CN110349170B - 一种全连接crf级联fcn和k均值脑肿瘤分割算法 - Google Patents
一种全连接crf级联fcn和k均值脑肿瘤分割算法 Download PDFInfo
- Publication number
- CN110349170B CN110349170B CN201910632303.8A CN201910632303A CN110349170B CN 110349170 B CN110349170 B CN 110349170B CN 201910632303 A CN201910632303 A CN 201910632303A CN 110349170 B CN110349170 B CN 110349170B
- Authority
- CN
- China
- Prior art keywords
- segmentation
- fcn
- brain tumor
- cascade
- algorithm
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
-
- 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
- G06T2207/30096—Tumor; Lesion
Abstract
本发明涉及一种基于深度学习和传统分割算法结合的脑肿瘤分割算法,特别是一种全连接CRF级联FCN和K均值脑肿瘤分割算法。DenseCRF将原始图像中的所有像素与FCN算法的分割结果中的每个像素进行匹配,寻找具有相同属性的像素,对输入进行补充平滑,改善分割结果的细节信息,提高分割精度。同时,在不同的分割算法中,其分割的标准也会有所不同,通过融合具有不同分割标准的深度学习算法FCN和传统分割算法K均值聚类,基于不同分割标准的算法得到的分割结果互相补充,使分割的结果更接近于真实分割图像。从而更精确地分割脑肿瘤核磁共振图像,为脑肿瘤核磁共振图像的高精度的重复性测量和评估提供更精确的肿瘤图像。
Description
技术领域
本发明涉及一种基于深度学习和传统分割算法结合的脑肿瘤分割算法,特别是一种基于全连接条件随机场(Fully Connected Conditional Random Field,DenseCRF)后处理的级联型全卷积神经网络(Fully Convolution Neural Network,FCN)和K均值聚类算法模型融合的脑肿瘤分割算法,可用于更精确地分割脑肿瘤核磁共振图像,为脑肿瘤核磁共振图像的高精度的重复性测量和评估提供更精确的肿瘤图像。
背景技术
为了在治疗前后用神经影像学评价脑肿瘤的表现形式以及治疗的成效,不可避免地需要对病灶区域进行高精度的重复性测量和评估,那么医学图像的精准分割是测量和评估的必要步骤,但肿瘤的构造以不同的大小、延展、位置等情况在病症中出现,使得分割算法难以在形状和位置等特征上得到像正常组织一样的分割约束。基于这些因素,精确的手动分割脑肿瘤是费时费力但必要的工作,提高自动分割脑肿瘤分割算法的精准性是非常必要的工作。
随着电脑硬件的高速发展,在医学领域中,计算机辅助医学诊断方法更是已经成为医学影像、诊断放射、计算机科学中的重要研究领域,其中比传统的算法更加优秀的深度学习进入医学领域后,已经取得了不少优异的成果,但肿瘤数据集相比大多自然图像数据集拥有更复杂的不规则形状特征,而FCN的网络特点是能得到详细的最底层信息,对上层信息的采集并不理想,于是在对边缘细节上的处理较为粗糙,欠缺优化。
发明内容
本发明所要解决的技术问题是针对FCN网络在边缘细节方面的处理较为粗糙的问题,提出一种全连接CRF级联FCN和K均值脑肿瘤分割算法,使FCN网络在边缘细节得到优化,得到更为精确的分割结果。
为了实现上述目的,本发明的技术方案如下:
一种全连接CRF级联FCN和K均值脑肿瘤分割算法,包括以下步骤:
步骤一:建立级联型FCN脑肿瘤分割模型,用该模型对测试图像进行分割,获取FCN脑肿瘤图像分割结果,并对级联型FCN的每一级分割结果搜寻边缘框,并将边缘框作为下一级FCN和K均值聚类算法的边界限定框;
步骤二:对每一级FCN的分割结果进行DenseCRF后处理操作;
步骤三:使用K均值聚类算法对每一级FCN的输入图像在边界框内的部分进行分割处理,获取K均值聚类算法脑肿瘤图像分割结果;
步骤四:将每一级的FCN分割结果和K均值聚类算法的分割结果进行融合,获取脑肿瘤图像的最终分割结果。
肿瘤相比大多自然图像拥有的更复杂的不规则形状特征,FCN利用卷积、池化的操作更好的提取肿瘤的底层特征,但FCN对上层信息的采集并不理想,于是在对边缘细节上的处理较为粗糙,欠缺优化。本方法在FCN的基础上,采用DenseCRF后处理,以及与K均值聚类算法进行模型融合的方法,补充完善FCN的边缘细节的分割结果,提高分割准确率。
所述步骤一中的具体过程如下:
