CN110310289A - 基于深度学习的肺部组织图像分割方法 - Google Patents
基于深度学习的肺部组织图像分割方法 Download PDFInfo
- Publication number
- CN110310289A CN110310289A CN201910521449.5A CN201910521449A CN110310289A CN 110310289 A CN110310289 A CN 110310289A CN 201910521449 A CN201910521449 A CN 201910521449A CN 110310289 A CN110310289 A CN 110310289A
- Authority
- CN
- China
- Prior art keywords
- image
- lung tissue
- deep learning
- information
- training
- 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.)
- Pending
Links
Classifications
-
- 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
- G06T7/0002—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
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/22—Cropping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于深度学习的肺部组织图像分割方法,属于医学图像分割技术领域。该方法将X光胸片图像输入到分割模型中,其中,该分割模型使用多组训练数据训练得到,所述多组训练数据中的每一组训练数据均包括:X光胸片图像和对应用来标识肺部组织的金标准;获取所述模型的输出信息,其中,所述输出信息包括所述X光胸片图像中肺部组织的分割结果。本发明通过改进的Deeplabv3+的深度学习方法来实现对X光胸片肺部组织的分割,解决了使用传统方法分割肺部组织时遇到的局部收敛和假阳性分割的问题;在公开数据集和尘肺数据集上分别获得95.3%的MIoU和94.8%的MIoU;解决了FCN网络的假阳性问题,提高了SCAN网络方法中胸膈角处及X光胸片上对肋骨的分割准确率。
Description
技术领域
本发明涉及医学图像分割技术领域,具体涉及一种提高了肺部组织分割准确率的同时,减小对尘肺病分类识别的噪声影响的基于深度学习的肺部组织图像分割方法。
背景技术
随着医学影像技术的多元化和成熟性,医学图像研究成为目前热门的研究领域之一。基于肺部疾病的多发性和多样性,计算机辅助诊断成为临床治疗的重要手段,因此,高准确性的技术支持是必不可少的。目前肺部组织分割的技术大体分为传统方法、传统机器学习方法、深度学习方法这3类。传统方法分割肺部组织时对数据集要求较高,不仅需要肺野的强边界信息,还需要较高的目标轮廓相似性。传统机器学习的方法在分割肺部组织时,在个别图像实例上会由于分类不准确造成较严重的假阳性现象。对于深度学习方法,从已经提出的U-Net、SCAN方法在TB/JSRT数据库上分割肺部组织的准确率来看,像素级别的分类比图像级别的分类有较好的分割性能。但是,单纯的从可视化结果来看,针对数据库中形状不相似的图像,胸膈角和肺尖处的分割依旧存在分割不准确的问题。与此同时,为了在尘肺病分类时减少噪声的影响,将与尘肺病灶像素值相似的肋骨使用本专利提到的深度学习方法分割出来。
发明内容
本发明的目的在于提供一种在提高了肺部组织分割准确率的同时,减小对尘肺病分类识别的噪声影响的基于深度学习的肺部组织图像分割方法,以解决上述背景技术中存在的技术问题。
为了实现上述目的,本发明采取了如下技术方案:
本发明提供的一种基于深度学习的肺部组织图像分割方法,包括:
将肺部组织图像输入到模型中,其中,所述模型使用多组训练数据训练得到,所述多组训练数据中的每一组训练数据均包括:X光胸片图像和用来标识图像中肺部组织的金标准;
获取所述模型的输出信息,其中,所述输出信息包括所述X光胸片图像中肺部组织的分割结果。
优选的,所述使用多组训练数据训练得到所述模型包括:
将标注有肺部组织金标准的X光胸片图像作为训练集;
将训练集进行相应尺寸的裁剪,并转换为tfrecord格式;
训练集经过连续的空洞卷积计算提取细节特征信息,得到预测特征图;
将预测特征图作为ASPP结构的输入,并通过卷积层降低特征维度;
对降低特征维度后的预测特征图做多组采样率不同的空洞卷积,来提取图像的多尺度特征信息;
对细节特征信息和多尺度特征信息进行融合,获得更精确的特征信息,作为解码部分的输入;
改进的Xception网络结构作为解码部分的网络主干,对融合了细节特征信息和多尺度特征信息的特征图上采样恢复到原图尺寸;
