CN110321946A - 一种基于深度学习的多模态医学影像识别方法及装置 - Google Patents
一种基于深度学习的多模态医学影像识别方法及装置 Download PDFInfo
- Publication number
- CN110321946A CN110321946A CN201910566889.2A CN201910566889A CN110321946A CN 110321946 A CN110321946 A CN 110321946A CN 201910566889 A CN201910566889 A CN 201910566889A CN 110321946 A CN110321946 A CN 110321946A
- Authority
- CN
- China
- Prior art keywords
- image
- medical image
- module
- mode
- acquisition
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000000605 extraction Methods 0.000 claims abstract description 38
- 238000006243 chemical reaction Methods 0.000 claims abstract description 23
- 238000003384 imaging method Methods 0.000 claims abstract description 23
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 13
- 239000000284 extract Substances 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000007639 printing Methods 0.000 claims abstract description 7
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000003814 drug Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 3
- 238000009877 rendering Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000011218 segmentation Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明属于医学影像识别技术领域,公开了一种基于深度学习的多模态医学影像识别方法及装置,利用医疗影像设备采集医学影像数据;影像增强算法对采集的影像进行增强处理;提取程序提取采集影像特征;利用识别程序对提取的特征进行识别;利用转换程序对不同模态医学影像进行转换操作;打印机将采集的影像进行打印操作;利用显示器显示采集医学影像数据信息。本发明通过影像特征提取模块提高影像特征提取效果;同时,通过模态转换模块采用三维重建、配准和分割的方式,保证了第一模态影像与第二模态影像的对应图像高度匹配;另外本发明对训练图像划分为若干图像块,降低了整张输入训练图片对硬件设备的要求。
Description
技术领域
本发明属于医学影像识别技术领域,尤其涉及一种基于深度学习的多模态医学影像识别方法及装置。
背景技术
目前,最接近的现有技术:医学影像是指为了医疗或医学研究,对人体或人体某部分,以非侵入方式取得内部组织影像的技术与处理过程。它包含以下两个相对独立的研究方向:医学成像系统(medical imaging system)和医学图像处理(medical imageprocessing)。前者是指图像行成的过程,包括对成像机理、成像设备、成像系统分析等问题的研究;后者是指对已经获得的图像作进一步的处理,其目的是或者是使原来不够清晰的图像复原,或者是为了突出图像中的某些特征信息,或者是对图像做模式分类等等。然而,现有医学影像特征提取效果差;同时,对于同一种成像模态,如果采用不同的成像设备产生的训练集,器官组织名称等需要进行标准化,另外,两种模态间的采集顺序可能不一致而需要对训练图像进行勾画或分割;这都会导致训练数据集处理繁琐,影响机器学习的精度和速度。
综上所述,现有技术存在的问题是:现有医学影像特征提取效果差;同时,对于同一种成像模态,如果采用不同的成像设备产生的训练集,器官组织名称等需要进行标准化,另外,两种模态间的采集顺序可能不一致而需要对训练图像进行勾画或分割;这都会导致训练数据集处理繁琐,影响机器学习的精度和速度。
发明内容
针对现有技术存在的问题,本发明提供了一种基于深度学习的多模态医学影像识别方法及装置。