① 使用三个FCN来分级和顺序地分割脑肿瘤的子结构,每一级网络都处理二元分割问题;
1)选择搭建通用的FCN;
2)第一个网络和第二个网络使用20个片内卷积层和4个带有两个2D下采样层的片间卷积层。 第三个网络使用与第一个网络相同的卷积层组,但考虑到其较小的输入大小,仅使用一个下采样层;
3)把FCN的每两个卷积层作为一个模块,加入残差模块,将每个模块的输入连接到输出,使模块参考输入来学习残差函数,使信息传播平稳并加速训练的收敛;
4)在每一个残差模块加入扩张卷积,用于片内核以扩大切片内的感受野;
② 训练级联型FCN脑肿瘤分割模型,脑肿瘤训练集来自BraTS公开挑战赛,训练时,第二级和第三级的边界框来自手动分割的真实结果;
③ 利用级联型FCN脑肿瘤分割模型对测试集图像进行分割;
1)用训练好的级联型FCN分割模型分级顺序分割脑肿瘤的整个肿瘤,肿瘤核心以及增强型肿瘤核心三个部分
2)每一级FCN分割模型分割完成后,对分割结果提取边界框作为下一级要分割的图的边界框。
所述步骤二中的具体过程如下:
① 搭建DenseCRF后处理循环网络;
1)将FCN的softmax层的概率分布输出以及原图像作为DenseCRF的输入;
2)使用所有滤波器分别对每一个类别的概率分布进行滤波;
3)对每一个类别的所有滤波结果根据权重相加;
4)对每一个类别的概率分布根据不同类别之间的兼容性矩阵进行更新;
5)加上一元势函数;
6)对各像素所不同类别I的概率归一化;
7)将归一化后的结果作为softmax层的概率分布输出的替换,重复步骤2)-6),直到概率不再改变。
所述步骤三中的具体过程如下:
① 使用FCN得到的边界框对输入原图像进行边界剪裁;
② 使用K均值聚类算法边界剪裁的输入图像进行分割处理;
1)初始化常数 ,随机初始化k个聚类中心;
2)计算每个样本与每个聚类中心之间的相似度,将像素划分到最相似的类别中;
3)计算划分到每个类别中的所有像素特征的均值,并将该均值作为每个类新的聚类中心;
4)重复步骤2)和3)直到聚类中心不再改变,输出最终的聚类中心以及每个像素所属的类别。
所述步骤四中的具体过程如下:
① 对FCN与K均值聚类算法的分割结果的每个像素点进行每个类别的投票;
② 把得到票数最多的类别作为该像素点的类别,得到最后的分割结果;
所述训练集是指用来训练分割模型的数据集;所述测试集是指用来测试模型性能,并进行性能评价。
与现有技术相比,本发明技术方案的有益效果是:
(1)本发明基于卷积神经网络,将级联型FCN与DenseCRF后处理相结合,解决了FCN在脑肿瘤结构复杂而导致的边缘细节粗糙的问题;
(2)本发明通过在FCN分割的基础上融合K均值聚类算法,对FCN分割结果进行修补,在基于不同的分割方法的相互补充融合,对脑肿瘤分割结果有很好的改善,进一步提高分割的准确度和泛化能力,为脑肿瘤核磁共振图像提供更精确地分割,
(3)该发明使用于为脑肿瘤核磁共振图像的高精度的重复性测量和评估提供更精确的肿瘤图像分割图。
附图说明
图1为本发明的方法流程图。
图2为本发明所采用的DenseCRF循环网络图。
具体实施方式
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本发明的技术方案做进一步的说明。
本发明提供了一种全连接CRF级联FCN和K均值脑肿瘤分割算法,该方法实现了对脑肿瘤的整个肿瘤,肿瘤核心,增强型肿瘤核心的分割,为脑肿瘤核磁共振图像的高精度的重复性测量和评估提供更精确的肿瘤图像分割图。
图1的黑色方框部分代表输入的图像测试集,为后续实验提供数据支持。两种灰度的拼接方框部分是设计的级联型FCN的图像分割模型以及在FCN初分割的基础上,对分割结果进行DenseCRF后处理,首先在训练集上训练最优分割模型,然后利用该模型对测试集图像进行分割,然后使用DenseCRF优化分割结果。淡黑色方框部分是设计的K均值聚类算法,对FCN分割结果部分的原图像进行分割。淡灰色方框部分是DenseCRF后处理的级联型FCN和K均值聚类算法模型融合模块,在这个模块使用投票选举的方法,将两种不同算法的分割结果融合,得到最终的分割结果。该方法在Ubuntu16.04操作系统下,基于Nvidia K80的GPU硬件平台上在Python环境下搭建NiftyNet深度学习框架,进行级联型FCN模型的脑肿瘤图像分割训练和测试,DenseCRF后处理,以及K均值聚类算法的融合。
具体实现为:
Step 1:建立级联型FCN脑肿瘤分割模型,用该模型对测试图像进行分割,获取FCN脑肿瘤图像分割结果,并对级联型FCN的每一级分割结果搜寻边缘框,并将边缘框作为下一级FCN和K均值聚类算法的边界限定框;
Step 2:对每一级FCN的分割结果进行DenseCRF后处理操作;
Step 3:使用K均值聚类算法对每一级FCN的输入图像在边界框内的部分进行分割处理,获取K均值聚类算法脑肿瘤图像分割结果;