导出训练得到的所述模型。
优选的,所述肺部组织图像为尘肺图像。
优选的,所述训练集为尘肺图像的0期、1期和2期图像,测试集为尘肺图像的3期图像。
优选的,所述卷积层降低特征维度中的卷积层为1×1卷积层。
优选的,所述多组采样率不同的空洞卷积的采样率分别为6、12和18。
优选的,对细节特征信息和多尺度特征信息进行融合时,首先对提取了多尺度特征信息的预测特征图进行上采样,然后融合细节特征信息。
优选的,对提取了多尺度特征信息的预测特征图进行上采样的倍数为4倍。
本发明有益效果:通过改进的Deeplabv3+的深度学习方法来实现对X光胸片肺部组织的分割,解决了使用传统方法分割肺部组织时遇到的局部收敛和假阳性分割的问题;同时,通过增加网络深度和改进网络架构,提升了X光胸片中对胸膈角等区域的分割准确性;训练得到的模型在公开数据集(TB/JSRT)上测试可以获得比SCAN更好的95.3%的MIoU,在尘肺数据集上测试可以获得94.8%的MIoU;通过改进的Deeplabv3+的深度学习方法解决了FCN方法假阳性分割,获得了比SCAN方法中更高的分割准确率,提高了在X光胸片上对肋骨的分割准确率。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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发明的一些实施例,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为本发明实施例所述的基于深度学习的肺部组织图像分割方法的网络框架示意图。
图2是本发明实施例所述的方法使用的JSRT数据库中的图像。
图3是本发明实施例所述的方法使用的TB数据库中的图像。
图4是本发明实施例所述的方法使用的尘肺数据库中尘肺的0期、1期、2期和3期图像。
图5是本发明实施例所述的使用基于深度学习的肺部组织图像分割方法得到的可视化肺部组织分割结果图。
图6是本发明实施例所述的使用基于深度学习的肺部组织图像分割方法得到的可视化肋骨分割结果图。
具体实施方式
下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或模块,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、模块和/或它们的组。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以具体实施例为例做进一步的解释说明,且实施例并不构成对本发明实施例的限定。
本领域普通技术人员应当理解的是,附图只是一个实施例的示意图,附图中的部件或装置并不一定是实施本发明所必须的。
实施例
本发明实施例1提供一种基于深度学习的肺部组织图像分割方法,包括:
将X光胸片图像输入到模型中,其中,所述模型使用多组训练数据训练得到,所述多组训练数据中的每一组训练数据均包括:X光胸片图像和用来标识该图像中肺部组织的金标准;
获取所述模型的输出信息,其中,所述输出信息包括所述X光胸片中肺部组织的分割结果。
本发明实施例1中,经在公开数据集和尘肺数据集上验证,可以获得比SCAN等深度学习方法在分割胸片组织时更好的分割性能。本发明的实现步骤如下:
步骤一:为尘肺数据集标注金标准,并通过旋转、平移、镜像、加噪等方法对标注好的数据集进行数据增强;
步骤二:数据裁剪。为了保证在有限的计算资源下尽量多的提取到有效的语义特征信息,将训练集和测试集中的图像通过数据裁剪的方式分块输入到神经网络的数据输入层;
步骤三:语义特征信息提取。在卷积计算时,空洞卷积具有比普通卷积更大的感受野范围,将DCNN替换为连续的空洞卷积之后,可以在同样的卷积计算下捕获更多的语义特征信息;
步骤四:多尺度特征信息提取。经过数据裁剪之后的图像发生目标尺度变化,包含多个不同采样率空洞卷积的并行ASPP金字塔结构可以有效解决因尺度变化造成的胸膈角分割不准确问题。在保留步骤三输出的feature map的同时,将其作为ASPP结构的输入,提取多尺度信息;
步骤五:在解码端,赋予它两个输入通道,一个通道输入语义特征信息,一个通道输入多尺度特征信息。这样就避免了FCN分割肺部组织时的胸膈角分割不准确问题以及PSPNet的边界不平滑问题;
步骤六:上采样。ResNet结构间强烈的相似性,使得在训练时会重复的提取特征信息。将改进的Xception结构作为主干网络,可以在连续的卷积之后完善边界信息,并在训练时优化内存,使得在上采样操作中恢复到原图尺寸大小之后具有最好的分割效果。
本文涉及的评价标准使用的是在语义分割中常用的平均交并比,其计算方法如下:
上式代表的是标签值和预测值的交集和并集之比,这个值也可以代表真阳性和真阴性、假阳性、假阴性和的比值,然后在每个类上计算IoU,最后取类平均。
实施例2
本发明实施例2提供一种X光胸片分割的深度学习方法。经在公开数据集和尘肺数据集上验证,本方法可以获得比SCAN等深度学习方法在分割胸片组织时更好的分割性能。本发明的实现步骤如下:
