,1,1),获得不同脏器分割区域结果。
进一步的,所述判别模型实现二分类功能,区分所诉的预测结果来自源域数据还是目标域数据。
进一步的,所述步骤S5具体为:
步骤S51:利用源域数据训练分割模型计算分割损失,最大化分割损失;利用源域数据与目标域数据进行训练判别模型计算分类损失,最小化分类损失,形成对抗损失;
步骤S52:将对抗损失用于训练脏器分割模型与判别模型,形成一个域适应下的脏器图像分割模型。
本发明与现有技术相比具有以下有益效果:
本发明采用域适应方法,从而使得在带标签的源域上训练的模型能够迁移到无标签的目标域中,利用域适应方法能够有效解决上述医学图像脏器分割的问题。
附图说明
图1是本发明方法示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种腹部CT图像的分割方法,包括以下步骤:
步骤S1:构建脏器图像分割模型并利用源域数据进行预训练;
步骤S2:将源域数据与目标域数据输入到脏器分割模型中,获得源域数据和目标域数据的预测结果;
步骤S3:根据源域数据的到的预测结果,获得分割的损失,并根据分割的损失训练脏器图像分割模型;
步骤S4:将脏器图像分割模型的预测结果作为判别模型的输入,获得分类损失,训练判别模型,并通过梯度反转层反向传播到脏器图像分割模型中;
步骤S5:最大化分割损失和最小化分类损失,形成对抗损失,并将对抗损失用于训练脏器分割模型与判别模型,形成一个域适应下的脏器图像分割模型。
在本实施例中,所述的源域数据为具有完备标注的公开数据集,所述目标域数据集无完备标注的公开数据集。
在本实施例中,所述的脏器图像分割模型由UNet网络结合ResNet34网络构成,将UNet网络分为左侧部分和右侧部分,所诉的左侧部分为Encode过程使用ResNet34网络用来提取图像特征;右侧部分为Decode过程,使用上采样获得域结果。
在本实施例中,所述脏器图像分割模型的模型构建具体如下:
第一层为输入层,输入图像,输入大小为512×512×3;
第二层为Encode层,是一个卷积层,输入通道为3,输出为64,核大小为(7,7,7),步长为2,正则化函数为BN函数,激活函数为ReLU函数;
第三层为池化层,使用最大池化层,核大小为(3,3,3),步长为2;
第四层为Encode层,是Sequential模型。由3个BasicBlock组成,每个BasicBlock为2个输入、输出通道为64,核大小为(3,3,3),步长为1的卷积层,正则化函数为BN函数,激活函数为ReLU函数;
第五层为Encode层,是Sequential模型;由4个BasicBlock组成,其中第一个BasicBlock的第一层卷积层为输入为64,输出为128,核大小为(3,3,3),步长为2,正则化函数为BN函数,激活函数为ReLU函数;第二层卷积层输入为128,输出为128,核大小为(3,3,3),步长为1,正则化函数为BN函数;第三层为下采样层,输入为64,输出为128,核大小(1,1,1),步长为2的卷积层,正则化函数为BN函数。其余3个BasicBlock,每个BasicBlock为2个输入、输出为128,核大小为(3,3,3),步长为1的卷积层,正则化函数为BN函数,激活函数为ReLU函数;
第六层为Encode层,是Sequential模型;由6个BasicBlock组成,其中第一个BasicBlock的第一层卷积层为输入为128,输出为256,核大小为(3,3,3),步长为2,正则化函数为BN函数,激活函数为ReLU函数;第二层卷积层输入、输出为256,核大小为(3,3,3),步长为1,正则化函数为BN函数;第三层为下采样层,输入为128,输出为256,核大小(1,1,1),步长为2的卷积层,正则化函数为BN函数。其余5个BasicBlock,每个BasicBlock为2个输入、输出为256,核大小为(3,3,3),步长为1的卷积层,正则化函数为BN函数,激活函数为ReLU函数;
第七层为Encode层,是Sequential模型。由3个BasicBlock组成,其中第一个BasicBlock的第一层卷积层为输入为265,输出为512,核大小为(3,3,3),步长为2,正则化函数为BN函数,激活函数为ReLU函数;第二层卷积层输入、输出为512,核大小为(3,3,3),步长为1,正则化函数为BN函数;第三层为下采样层,输入为256,输出为512,核大小(1,1,1),步长为2的卷积层,正则化函数为BN函数,其余2个BasicBlock,每个BasicBlock为2个输入、输出为512,核大小为(3,3,3),步长为1的卷积层,正则化函数为BN函数,激活函数为ReLU函数;
第八层为Decode层,是Sequential模型。第一层为upsample层,尺度因子为2,上采样算法为bilinear;第二层是卷积层,对第七层做输入为512,输出为256,核大小为(3,3,3),步长为1的卷积操作;第三层为concat层,将所诉前两层结果进行按列拼接;第四层为卷积层,输入为256+512,输出为256,核大小为(3,3,3),步长为1;