本发明是这样实现的,一种基于深度学习的多模态医学影像识别方法,所述基于深度学习的多模态医学影像识别方法包括以下步骤:
步骤一,通过医学影像采集模块利用医疗影像设备采集医学影像数据;
步骤二,主控模块通过影像增强模块利用影像增强算法对采集的影像进行增强处理;
步骤三,通过影像特征提取模块利用提取程序提取采集影像特征;通过特征识别模块利用识别程序对提取的特征进行识别;
步骤四,通过模态转换模块利用转换程序对不同模态医学影像进行转换操作;
步骤五,通过打印模块利用打印机将采集的影像进行打印操作;
步骤六,通过显示模块利用显示器显示采集医学影像数据信息。
进一步,所述基于深度学习的多模态医学影像识别方法的影像特征提取方法如下:
(1)多模态医学影像预处理及张量构造;读取多模态医学DICOM格式图像;根据标注信息提取图像待提取区域并对多模态图像进行归一化;用张量形式表示归一化后的多模态图像数据;
(2)带标签约束的张量分解及特征空间数据投影;对得到的张量进行带标签约束的张量分解得到核心张量;将张量数据投影到核心张量对应的子空间上;用投影空间上的数据作为训练数据训练分类器;
(3)多模态医疗影像融合;提取多模态影像数据的候选区域;将候选区域投影到子空间上,输入训练好的分类器中得出待提取区域的提取结果。
进一步,所述基于深度学习的多模态医学影像识别方法的模态转换方法如下:
1)通过转换程序准备训练数据集;输入训练数据,所述的训练数据包含若干组具有相同感兴趣区域的第一模态以及与第一模态对应的第二模态的医学影像;将训练数据进行预处理;判断每组数据影像中不同模态的各层影像是否互相匹配;
若每组数据影像中不同模态的各层影像互相匹配,则将对应各层训练图片分别划分成多个2D图像块;
若每组数据影像中不同模态的各层影像没有完全相互匹配,则将每组数据中第一模态的影像进行三维重建、配准后再进行切分,获得包含m层第一模态影像的集合使第一模态医学影像中每层切片影像与同组中对应的第二模态医学影像匹配;或者对第二模态影像进行三维重建、配准后再切分,使第二模态医学影像中每层切片影像与同组中对应的第一模态医学影像匹配;或者对第一、第二模态影像分别进行三维重建、配准和切分,使第一模态医学影像中每层切片影像与同组中对应的第二模态医学影像匹配;并将各对应切片层训练图片分别划分成多个3D图像块;
2)训练神经网络;用准备好的图像块训练集训练神经网路模型;训练过程中分割每个图像块中不同模态的医学影像中感兴趣区域的对应位置,通过神经网路模型前向计算出输出图像,并且与真实掩莫图像进行相似度比较,进一步通过反向传播调节神经网络的参数;当验证数据集的LOSS值小于等于设定阈值时,模型停止迭代,保存模型,得到训练好的深度卷积神经网络模型;
3)把预处理后的第一模态医学图像输入到训练好的深度卷积神经网络模型中进行前向计算并输出第二模态的医学影像。
本发明的另一目的在于提供一种基于所述基于深度学习的多模态医学影像识别方法的基于深度学习的多模态医学影像识别装置,所述基于深度学习的多模态医学影像识别装置包括:
医学影像采集模块,与主控模块连接,用于通过医疗影像设备采集医学影像数据;
主控模块,与医学影像采集模块、影像增强模块、影像特征提取模块、特征识别模块、模态转换模块、打印模块、显示模块连接,用于通过单片机控制各个模块正常工作;
影像增强模块,与主控模块连接,用于通过影像增强算法对采集的影像进行增强处理;
影像特征提取模块,与主控模块连接,用于通过提取程序提取采集影像特征;
特征识别模块,与主控模块连接,用于通过识别程序对提取的特征进行识别;
模态转换模块,与主控模块连接,用于通过转换程序对不同模态医学影像进行转换操作;
打印模块,与主控模块连接,用于通过打印机将采集的影像进行打印操作;
显示模块,与主控模块连接,用于通过显示器显示采集医学影像数据信息。
本发明的另一目的在于提供一种应用所述基于深度学习的多模态医学影像识别方法的医学成像处理控制系统。
本发明的优点及积极效果为:本发明通过影像特征提取模块取关于医学图像特征区域更丰富的融合数据,并结合标签约束对数据进行投影,提取具有特定意义的特征,进而提出一种基于标签相关性约束张量分解的多模态医学影像特征提取和分类方法,这种方法兼顾多种模态医学影像提供的特征区域信息,利用该特征区域标签信息有针对性的将原始数据投影到新的特征空间,提高影像特征提取效果,在此基础上进行对应标签模型的训练,更加符合医学上的针对性;同时,通过模态转换模块采用三维重建、配准和分割的方式,保证了第一模态影像与第二模态影像的对应图像高度匹配;另外本发明对训练图像划分为若干图像块,降低了整张输入训练图片对硬件设备的要求。因为训练数据使用同一病人不同模态的相同感兴趣区域的切片,因此在神经网络学习的过程中无需对训练图像进行分割或勾画,大大提高学习的效率。
附图说明
图1是本发明实施例提供的基于深度学习的多模态医学影像识别方法流程图。