(一)训练部分
用于肺部组织分割工作带有完整标签的X光胸片公开数据集有TB数据集和JSRT数据集两类。JSRT数据集是日本放射协会公开的89张肺结节病理图像,如图2所示,为JSRT数据集中的一张图像案例;TB数据集包含139张肺结核病理图像,如图3所示,为TB数据中的一张图像案例。在公开数据集上的实验将JSRT数据集作为训练集,将TB数据集作为测试集。
如图4所示,图4(a)为0期尘肺图像,图4(b)为1期尘肺图像,图4(c)为2期尘肺图像,图4(d)为3期尘肺图像,尘肺数据集包含了未给定金标准的4期不同患病程度的X光胸片图像,为了满足实验结果的可靠性和说服力,将0期、1期和2期的图像作为训练集,将3期的图像作为测试集。然后分别标注4期图像集中的任意100张图像的目标轮廓,从而给出尘肺数据集的金标准。
在本发明实施例2中,以尘肺数据集为例,在公开数据库和尘肺数据库上均进行了对应数据集的训练和验证。
步骤1:网络输入的训练集为尘肺图像的0期、1期和2期图像,测试集为尘肺图像的3期图像。将图像使用旋转、平移、镜像、加噪等方法进行数据增强;
步骤2:将数据集进行相应尺寸的裁剪,最后将数据集转换为tfrecord格式;
步骤3:网络读取输入图像,输入的数据经过连续的空洞卷积计算提取细节特征信息,得到预测的feature map。然后将得到的feature map分别作为ASPP架构的输入和解码部分的一个通道输入;
步骤4:步骤3中的输出作为ASPP结构的输入,在经过1×1的卷积层降低特征维度之后,分别对feature map做采样率为[6,12,18]的空洞卷积,最后通过图像级特征操作来提取多尺度特征信息,最后通过1×1的卷积操作来融合并行的feature map。多尺度特征信息的提取解决了目标不同分辨率条件下的分割问题,将多尺度特征信息作为解码部分的另一个通道输入;
步骤5:将步骤3中提取到的细节特征信息和步骤4中提取的多尺度特征信息同时作为解码部分的输入。为了保证两个通道特征信息的维度相同,先将步骤4输出的featuremap进行4倍的上采样,然后融合步骤3中的feature map;
步骤6:引入改进的Xception网络结构作为解码部分的网络主干。通过引入Xception结构,完善了胸膈角处的分割准确性,提升了边界处的训练精度,提高了内存的优化和训练速度;
步骤7:对特征图上采样恢复到原图尺寸;
步骤8:导出训练得到的网络模型。
在对模型训练的过程中,训练时间对比表如表1所示:
表1
(二)测试部分
本发明实施例2中,训练集是0、1、2期的图像,相比于3期图像具有较好的图像质量和明显的肺部轮廓。因此,这样的训练集下得到的训练模型在测试集上的分割MIoU是在最不理想的数据集设置下得到的分割准确率。
步骤1:使用和训练时相同采样率的ASPP架构来提升分割准确率;
步骤2:调整不同的缩放尺度,完善多尺度信息的提取;
步骤3:分割测试集,得到可视化结果、分割准确率等数据。
经过测试,在尘肺数据集上,本发明提到的深度学习方法在分割肺部组织时可以取得94.8%的分割MIoU。另外,在公开数据集上,也取得了比SCAN高出0.6%的分割准确率。如图5所示,其中,图5(a)和图5(d)为JSRT数据库中的原始图像,图5(b)和图5(e)为肺部轮廓标注图,图5(c)和图5(f)分别为图像(a)和图像(d)分割得到的肺部组织可视化图。在可视化结果上,本发明的方法在胸膈角位置的分割准确性也得到了最好的结果。分割准确率对比表如表2所示:
表2
此外,通过对胸片图像的肋骨进行如上的步骤处理之后,在X光胸片数据集上对肋骨的分割也获得了88%的分割准确率,如图6所示,其中,图6(a)和图6(c)为JSRT数据库中的原始图像,图6(b)和图6(d)分别为图像(a)和图像(c)的肋骨分割图。
综上所述,本发明实施例所述的方法,通过改进的Deeplabv3+的深度学习方法来实现对X光胸片肺部组织的分割,解决了使用传统方法分割肺部组织时遇到的局部收敛和假阳性分割的问题;同时,通过增加网络深度和改进网络架构,提升了对胸膈角等区域的分割准确性;在公开数据集(TB/JSRT)上可以获得比SCAN更好的95.3%的MIoU,在尘肺数据集上可以获得94.8%的MIoU;尤其是针对FCN方法假阳性分割问题和SCAN方法中胸膈角分割不准确的问题,使用本发明的方法可以有效的解决;分割肺部组织时,本发明不仅解决了FCN网络的假阳性问题,还提高了SCAN网络方法中胸膈角处的分割准确率;并且提高了在X光胸片上对肋骨的分割准确率。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种基于深度学习的肺部组织图像分割方法,其特征在于,包括:
将X光胸片图像输入到模型中,其中,所述模型使用多组训练数据训练得到,所述多组训练数据中的每一组训练数据均包括:X光胸片图像和用来标识图像中肺部组织的金标准;