第九层为Decode层,是Sequential模型;第一层为upsample层,尺度因子为2,上采样算法为bilinear;第二层是卷积层,对第六层层做输入为256,输出为128,核大小为(3,3,3),步长为1的卷积操作;第三层为concat层,将所诉前两层结果进行按列拼接;第四层为卷积层,输入为128+256,输出为128,核大小为(3,3,3),步长为1;
第十层为Decode层,是Sequential模型;第一层为upsample层,尺度因子为2,上采样算法为bilinear;第二层是卷积层,对第五层做输入为128,输出为64,核大小为(3,3,3),步长为1的卷积操作;第三层为concat层,将所诉前两层结果进行按列拼接;第四层为卷积层,输入为64+128,输出为64,核大小为(3,3,3),步长为1;
第十一层为Decode层,是Sequential模型;第一层为upsample层,尺度因子为2,上采样算法为bilinear;第二层是卷积层,对第四层做输入为64,输出为64,核大小为(3,3,3),步长为1的卷积操作;第三层为concat层,将所诉前两层结果进行按列拼接;第四层为卷积层,输入为64+64,输出为64,核大小为(3,3,3),步长为1;
第十二层为输出层,是Sequential模型;第一层为卷积层,输入为64,输出为512,核大小为(3,3,3),步长为2,正则化函数为BN函数,激活函数为ReLU函数,Dropout率为0.1;第二层为卷积层,输入为512,输出为2,即输出类别为两类,核大小为(1,1,1),获得不同脏器分割区域结果。
在本实施例中,所述步骤S5具体为:
步骤S51:利用源域数据训练分割模型计算分割损失,最大化分割损失;利用源域数据与目标域数据进行训练判别模型计算分类损失,最小化分类损失,形成对抗损失;
步骤S52:将对抗损失用于训练脏器分割模型与判别模型,形成一个域适应下的脏器图像分割模型。
在本实施例中,所述域适应下的脏器图像分割方法具体步骤如下:
(1)输入图像大小为512×512×1,将源域数据IS标记为0,目标域数据IT标记为1;
(2)前向传播源域数据IS,利用交叉熵损失Lseg优化分割模型G,交叉熵损失公示如下:
其中,YS为源域数据的真值,PS=G(IS)为分割模型的输出,h,w,c,分别为图像长、宽和类别数;
(3)目标域数据IT输入到分割模型G后,得到的输出为PT;
(4)将PS和PT输入到判别器D,并利用交叉熵损失Ld优化判别器D,交叉熵损失公示如下:
其中,当z=0时样本来自源域数据,当z=1时样本来自目标域数据;
(5)对于目标域数据IT馈送到脏器图像分割模型,获得的预测结果为PT=G(IT),计算对抗损失Ladv使PT与PS的分布更相近,公示如下:
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (3)
1.一种腹部CT图像的分割方法,其特征在于,包括以下步骤:
步骤S1:构建脏器图像分割模型并利用源域数据进行预训练;
步骤S2:将源域数据与目标域数据输入到脏器分割模型中,获得源域数据和目标域数据的预测结果;
步骤S3:根据源域数据的到的预测结果,获得分割的损失,并根据分割的损失训练脏器图像分割模型;
步骤S4:将脏器图像分割模型的预测结果作为判别模型的输入,获得分类损失,训练判别模型,并通过梯度反转层反向传播到脏器图像分割模型中;
步骤S5:最大化分割损失和最小化分类损失,形成对抗损失,并将对抗损失用于训练脏器分割模型与判别模型,形成一个域适应下的脏器图像分割模型;
所述的脏器图像分割模型由UNet网络结合ResNet34网络构成,将UNet网络分为左侧部分和右侧部分,所诉的左侧部分为Encode过程使用ResNet34网络用来提取图像特征;右侧部分为Decode过程,使用上采样获得域结果;
所述判别模型实现二分类功能,区分所诉的预测结果来自源域数据还是目标域数据;所述步骤S5具体为:
步骤S51:利用源域数据训练分割模型计算分割损失,最大化分割损失;利用源域数据与目标域数据进行训练判别模型计算分类损失,最小化分类损失,形成对抗损失;
步骤S52:将对抗损失用于训练脏器分割模型与判别模型,形成一个域适应下的脏器图像分割模型。
2.根据权利要求1所述的一种腹部CT图像的分割方法,其特征在于:所述的源域数据为具有完备标注的公开数据集,所述目标域数据集无完备标注的公开数据集。
3.根据权利要求1所述的一种腹部CT图像的分割方法,其特征在于:所述脏器图像分割模型的模型构建具体如下:
第二层为Encode层,是一个卷积层,输入通道为3,输出为64,核大小为(7,7,7),步长为2,正则化函数为BN函数,激活函数为ReLU函数;
第三层为池化层,使用最大池化层,核大小为(3,3,3),步长为2;
第四层为Encode层,是Sequential模型;由3个BasicBlock组成,每个BasicBlock为2个输入、输出通道为64,核大小为(3,3,3),步长为1的卷积层,正则化函数为BN函数,激活函数为ReLU函数;