图2是本发明实施例提供的基于深度学习的多模态医学影像识别装置结构示意图;
图中:1、医学影像采集模块;2、主控模块;3、影像增强模块;4、影像特征提取模块;5、特征识别模块;6、模态转换模块;7、打印模块;8、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
针对现有技术存在的问题,本发明提供了一种基于深度学习的多模态医学影像识别方法及装置,下面结合附图对本发明作详细的描述。
如图1所示,本发明提供的基于深度学习的多模态医学影像识别方法包括以下步骤:
S101:通过医学影像采集模块利用医疗影像设备采集医学影像数据;
S102:主控模块通过影像增强模块利用影像增强算法对采集的影像进行增强处理;
S103:通过影像特征提取模块利用提取程序提取采集影像特征;通过特征识别模块利用识别程序对提取的特征进行识别;
S104:通过模态转换模块利用转换程序对不同模态医学影像进行转换操作;
S105:通过打印模块利用打印机将采集的影像进行打印操作;
S106:通过显示模块利用显示器显示采集医学影像数据信息。
如图2所示,本发明实施例提供的基于深度学习的多模态医学影像识别装置包括:医学影像采集模块1、主控模块2、影像增强模块3、影像特征提取模块4、特征识别模块5、模态转换模块6、打印模块7、显示模块8。
医学影像采集模块1,与主控模块2连接,用于通过医疗影像设备采集医学影像数据;
主控模块2,与医学影像采集模块1、影像增强模块3、影像特征提取模块4、特征识别模块5、模态转换模块6、打印模块7、显示模块8连接,用于通过单片机控制各个模块正常工作;
影像增强模块3,与主控模块2连接,用于通过影像增强算法对采集的影像进行增强处理;
影像特征提取模块4,与主控模块2连接,用于通过提取程序提取采集影像特征;
特征识别模块5,与主控模块2连接,用于通过识别程序对提取的特征进行识别;
模态转换模块6,与主控模块2连接,用于通过转换程序对不同模态医学影像进行转换操作;
打印模块7,与主控模块2连接,用于通过打印机将采集的影像进行打印操作;
显示模块8,与主控模块2连接,用于通过显示器显示采集医学影像数据信息。
在本发明的优选实施例中,影像特征提取模块4提取方法如下:
(1)多模态医学影像预处理及张量构造;读取多模态医学DICOM格式图像;根据标注信息提取图像待提取区域并对多模态图像进行归一化;用张量形式表示归一化后的多模态图像数据。
(2)带标签约束的张量分解及特征空间数据投影;对步骤1得到的张量进行带标签约束的张量分解得到核心张量;将张量数据投影到核心张量对应的子空间上;用投影空间上的数据作为训练数据训练分类器。
(3)多模态医疗影像融合;提取多模态影像数据的候选区域;将候选区域投影到子空间上,输入步骤(2)训练好的分类器中得出待提取区域的提取结果。
在本发明的优选实施例中,模态转换模块6转换方法如下:
1)通过转换程序准备训练数据集;输入训练数据,所述的训练数据包含若干组具有相同感兴趣区域的第一模态以及与第一模态对应的第二模态的医学影像;将训练数据进行预处理;判断每组数据影像中不同模态的各层影像是否互相匹配;
若每组数据影像中不同模态的各层影像互相匹配,则将对应各层训练图片分别划分成多个2D图像块;
若每组数据影像中不同模态的各层影像没有完全相互匹配,则将每组数据中第一模态的影像进行三维重建、配准后再进行切分,获得包含m层第一模态影像的集合使第一模态医学影像中每层切片影像与同组中对应的第二模态医学影像匹配;或者对第二模态影像进行三维重建、配准后再切分,使第二模态医学影像中每层切片影像与同组中对应的第一模态医学影像匹配;或者对第一、第二模态影像分别进行三维重建、配准和切分,使第一模态医学影像中每层切片影像与同组中对应的第二模态医学影像匹配;并将各对应切片层训练图片分别划分成多个3D图像块;
2)训练神经网络;用准备好的图像块训练集训练神经网路模型;训练过程中分割每个图像块中不同模态的医学影像中感兴趣区域的对应位置,通过神经网路模型前向计算出输出图像,并且与真实掩莫图像进行相似度比较,进一步通过反向传播调节神经网络的参数;当验证数据集的LOSS值小于等于设定阈值时,模型停止迭代,保存模型,得到训练好的深度卷积神经网络模型;
3)把预处理后的第一模态医学图像输入到训练好的深度卷积神经网络模型中进行前向计算并输出第二模态的医学影像。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (5)
1.一种基于深度学习的多模态医学影像识别方法,其特征在于,所述基于深度学习的多模态医学影像识别方法包括以下步骤:
步骤一,通过医学影像采集模块利用医疗影像设备采集医学影像数据;
步骤二,主控模块通过影像增强模块利用影像增强算法对采集的影像进行增强处理;