获取所述模型的输出信息,其中,所述输出信息包括所述X光胸片图像中肺部组织的分割结果。
2.根据权利要求1所述的基于深度学习的肺部组织图像分割方法,其特征在于,所述使用多组训练数据训练得到所述模型包括:
将标注有肺部组织金标准的X光胸片图像作为训练集;
将训练集进行相应尺寸的裁剪,并转换为tfrecord格式;
训练集经过连续的空洞卷积计算提取细节特征信息,得到预测特征图;
将预测特征图作为ASPP结构的输入,并通过卷积层降低特征维度;
对降低特征维度后的预测特征图做多组采样率不同的空洞卷积,来提取图像的多尺度特征信息;
对细节特征信息和多尺度特征信息进行融合,获得更精确的特征信息,作为解码部分的输入;
改进的Xception网络结构作为解码部分的网络主干,对融合了细节特征信息和多尺度特征信息的特征图上采样恢复到原图尺寸;
导出训练得到的所述模型。
3.根据权利要求2所述的基于深度学习的肺部组织图像分割方法,其特征在于,所述肺部组织图像为尘肺图像。
4.根据权利要求3所述的基于深度学习的肺部组织图像分割方法,其特征在于,所述训练集为尘肺图像的0期、1期和2期图像,测试集为尘肺图像的3期图像。
5.根据权利要求4所述的基于深度学习的肺部组织图像分割方法,其特征在于:所述卷积层降低特征维度中的卷积层为1×1卷积层。
6.根据权利要求5所述的基于深度学习的肺部组织图像分割方法,其特征在于:所述多组采样率不同的空洞卷积的采样率分别为6、12和18。
7.根据权利要求6所述的基于深度学习的肺部组织图像分割方法,其特征在于:对细节特征信息和多尺度特征信息进行融合时,首先对提取了多尺度特征信息的预测特征图进行上采样,然后融合细节特征信息。
8.根据权利要求7所述的基于深度学习的肺部组织图像分割方法,其特征在于:对提取了多尺度特征信息的预测特征图进行上采样的倍数为4倍。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910521449.5A CN110310289A (zh) | 2019-06-17 | 2019-06-17 | 基于深度学习的肺部组织图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910521449.5A CN110310289A (zh) | 2019-06-17 | 2019-06-17 | 基于深度学习的肺部组织图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110310289A true CN110310289A (zh) | 2019-10-08 |
Family
ID=68076527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910521449.5A Pending CN110310289A (zh) | 2019-06-17 | 2019-06-17 | 基于深度学习的肺部组织图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110310289A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111013857A (zh) * | 2019-12-11 | 2020-04-17 | 北京东方昊为工业装备有限公司 | 一种喷涂机器人控制系统及控制方法 |
CN111340825A (zh) * | 2020-03-05 | 2020-06-26 | 上海市肺科医院(上海市职业病防治院) | 一种纵膈淋巴结分割模型的生成方法及系统 |
CN111429473A (zh) * | 2020-02-27 | 2020-07-17 | 西北大学 | 基于多尺度特征融合的胸片肺野分割模型建立及分割方法 |
CN111476199A (zh) * | 2020-04-26 | 2020-07-31 | 国网湖南省电力有限公司 | 基于高清航测影像的输变电工程坟地识别方法 |
CN111476777A (zh) * | 2020-04-07 | 2020-07-31 | 上海联影智能医疗科技有限公司 | 胸片图像处理方法、系统、可读存储介质和设备 |
CN111950584A (zh) * | 2020-06-16 | 2020-11-17 | 江西中科九峰智慧医疗科技有限公司 | 一种x光胸片中部位完整度的智能鉴别方法及系统 |
CN112418028A (zh) * | 2020-11-11 | 2021-02-26 | 上海交通大学 | 一种基于深度学习的卫星图像中船舶识别与分割方法 |
CN112508958A (zh) * | 2020-12-16 | 2021-03-16 | 桂林电子科技大学 | 一种轻量多尺度的生物医学图像分割方法 |
CN112669312A (zh) * | 2021-01-12 | 2021-04-16 | 中国计量大学 | 一种基于深度特征对称融合的胸片肺炎检测方法及系统 |