Step 4:将每一级的FCN分割结果和K均值聚类算法的分割结果进行融合,获取脑肿瘤图像的最终分割结果。
肿瘤相比大多自然图像拥有的更复杂的不规则形状特征,FCN利用卷积、池化的操作更好的提取肿瘤的底层特征,但FCN对上层信息的采集并不理想,于是在对边缘细节上的处理较为粗糙,欠缺优化。本方法在FCN的基础上,采用DenseCRF后处理,以及与K均值聚类算法进行模型融合的方法,补充完善FCN的边缘细节的分割结果,提高分割准确率。
所述Step 1中的具体过程如下:
Step 1.1:使用三个FCN来分级和顺序地分割脑肿瘤的子结构,三个网络顺序定义为WNet、TNet、ENet,每一级网络都处理二元分割问题;
Step 1.1.1:选择搭建通用的FCN;
Step 1.1.2:WNet和TNet使用20个片内卷积层和4个带有两个2D下采样层的片间卷积层。 ENet使用与第一个网络相同的卷积层组,但考虑到其较小的输入大小,仅使用一个下采样层;
Step 1.1.3:把FCN的每两个卷积层作为一个模块,加入残差模块,将每个模块的输入连接到输出,使模块参考输入来学习残差函数,使信息传播平稳并加速训练的收敛;
Step 1.1.4:在每一个残差模块加入扩张卷积,用于片内核以扩大切片内的感受野;
Step 1.2:训练级联型FCN脑肿瘤分割模型,脑肿瘤训练集来自BraTS公开挑战赛,训练时,TNet和ENet的边界框来自手动分割的真实结果;
Step 1.3:利用级联型FCN脑肿瘤分割模型对测试集图像进行分割;
Step 1.3.1:用训练好的级联型FCN分割模型分级顺序分割脑肿瘤的整个肿瘤,肿瘤核心以及增强型肿瘤核心三个部分
Step 1.3.2:每一级FCN分割模型分割完成后,对分割结果提取边界框作为下一级要分割的图的边界框。
所述Step 2中的具体过程如下:
Step 2.1:搭建DenseCRF后处理循环网络;
Step 2.1.2:使用所有高斯滤波器分别对每一个类别的概率分布E(X)进行滤波;其中E(X)由以下公式得到:
Step 2.1.3:对每一个类别的所有滤波结果根据权重相加;
Step 2.1.4:对每一个类别的概率分布根据不同类别之间的兼容性矩阵进行更新;
Step 2.1.5:加上一元势函数;
Step 2.1.6:对各像素所不同类别I的概率归一化;
Step 2.1.7:将归一化后的结果作为softmax层的概率分布输出的替换,重复步骤2.1.2-2.1.6,直到概率不再改变。
所述Step 3中的具体过程如下,流程图如图2所示:
Step 3.1:使用FCN得到的边界框对输入原图像进行边界剪裁;
Step 3.2:使用K均值聚类算法边界剪裁的输入图像进行分割处理;
Step 3.2.1:初始化常数 ,随机初始化k个聚类中心;
Step 3.2.2:计算每个样本与每个聚类中心之间的相似度D,将像素划分到最相似的类别中,计算相似度使用以下公式;
Step 3.2.3:计算划分到每个类别中的所有像素特征的均值M,并将该均值作为每个类新的聚类中心,使用以下公式计算均值;
其中,c(i) 表示离xi最近的那个聚类的下标索引 ,Nk表示k类的像素个数;xi表示第i个像素的灰度值;
Step 3.2.4:重复步骤步骤3.2.2,步骤3.2.3直到聚类中心不再改变,输出最终的聚类中心以及每个像素所属的类别。
所述Step 4中的具体过程如下:
Step 4.1:对FCN与K均值聚类算法的分割结果的每个像素点进行每个类别的投票;
Step 4.2:把得到票数最多的类别作为该像素点的类别,得到最后的分割结果;
所述训练集是指用来训练分割模型的数据集;所述测试集是指用来测试模型性能,并进行性能评价。
Claims (4)
1.一种全连接CRF级联FCN和K均值脑肿瘤分割算法,其特征在于,包括以下步骤:
Step 1:建立级联型FCN脑肿瘤分割模型,用该模型对测试图像进行分割,获取FCN脑肿瘤图像分割结果,并对级联型FCN的每一级分割结果搜寻边缘框,并将边缘框作为下一级FCN和K均值聚类算法的边界限定框;
Step 2:对每一级FCN的分割结果进行全连接CRF后处理操作;
Step 3:使用K均值聚类算法对每一级FCN的输入图像在边界框内的部分进行分割处理,获取K均值聚类算法脑肿瘤图像分割结果;
Step 4:将每一级的FCN分割结果和K均值聚类算法的分割结果进行融合,获取脑肿瘤图像的最终分割结果;
所述Step 1中的具体过程如下:
Step 1.1:使用三个FCN来分级和顺序地分割脑肿瘤的子结构,三个网络顺序定义为WNet、TNet、ENet,每一级网络都处理二元分割问题;
Step 1.1.1:选择搭建通用的FCN;
Step 1.1.2:WNet和TNet使用20个片内卷积层和4个带有两个2D下采样层的片间卷积层,ENet使用与第一个网络相同的卷积层组,但考虑到其较小的输入大小,仅使用一个下采样层;