第五层为Encode层,是Sequential模型;由4个BasicBlock组成,其中第一个BasicBlock的第一层卷积层为输入为64,输出为128,核大小为(3,3,3),步长为2,正则化函数为BN函数,激活函数为ReLU函数;第二层卷积层输入为128,输出为128,核大小为(3,3,3),步长为1,正则化函数为BN函数;第三层为下采样层,输入为64,输出为128,核大小(1,1,1),步长为2的卷积层,正则化函数为BN函数;其余3个BasicBlock,每个BasicBlock为2个输入、输出为128,核大小为(3,3,3),步长为1的卷积层,正则化函数为BN函数,激活函数为ReLU函数;
第六层为Encode层,是Sequential模型;由6个BasicBlock组成,其中第一个BasicBlock的第一层卷积层为输入为128,输出为256,核大小为(3,3,3),步长为2,正则化函数为BN函数,激活函数为ReLU函数;第二层卷积层输入、输出为256,核大小为(3,3,3),步长为1,正则化函数为BN函数;第三层为下采样层,输入为128,输出为256,核大小(1,1,1),步长为2的卷积层,正则化函数为BN函数;其余5个BasicBlock,每个BasicBlock为2个输入、输出为256,核大小为(3,3,3),步长为1的卷积层,正则化函数为BN函数,激活函数为ReLU函数;
第七层为Encode层,是Sequential模型;由3个BasicBlock组成,其中第一个BasicBlock的第一层卷积层为输入为265,输出为512,核大小为(3,3,3),步长为2,正则化函数为BN函数,激活函数为ReLU函数;第二层卷积层输入、输出为512,核大小为(3,3,3),步长为1,正则化函数为BN函数;第三层为下采样层,输入为256,输出为512,核大小(1,1,1),步长为2的卷积层,正则化函数为BN函数,其余2个BasicBlock,每个BasicBlock为2个输入、输出为512,核大小为(3,3,3),步长为1的卷积层,正则化函数为BN函数,激活函数为ReLU函数;
第八层为Decode层,是Sequential模型;第一层为upsample层,尺度因子为2,上采样算法为bilinear;第二层是卷积层,对第七层做输入为512,输出为256,核大小为(3,3,3),步长为1的卷积操作;第三层为concat层,将所诉前两层结果进行按列拼接;第四层为卷积层,输入为256+512,输出为256,核大小为(3,3,3),步长为1;
第九层为Decode层,是Sequential模型;第一层为upsample层,尺度因子为2,上采样算法为bilinear;第二层是卷积层,对第六层做输入为256,输出为128,核大小为(3,3,3),步长为1的卷积操作;第三层为concat层,将所诉前两层结果进行按列拼接;第四层为卷积层,输入为128+256,输出为128,核大小为(3,3,3),步长为1;
第十层为Decode层,是Sequential模型;第一层为upsample层,尺度因子为2,上采样算法为bilinear;第二层是卷积层,对第五层做输入为128,输出为64,核大小为(3,3,3),步长为1的卷积操作;第三层为concat层,将所诉前两层结果进行按列拼接;第四层为卷积层,输入为64+128,输出为64,核大小为(3,3,3),步长为1;
第十一层为Decode层,是Sequential模型;第一层为upsample层,尺度因子为2,上采样算法为bilinear;第二层是卷积层,对第四层做输入为64,输出为64,核大小为(3,3,3),步长为1的卷积操作;第三层为concat层,将所诉前两层结果进行按列拼接;第四层为卷积层,输入为64+64,输出为64,核大小为(3,3,3),步长为1;
第十二层为输出层,是Sequential模型;第一层为卷积层,输入为64,输出为512,核大小为(3,3,3),步长为2,正则化函数为BN函数,激活函数为ReLU函数,Dropout率为0.1;第二层为卷积层,输入为512,输出为2,即输出类别为两类,核大小为(1,1,1),获得不同脏器分割区域结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910540017.9A CN110246145B (zh) | 2019-06-21 | 2019-06-21 | 一种腹部ct图像的分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910540017.9A CN110246145B (zh) | 2019-06-21 | 2019-06-21 | 一种腹部ct图像的分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110246145A CN110246145A (zh) | 2019-09-17 |