CN113222012A (zh) * | 2021-05-11 | 2021-08-06 | 北京知见生命科技有限公司 | 一种肺部数字病理图像自动定量分析方法及系统 |
CN113313105A (zh) * | 2021-04-12 | 2021-08-27 | 厦门大学 | 一种办公转椅木板喷胶与贴棉区域识别方法 |
CN116862836A (zh) * | 2023-05-30 | 2023-10-10 | 北京透彻未来科技有限公司 | 一种泛器官淋巴结转移癌检测系统及计算机设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325534A (zh) * | 2018-09-22 | 2019-02-12 | 天津大学 | 一种基于双向多尺度金字塔的语义分割方法 |
CN109711413A (zh) * | 2018-12-30 | 2019-05-03 | 陕西师范大学 | 基于深度学习的图像语义分割方法 |
CN109858539A (zh) * | 2019-01-24 | 2019-06-07 | 武汉精立电子技术有限公司 | 一种基于深度学习图像语义分割模型的roi区域提取方法 |
-
2019
- 2019-06-17 CN CN201910521449.5A patent/CN110310289A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325534A (zh) * | 2018-09-22 | 2019-02-12 | 天津大学 | 一种基于双向多尺度金字塔的语义分割方法 |
CN109711413A (zh) * | 2018-12-30 | 2019-05-03 | 陕西师范大学 | 基于深度学习的图像语义分割方法 |
CN109858539A (zh) * | 2019-01-24 | 2019-06-07 | 武汉精立电子技术有限公司 | 一种基于深度学习图像语义分割模型的roi区域提取方法 |
Non-Patent Citations (1)
Title |
---|
LIANG-CHIEH CHEN ET AL.: "Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation", 《ARXIV》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111013857A (zh) * | 2019-12-11 | 2020-04-17 | 北京东方昊为工业装备有限公司 | 一种喷涂机器人控制系统及控制方法 |
CN111429473A (zh) * | 2020-02-27 | 2020-07-17 | 西北大学 | 基于多尺度特征融合的胸片肺野分割模型建立及分割方法 |
CN111429473B (zh) * | 2020-02-27 | 2023-04-07 | 西北大学 | 基于多尺度特征融合的胸片肺野分割模型建立及分割方法 |
CN111340825A (zh) * | 2020-03-05 | 2020-06-26 | 上海市肺科医院(上海市职业病防治院) | 一种纵膈淋巴结分割模型的生成方法及系统 |
CN111340825B (zh) * | 2020-03-05 | 2023-05-09 | 上海市肺科医院(上海市职业病防治院) | 一种纵膈淋巴结分割模型的生成方法及系统 |
CN111476777A (zh) * | 2020-04-07 | 2020-07-31 | 上海联影智能医疗科技有限公司 | 胸片图像处理方法、系统、可读存储介质和设备 |
CN111476777B (zh) * | 2020-04-07 | 2023-08-22 | 上海联影智能医疗科技有限公司 | 胸片图像处理方法、系统、可读存储介质和设备 |
CN111476199A (zh) * | 2020-04-26 | 2020-07-31 | 国网湖南省电力有限公司 | 基于高清航测影像的输变电工程坟地识别方法 |
CN111950584A (zh) * | 2020-06-16 | 2020-11-17 | 江西中科九峰智慧医疗科技有限公司 | 一种x光胸片中部位完整度的智能鉴别方法及系统 |
CN111950584B (zh) * | 2020-06-16 | 2024-05-14 | 江西中科九峰智慧医疗科技有限公司 | 一种x光胸片中部位完整度的智能鉴别方法及系统 |
CN112418028A (zh) * | 2020-11-11 | 2021-02-26 | 上海交通大学 | 一种基于深度学习的卫星图像中船舶识别与分割方法 |
CN112508958B (zh) * | 2020-12-16 | 2022-07-19 | 桂林电子科技大学 | 一种轻量多尺度的生物医学图像分割方法 |