Step 1.1.3:把FCN的每两个卷积层作为一个模块,加入残差模块,将每个模块的输入连接到输出,使模块参考输入来学习残差函数,使信息传播平稳并加速训练的收敛;
Step 1.1.4:在每一个残差模块加入扩张卷积,用于片内核以扩大切片内的感受野;
Step 1.2:训练级联型FCN脑肿瘤分割模型,脑肿瘤训练集来自BraTS公开挑战赛,训练时,TNet和ENet的边界框来自手动分割的真实结果;
Step 1.3:利用级联型FCN脑肿瘤分割模型对测试集图像进行分割;
Step 1.3.1:用训练好的级联型FCN分割模型分级顺序分割脑肿瘤的整个肿瘤,肿瘤核心以及增强型肿瘤核心三个部分;
Step 1.3.2:每一级FCN分割模型分割完成后,对分割结果提取边界框作为下一级要分割的图的边界框;
所述Step 2中的具体过程如下:
Step 2.1:搭建全连接CRF后处理循环网络;
Step 2.1.1:将FCN的softmax层的概率分布输出作为全连接CRF的一元势函数ψu(xi)输入,将原图像作为全连接CRF的二元势函数ψp(xi,xy)输入;其中二元势函数由以下公式得到:
Step 2.1.2:使用所有高斯滤波器分别对每一个类别的概率分布E(X)进行滤波;其中E(X)由以下公式得到:
Step 2.1.3:对每一个类别的所有滤波结果根据权重相加;
Step 2.1.4:对每一个类别的概率分布根据不同类别之间的兼容性矩阵进行更新;
Step 2.1.5:加上一元势函数;
Step 2.1.6:对各像素所不同类别I的概率归一化;
Step 2.1.7:将归一化后的结果作为softmax层的概率分布输出的替换,重复步骤2.1.2-2.1.6,直到概率不再改变。
2.根据权利要求1所述的一种全连接CRF级联FCN和K均值脑肿瘤分割算法,其特征在于,所述Step 3中的具体过程如下:
Step 3.1:使用FCN得到的边界框对输入原图像进行边界剪裁;
Step 3.2:使用K均值聚类算法边界剪裁的输入图像进行分割处理;
Step 3.2.1:初始化常数,随机初始化k个聚类中心;
Step 3.2.2:计算每个样本与每个聚类中心之间的相似度D,将像素划分到最相似的类别中,计算相似度使用以下公式;
D(i)=argmin||xi-Mk||2,i=1,...,N
其中,Mk表示第k类的聚类中心,xi表示第i 个像素的灰度值;
Step 3.2.3:计算划分到每个类别中的所有像素特征的均值M,并将该均值作为每个类新的聚类中心,使用以下公式计算均值;
其中,c(i)表示离xi最近的那个聚类的下标索引,Nk表示k类的像素个数;xi表示第i个像素的灰度值;
Step 3.2.4:重复步骤3.2.2和步骤3.2.3直到聚类中心不再改变,输出最终的聚类中心以及每个像素所属的类别。
3.根据权利要求1所述的一种全连接CRF级联FCN和K均值脑肿瘤分割算法,其特征在于,所述Step 4中的具体过程如下:
Step 4.1:对FCN与K均值聚类算法的分割结果的每个像素点进行每个类别的投票;
Step 4.2:把得到票数最多的类别作为该像素点的类别,得到最后的分割结果。
4.根据权利要求1所述的一种全连接CRF级联FCN和K均值脑肿瘤分割算法,其特征在于,所述训练集是指用来训练分割模型的数据集;所述测试集是指用来测试模型性能,并进行性能评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910632303.8A CN110349170B (zh) | 2019-07-13 | 2019-07-13 | 一种全连接crf级联fcn和k均值脑肿瘤分割算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910632303.8A CN110349170B (zh) | 2019-07-13 | 2019-07-13 | 一种全连接crf级联fcn和k均值脑肿瘤分割算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110349170A CN110349170A (zh) | 2019-10-18 |
CN110349170B true CN110349170B (zh) | 2022-07-08 |
Family
ID=68176132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910632303.8A Active CN110349170B (zh) | 2019-07-13 | 2019-07-13 | 一种全连接crf级联fcn和k均值脑肿瘤分割算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110349170B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110930421B (zh) * | 2019-11-22 | 2022-03-29 | 电子科技大学 | 一种用于cbct牙齿图像的分割方法 |