步骤三,通过影像特征提取模块利用提取程序提取采集影像特征;通过特征识别模块利用识别程序对提取的特征进行识别;
步骤四,通过模态转换模块利用转换程序对不同模态医学影像进行转换操作;
步骤五,通过打印模块利用打印机将采集的影像进行打印操作;
步骤六,通过显示模块利用显示器显示采集医学影像数据信息。
2.如权利要求1所述的基于深度学习的多模态医学影像识别方法,其特征在于,所述基于深度学习的多模态医学影像识别方法的影像特征提取方法如下:
(1)多模态医学影像预处理及张量构造;读取多模态医学DICOM格式图像;根据标注信息提取图像待提取区域并对多模态图像进行归一化;用张量形式表示归一化后的多模态图像数据;
(2)带标签约束的张量分解及特征空间数据投影;对得到的张量进行带标签约束的张量分解得到核心张量;将张量数据投影到核心张量对应的子空间上;用投影空间上的数据作为训练数据训练分类器;
(3)多模态医疗影像融合;提取多模态影像数据的候选区域;将候选区域投影到子空间上,输入训练好的分类器中得出待提取区域的提取结果。
3.如权利要求1所述的基于深度学习的多模态医学影像识别方法,其特征在于,所述基于深度学习的多模态医学影像识别方法的模态转换方法如下:
1)通过转换程序准备训练数据集;输入训练数据,所述的训练数据包含若干组具有相同感兴趣区域的第一模态以及与第一模态对应的第二模态的医学影像;将训练数据进行预处理;判断每组数据影像中不同模态的各层影像是否互相匹配;
若每组数据影像中不同模态的各层影像互相匹配,则将对应各层训练图片分别划分成多个2D图像块;
若每组数据影像中不同模态的各层影像没有完全相互匹配,则将每组数据中第一模态的影像进行三维重建、配准后再进行切分,获得包含m层第一模态影像的集合使第一模态医学影像中每层切片影像与同组中对应的第二模态医学影像匹配;或者对第二模态影像进行三维重建、配准后再切分,使第二模态医学影像中每层切片影像与同组中对应的第一模态医学影像匹配;或者对第一、第二模态影像分别进行三维重建、配准和切分,使第一模态医学影像中每层切片影像与同组中对应的第二模态医学影像匹配;并将各对应切片层训练图片分别划分成多个3D图像块;
2)训练神经网络;用准备好的图像块训练集训练神经网路模型;训练过程中分割每个图像块中不同模态的医学影像中感兴趣区域的对应位置,通过神经网路模型前向计算出输出图像,并且与真实掩莫图像进行相似度比较,进一步通过反向传播调节神经网络的参数;当验证数据集的LOSS值小于等于设定阈值时,模型停止迭代,保存模型,得到训练好的深度卷积神经网络模型;
3)把预处理后的第一模态医学图像输入到训练好的深度卷积神经网络模型中进行前向计算并输出第二模态的医学影像。
4.一种基于权利要求1所述基于深度学习的多模态医学影像识别方法的基于深度学习的多模态医学影像识别装置,其特征在于,所述基于深度学习的多模态医学影像识别装置包括:
医学影像采集模块,与主控模块连接,用于通过医疗影像设备采集医学影像数据;
主控模块,与医学影像采集模块、影像增强模块、影像特征提取模块、特征识别模块、模态转换模块、打印模块、显示模块连接,用于通过单片机控制各个模块正常工作;
影像增强模块,与主控模块连接,用于通过影像增强算法对采集的影像进行增强处理;
影像特征提取模块,与主控模块连接,用于通过提取程序提取采集影像特征;
特征识别模块,与主控模块连接,用于通过识别程序对提取的特征进行识别;
模态转换模块,与主控模块连接,用于通过转换程序对不同模态医学影像进行转换操作;
打印模块,与主控模块连接,用于通过打印机将采集的影像进行打印操作;
显示模块,与主控模块连接,用于通过显示器显示采集医学影像数据信息。
5.一种应用权利要求1~3任意一项所述基于深度学习的多模态医学影像识别方法的医学成像处理控制系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910566889.2A CN110321946A (zh) | 2019-06-27 | 2019-06-27 | 一种基于深度学习的多模态医学影像识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910566889.2A CN110321946A (zh) | 2019-06-27 | 2019-06-27 | 一种基于深度学习的多模态医学影像识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110321946A true CN110321946A (zh) | 2019-10-11 |
Family