CN112508958A (zh) * | 2020-12-16 | 2021-03-16 | 桂林电子科技大学 | 一种轻量多尺度的生物医学图像分割方法 |
CN112669312A (zh) * | 2021-01-12 | 2021-04-16 | 中国计量大学 | 一种基于深度特征对称融合的胸片肺炎检测方法及系统 |
CN113313105B (zh) * | 2021-04-12 | 2022-07-01 | 厦门大学 | 一种办公转椅木板喷胶与贴棉区域识别方法 |
CN113313105A (zh) * | 2021-04-12 | 2021-08-27 | 厦门大学 | 一种办公转椅木板喷胶与贴棉区域识别方法 |
CN113222012A (zh) * | 2021-05-11 | 2021-08-06 | 北京知见生命科技有限公司 | 一种肺部数字病理图像自动定量分析方法及系统 |
CN116862836A (zh) * | 2023-05-30 | 2023-10-10 | 北京透彻未来科技有限公司 | 一种泛器官淋巴结转移癌检测系统及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110310289A (zh) | 基于深度学习的肺部组织图像分割方法 | |
CN109886273B (zh) | 一种cmr图像分割分类系统 | |
CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统 | |
CN112150428B (zh) | 一种基于深度学习的医学图像分割方法 | |
CN109919961A (zh) | 一种用于颅内cta图像中动脉瘤区域的处理方法及装置 | |
CN110827242B (zh) | 一种基于卷积神经网络的颅内动脉瘤检测方法及系统 | |
CN105760874B (zh) | 面向尘肺的ct图像处理系统及其ct图像处理方法 | |
CN110310281A (zh) | 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法 | |
CN109858540B (zh) | 一种基于多模态融合的医学图像识别系统及方法 | |
CN109389584A (zh) | 基于cnn的多尺度鼻咽肿瘤分割方法 | |
Zhang et al. | Automated semantic segmentation of red blood cells for sickle cell disease | |
CN109920518A (zh) | 医学影像分析方法、装置、计算机设备和存储介质 | |
CN111340827A (zh) | 一种肺部ct影像数据处理分析方法及系统 | |
CN108846828A (zh) | 一种基于深度学习的病理图像目标区域定位方法及系统 | |
CN112884788B (zh) | 基于丰富上下文网络的视杯视盘分割方法及成像方法 | |
CN108305253A (zh) | 一种基于多倍率深度学习的病理全切片诊断方法 | |
CN109447963A (zh) | 一种脑部影像识别的方法及装置 | |
CN106803248A (zh) | 模糊车牌图像模糊度评价方法 | |
CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
CN115063592B (zh) | 一种基于多尺度的全扫描病理特征融合提取方法及系统 | |
CN109977834A (zh) | 从深度图像中分割人手与交互物体的方法和装置 | |
Tong et al. | Improving classification of breast cancer by utilizing the image pyramids of whole-slide imaging and multi-scale convolutional neural networks | |
Chen et al. | Combining edge guidance and feature pyramid for medical image segmentation | |
Lenga et al. | Deep learning based rib centerline extraction and labeling | |
CN115909006A (zh) | 基于卷积Transformer的乳腺组织图像分类方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191008 |
|
RJ01 | Rejection of invention patent application after publication |