CN111738338B (zh) * | 2020-06-23 | 2021-06-18 | 征图新视(江苏)科技股份有限公司 | 基于级联膨胀fcn网络应用于马达线圈的缺陷检测方法 |
CN111932549B (zh) * | 2020-06-28 | 2023-03-24 | 山东师范大学 | 一种基于sp-fcn的mri脑肿瘤图像分割系统及方法 |
CN114092494A (zh) * | 2021-11-29 | 2022-02-25 | 长春工业大学 | 一种基于超像素和全卷积神经网络的脑部mr图像分割方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021391A (zh) * | 2013-03-01 | 2014-09-03 | 北京三星通信技术研究有限公司 | 处理超声图像的方法和装置以及乳腺癌诊断设备 |
CN107240097A (zh) * | 2017-06-27 | 2017-10-10 | 长春工业大学 | 基于mkl‑svm‑pso算法的肺结节图像处理方法 |
CN109410196A (zh) * | 2018-10-24 | 2019-03-01 | 东北大学 | 基于泊松环形条件随机场的宫颈癌组织病理图像诊断方法 |
CN109584995A (zh) * | 2018-06-20 | 2019-04-05 | 新影智能科技(昆山)有限公司 | Tace治疗结果图像分析方法、系统、设备及存储介质 |
CN109615614A (zh) * | 2018-11-26 | 2019-04-12 | 北京工业大学 | 基于多特征融合的眼底图像中血管的提取方法与电子设备 |
CN109978838A (zh) * | 2019-03-08 | 2019-07-05 | 腾讯科技(深圳)有限公司 | 图像区域定位方法、装置和医学图像处理设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3432263B1 (en) * | 2017-07-17 | 2020-09-16 | Siemens Healthcare GmbH | Semantic segmentation for cancer detection in digital breast tomosynthesis |
CN108492297B (zh) * | 2017-12-25 | 2021-11-19 | 重庆师范大学 | 基于深度级联卷积网络的mri脑肿瘤定位与瘤内分割方法 |
CN108898140A (zh) * | 2018-06-08 | 2018-11-27 | 天津大学 | 基于改进的全卷积神经网络的脑肿瘤图像分割算法 |
CN109598728B (zh) * | 2018-11-30 | 2019-12-27 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、诊断系统及存储介质 |
-
2019
- 2019-07-13 CN CN201910632303.8A patent/CN110349170B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021391A (zh) * | 2013-03-01 | 2014-09-03 | 北京三星通信技术研究有限公司 | 处理超声图像的方法和装置以及乳腺癌诊断设备 |
CN107240097A (zh) * | 2017-06-27 | 2017-10-10 | 长春工业大学 | 基于mkl‑svm‑pso算法的肺结节图像处理方法 |
CN109584995A (zh) * | 2018-06-20 | 2019-04-05 | 新影智能科技(昆山)有限公司 | Tace治疗结果图像分析方法、系统、设备及存储介质 |
CN109410196A (zh) * | 2018-10-24 | 2019-03-01 | 东北大学 | 基于泊松环形条件随机场的宫颈癌组织病理图像诊断方法 |
CN109615614A (zh) * | 2018-11-26 | 2019-04-12 | 北京工业大学 | 基于多特征融合的眼底图像中血管的提取方法与电子设备 |
CN109978838A (zh) * | 2019-03-08 | 2019-07-05 | 腾讯科技(深圳)有限公司 | 图像区域定位方法、装置和医学图像处理设备 |
Non-Patent Citations (5)
Title |
---|