ID=68120469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910566889.2A Pending CN110321946A (zh) | 2019-06-27 | 2019-06-27 | 一种基于深度学习的多模态医学影像识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110321946A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111081372A (zh) * | 2019-12-14 | 2020-04-28 | 中国科学院深圳先进技术研究院 | 疾病诊断方法、装置、终端设备及计算机可读存储介质 |
CN112308888A (zh) * | 2020-10-15 | 2021-02-02 | 复旦大学附属中山医院 | 基于深度学习体征结构的全模态医学影像序列分组方法 |
CN113012146A (zh) * | 2021-04-12 | 2021-06-22 | 东北大学 | 血管信息获取方法及装置、电子设备和存储介质 |
CN114202673A (zh) * | 2021-12-13 | 2022-03-18 | 深圳壹账通智能科技有限公司 | 证件分类模型的训练方法、证件分类方法、装置和介质 |
CN115393678A (zh) * | 2022-08-01 | 2022-11-25 | 北京理工大学 | 一种基于图像式中间态的多模态数据融合决策方法 |
WO2022257344A1 (zh) * | 2021-06-07 | 2022-12-15 | 刘星宇 | 图像配准融合方法及装置、模型训练方法及电子设备 |
CN118015053A (zh) * | 2024-04-08 | 2024-05-10 | 重庆医科大学绍兴柯桥医学检验技术研究中心 | 一种多模态医学影像配准处理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296699A (zh) * | 2016-08-16 | 2017-01-04 | 电子科技大学 | 基于深度神经网络和多模态mri图像的脑肿瘤分割方法 |
CN106909778A (zh) * | 2017-02-09 | 2017-06-30 | 北京市计算中心 | 一种基于深度学习的多模态医学影像识别方法及装置 |
CN108197629A (zh) * | 2017-12-30 | 2018-06-22 | 北京工业大学 | 一种基于标签相关性约束张量分解的多模态医学影像特征提取方法 |
CN108229584A (zh) * | 2018-02-02 | 2018-06-29 | 莒县人民医院 | 一种基于深度学习的多模态医学影像识别方法及装置 |
CN109285200A (zh) * | 2018-08-23 | 2019-01-29 | 上海连叶智能科技有限公司 | 一种基于人工智能的多模态医学影像的转换方法 |
-
2019
- 2019-06-27 CN CN201910566889.2A patent/CN110321946A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296699A (zh) * | 2016-08-16 | 2017-01-04 | 电子科技大学 | 基于深度神经网络和多模态mri图像的脑肿瘤分割方法 |
CN106909778A (zh) * | 2017-02-09 | 2017-06-30 | 北京市计算中心 | 一种基于深度学习的多模态医学影像识别方法及装置 |
CN108197629A (zh) * | 2017-12-30 | 2018-06-22 | 北京工业大学 | 一种基于标签相关性约束张量分解的多模态医学影像特征提取方法 |
CN108229584A (zh) * | 2018-02-02 | 2018-06-29 | 莒县人民医院 | 一种基于深度学习的多模态医学影像识别方法及装置 |
CN109285200A (zh) * | 2018-08-23 | 2019-01-29 | 上海连叶智能科技有限公司 | 一种基于人工智能的多模态医学影像的转换方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111081372A (zh) * | 2019-12-14 | 2020-04-28 | 中国科学院深圳先进技术研究院 | 疾病诊断方法、装置、终端设备及计算机可读存储介质 |
CN112308888A (zh) * | 2020-10-15 | 2021-02-02 | 复旦大学附属中山医院 | 基于深度学习体征结构的全模态医学影像序列分组方法 |
CN112308888B (zh) * | 2020-10-15 | 2024-07-12 | 复旦大学附属中山医院 | 基于深度学习体征结构的全模态医学影像序列分组方法 |