CN110246145B true CN110246145B (zh) | 2023-02-21 |
Family
ID=67888663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910540017.9A Active CN110246145B (zh) | 2019-06-21 | 2019-06-21 | 一种腹部ct图像的分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110246145B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110930383A (zh) * | 2019-11-20 | 2020-03-27 | 佛山市南海区广工大数控装备协同创新研究院 | 基于深度学习语义分割和图像分类的注射器缺陷检测方法 |
CN111060318B (zh) * | 2020-01-09 | 2021-12-28 | 山东科技大学 | 一种基于深度对抗迁移网络的轴承故障诊断方法 |
CN112183360B (zh) * | 2020-09-29 | 2022-11-08 | 上海交通大学 | 高分辨率遥感影像的轻量化语义分割方法 |
CN113516640B (zh) * | 2021-07-05 | 2022-03-18 | 首都师范大学 | 基于分类分支的ct图像细小裂缝分割装置和方法 |
GB202204202D0 (en) * | 2022-03-24 | 2022-05-11 | Supponor Tech Limited | Image processing method and apparatus |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463862A (zh) * | 2014-11-28 | 2015-03-25 | 哈尔滨工业大学 | 肾脏ct序列图像快速分割方法 |
CN107230204A (zh) * | 2017-05-24 | 2017-10-03 | 东北大学 | 一种从胸部ct图像中提取肺叶的方法及装置 |
CN108648172A (zh) * | 2018-03-30 | 2018-10-12 | 四川元匠科技有限公司 | 一种基于3D-Unet的CT图肺结节检测系统 |
CN109190707A (zh) * | 2018-09-12 | 2019-01-11 | 深圳市唯特视科技有限公司 | 一种基于对抗学习的域自适应图像语义分割方法 |
CN109299716A (zh) * | 2018-08-07 | 2019-02-01 | 北京市商汤科技开发有限公司 | 神经网络的训练方法、图像分割方法、装置、设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10346740B2 (en) * | 2016-06-01 | 2019-07-09 | Kla-Tencor Corp. | Systems and methods incorporating a neural network and a forward physical model for semiconductor applications |
US10592820B2 (en) * | 2016-06-09 | 2020-03-17 | International Business Machines Corporation | Sequential learning technique for medical image segmentation |
-
2019
- 2019-06-21 CN CN201910540017.9A patent/CN110246145B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463862A (zh) * | 2014-11-28 | 2015-03-25 | 哈尔滨工业大学 | 肾脏ct序列图像快速分割方法 |
CN107230204A (zh) * | 2017-05-24 | 2017-10-03 | 东北大学 | 一种从胸部ct图像中提取肺叶的方法及装置 |
CN108648172A (zh) * | 2018-03-30 | 2018-10-12 | 四川元匠科技有限公司 | 一种基于3D-Unet的CT图肺结节检测系统 |
CN109299716A (zh) * | 2018-08-07 | 2019-02-01 | 北京市商汤科技开发有限公司 | 神经网络的训练方法、图像分割方法、装置、设备及介质 |
CN109190707A (zh) * | 2018-09-12 | 2019-01-11 | 深圳市唯特视科技有限公司 | 一种基于对抗学习的域自适应图像语义分割方法 |
Non-Patent Citations (1)