"Deep Learning Approaches for Brain Tumor Segmentation: A Review";Aman Kamboj 等;《2018 First International Conference on Secure Cyber Computing and Communication(ICSCCC)》;20190502;第599-603页 * |
"Efficient multi-scale 3D CNN with fully connected CRF for accurate brain lesion segmentation";Konstantinos Kamnitsas 等;《Medical Image Analysis》;20170228;第36卷;第61-78页 * |
"一种基于级联卷积网络的三维脑肿瘤精细分割";褚晶辉 等;《激光与光电子学进展》;20190525;第56卷(第10期);第1-9页 * |
"基于全卷积网络的脑部MRI肿瘤分割方法研究";方明超;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20190315(第2019年第03期);第I138-803页正文第7-20页 * |
"基于深度学习的医学图像分割研究进展";宫进昌 等;《中国医学物理学杂志》;20190425;第36卷(第4期);第420-424页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110349170A (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110349170B (zh) | 一种全连接crf级联fcn和k均值脑肿瘤分割算法 | |
CN109145939B (zh) | 一种小目标敏感的双通道卷积神经网络语义分割方法 | |
CN110889852B (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
Unnikrishnan et al. | Toward objective evaluation of image segmentation algorithms | |
CN111882040B (zh) | 基于通道数量搜索的卷积神经网络压缩方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN111340828A (zh) | 基于级联卷积神经网络的脑部胶质瘤分割 | |
CN108428229A (zh) | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 | |
CN109584161A (zh) | 基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法 | |
CN109102498B (zh) | 一种宫颈涂片图像中簇型细胞核分割的方法 | |
CN106340016A (zh) | 一种基于细胞显微镜图像的dna定量分析方法 | |
CN113269224B (zh) | 一种场景图像分类方法、系统及存储介质 | |
CN106991355A (zh) | 基于拓扑保持的解析型字典学习模型的人脸识别方法 | |
CN112560966B (zh) | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 | |
CN115205692B (zh) | 基于生成对抗网络的典型地物要素智能识别与提取方法 | |
CN116228792A (zh) | 一种医学图像分割方法、系统及电子装置 | |
CN110516724A (zh) | 可视化作战场景的高性能多层字典学习特征图像处理方法 | |
CN114283285A (zh) | 交叉一致性自训练遥感图像语义分割网络训练方法及装置 | |
CN115496720A (zh) | 基于ViT机制模型的胃肠癌病理图像分割方法及相关设备 | |
CN115311502A (zh) | 基于多尺度双流架构的遥感图像小样本场景分类方法 | |
CN114359873A (zh) | 一种融合道路空间先验和区域级特征的弱监督车辆可行域分割方法 | |
CN116993639A (zh) | 基于结构重参数化的可见光与红外图像融合方法 | |
CN116778164A (zh) | 一种基于多尺度结构改进DeeplabV3+网络的语义分割方法 | |
CN111210416A (zh) | 一种解剖结构先验引导的大脑感兴趣区域快速分割方法及系统 | |
CN116386803A (zh) | 一种基于图的细胞病理报告生成方法 |
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 |