CN113012146A (zh) * | 2021-04-12 | 2021-06-22 | 东北大学 | 血管信息获取方法及装置、电子设备和存储介质 |
CN113012146B (zh) * | 2021-04-12 | 2023-10-24 | 东北大学 | 血管信息获取方法及装置、电子设备和存储介质 |
WO2022257344A1 (zh) * | 2021-06-07 | 2022-12-15 | 刘星宇 | 图像配准融合方法及装置、模型训练方法及电子设备 |
CN114202673A (zh) * | 2021-12-13 | 2022-03-18 | 深圳壹账通智能科技有限公司 | 证件分类模型的训练方法、证件分类方法、装置和介质 |
CN115393678A (zh) * | 2022-08-01 | 2022-11-25 | 北京理工大学 | 一种基于图像式中间态的多模态数据融合决策方法 |
CN115393678B (zh) * | 2022-08-01 | 2024-04-02 | 北京理工大学 | 一种基于图像式中间态的多模态数据融合决策方法 |
CN118015053A (zh) * | 2024-04-08 | 2024-05-10 | 重庆医科大学绍兴柯桥医学检验技术研究中心 | 一种多模态医学影像配准处理方法及系统 |
CN118015053B (zh) * | 2024-04-08 | 2024-06-11 | 重庆医科大学绍兴柯桥医学检验技术研究中心 | 一种多模态医学影像配准处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321946A (zh) | 一种基于深度学习的多模态医学影像识别方法及装置 | |
CN112150428B (zh) | 一种基于深度学习的医学图像分割方法 | |
CN113240691A (zh) | 一种基于u型网络的医学图像分割方法 | |
CN106372629A (zh) | 一种活体检测方法和装置 | |
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 | |
CN109086659B (zh) | 一种基于多模道特征融合的人体行为识别方法和装置 | |
CN108171223A (zh) | 一种基于多模型多通道的人脸识别方法及系统 | |
CN110533639B (zh) | 一种关键点定位方法及装置 | |
CN113570684A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN112686898A (zh) | 一种基于自监督学习的放疗靶区自动分割方法 | |
JP2021144749A (ja) | 人物照合装置、方法、及びプログラム | |
CN110334566A (zh) | 一种基于三维全卷积神经网络的oct内外指纹提取方法 | |
CN114549394B (zh) | 一种基于深度学习的肿瘤病灶区域语义分割方法及系统 | |
CN116630549A (zh) | 人脸建模方法、装置、可读存储介质及电子设备 | |
CN117237351B (zh) | 一种超声图像分析方法以及相关装置 | |
CN113705466A (zh) | 用于遮挡场景、尤其高仿遮挡下的人脸五官遮挡检测方法 | |
CN114283406A (zh) | 细胞图像识别方法、装置、设备、介质及计算机程序产品 | |
CN116188879B (zh) | 图像分类、图像分类模型训练方法、装置、设备及介质 | |
CN116342800B (zh) | 一种多模态位姿优化的语义三维重建方法及系统 | |
CN116975779A (zh) | 基于神经网络的口腔全景片特征识别方法、系统及终端 | |
CN116523926A (zh) | 多任务骨关节ct/mri融合的组织精准分割建模方法及装置 | |
Vezzetti et al. | Application of geometry to rgb images for facial landmark localisation-a preliminary approach | |
CN103310440A (zh) | 基于典型相关分析的颅骨身份认证方法 | |
CN115526898A (zh) | 一种医学影像分割方法 | |
Sequenzia et al. | A method for similarity assessment between death masks and portraits through linear projection: The case of Vincenzo Bellini |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191011 |