Title |
---|
"Segmentation of 4D CT bone images by sequential registration";Christophe Van Dijck等;《 2015 IEEE 12th International Symposium on Biomedical Imaging (ISBI)》;20150723;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110246145A (zh) | 2019-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110246145B (zh) | 一种腹部ct图像的分割方法 | |
CN111681252B (zh) | 一种基于多路径注意力融合的医学图像自动分割方法 | |
CN110706214B (zh) | 融合条件随机与残差的三维U-Net大脑肿瘤分割方法 | |
CN104484886B (zh) | 一种mr图像的分割方法及装置 | |
CN113674253A (zh) | 基于U-Transformer的直肠癌CT影像自动分割方法 | |
CN111325750B (zh) | 一种基于多尺度融合u型链神经网络的医学图像分割方法 | |
CN110136122B (zh) | 一种基于注意力深度特征重建的脑mr图像分割方法 | |
Shieh et al. | Hausdorff and packing dimensions of the images of random fields | |
Pandey et al. | Segmentation of liver lesions with reduced complexity deep models | |
Cheng et al. | DDU-Net: A dual dense U-structure network for medical image segmentation | |
Yan et al. | Multi-scale U-like network with attention mechanism for automatic pancreas segmentation | |
CN111160378A (zh) | 基于单张图像的多任务增强的深度估计系统 | |
CN117078930A (zh) | 基于边界感知和注意力机制的医学图像分割方法 | |
Jang et al. | Deep color transfer for color-plus-mono dual cameras | |
Yamazaki et al. | Invertible residual network with regularization for effective volumetric segmentation | |
Wen et al. | Segmenting medical MRI via recurrent decoding cell | |
Tripathi et al. | Segmentation of brain tumour in MR images using modified deep learning network | |
CN111091575A (zh) | 一种基于强化学习方法的医学图像分割方法 | |
Feng et al. | ConvWin-UNet: UNet-like hierarchical vision Transformer combined with convolution for medical image segmentation | |
Lin et al. | CSwinDoubleU-Net: A double U-shaped network combined with convolution and Swin Transformer for colorectal polyp segmentation | |
Zhu et al. | Brain tumor segmentation for missing modalities by supplementing missing features | |
CN117197454A (zh) | 一种肝脏及肝肿瘤数据分割方法及系统 | |
Wang et al. | Multi-scale hierarchical transformer structure for 3d medical image segmentation | |
CN113298827B (zh) | 一种基于DP-Net网络的图像分割方法 | |
CN115797542A (zh) | 一种具有直接体绘制效果的三维医学图像几何建模方法 |
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 |