CN110533668B - 基于统计约束损失函数的脑梗塞病灶自动分割方法 - Google Patents

基于统计约束损失函数的脑梗塞病灶自动分割方法 Download PDF

Info

Publication number
CN110533668B
CN110533668B CN201910693876.1A CN201910693876A CN110533668B CN 110533668 B CN110533668 B CN 110533668B CN 201910693876 A CN201910693876 A CN 201910693876A CN 110533668 B CN110533668 B CN 110533668B
Authority
CN
China
Prior art keywords
image
adc
neural network
convolutional neural
loss function
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
Application number
CN201910693876.1A
Other languages
English (en)
Other versions
CN110533668A (zh
Inventor
叶初阳
刘妍麟
刘志文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201910693876.1A priority Critical patent/CN110533668B/zh
Publication of CN110533668A publication Critical patent/CN110533668A/zh
Application granted granted Critical
Publication of CN110533668B publication Critical patent/CN110533668B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30016Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了基于统计约束损失函数的脑梗塞病灶自动分割方法,能够提升病灶分割结果的准确性。其主要的思路为:获取脑部弥散加权磁共振图像进行预处理,获得b0图像和DWI图像并计算出表观扩散系数ADC真值图像;构建卷积神经网络,取手工标注的病灶标注图像、DWI图像以及ADC真值图像输入到卷积神经网络中进行迭代训练,卷积神经网络中预先定义四项损失函数,包括Dice系数损失函数、交叉熵损失函数、体积误差损失函数以及ADC值误差损失函数;在每一次迭代过程中,根据卷积神经网络的分割结果和病灶标注图像对四项损失函数进行优化;迭代训练结束后获得训练好的卷积神经网络;采用训练好的卷积神经网络对脑部弥散加权磁共振图像进行脑梗塞病灶的自动分割。

Description

基于统计约束损失函数的脑梗塞病灶自动分割方法
技术领域
本发明涉及医学图像分割技术领域,具体涉及基于统计约束损失函数的脑梗塞病灶自动分割方法。
背景技术
脑梗塞是一种急性脑血管疾病,其发病可能引起长期残疾甚至死亡。自动化的脑梗塞病灶分割方法对于临床中脑梗塞的干预起到重要的推动作用。现有的方法采用脑部弥散加权磁共振成像(Diffusion Weighted Imaging,DWI)进行自动化的脑梗塞病灶分割。这些方法基于深度学习理论,设计卷积神经网络模型。但是,现有方法通常采用交叉熵、Dice系数等作为训练指标,不能保证基于自动分割结果的后续统计分析的一致性。例如对病灶体积、表观扩散系数(Apparent Diffusion Coefficient,ADC)等指标的分析可能存在偏差。这些统计指标的准确获取对于后续的脑梗塞干预方案设计具有重要的意义。
发明内容
有鉴于此,本发明提供了基于统计约束损失函数的脑梗塞病灶自动分割方法,能够提升病灶分割结果的准确性。
为达到上述目的,本发明的技术方案为:
获取脑部弥散加权磁共振图像进行预处理,预处理后以磁敏感参数b=0时的脑部弥散加权磁共振图像为b0图像,以磁敏感参数b≠0时的脑部弥散加权磁共振图像为DWI图像,根据b0图像和DWI图像计算出表观扩散系数ADC真值图像。
构建卷积神经网络,取手工标注的病灶标注图像、DWI图像以及ADC真值图像输入到卷积神经网络中进行迭代训练,卷积神经网络中预先定义四项损失函数,包括Dice系数损失函数、交叉熵损失函数、体积误差损失函数以及ADC值误差损失函数;在每一次迭代过程中,根据卷积神经网络的分割结果和病灶标注图像对四项损失函数进行优化;迭代训练结束后获得训练好的卷积神经网络。
采用训练好的卷积神经网络对脑部弥散加权磁共振图像进行脑梗塞病灶的自动分割。
进一步地,获取脑部弥散加权磁共振图像进行预处理,具体为:
针对脑补弥散加权磁共振图像进行去骨和灰度归一化操作。
进一步地,根据b0图像和DWI图像计算出表观扩散系数ADC真值图像,具体为:
其中b0图像和DWI图像均为三维图像,其中每个体素对应一个ADC值。
即体素i的ADC值为:
Figure BDA0002148721340000021
其中,S0i表示b0图像体素i的灰度值,Sbi表示DWI图像的灰度值,b表示DWI图像对应的磁敏感参数b值,i为体素序号。
针对每个体素均计算其ADC值,获得三维的ADC真值图像。
进一步地,卷积神经网络的网络结构采用三维U-Net网络。
进一步地,卷积神经网络中的每一次迭代过程中,针对输入图像进行卷积操作和最终的sigmoid激活,得到分割概率图。
进一步地,体积误差损失函数为:
Figure BDA0002148721340000022
其中,lossvol表示体积误差损失函数,volgt表示病灶标注图像中的病灶体积,Si表示卷积神经网络的分割概率图中体素i的概率值。
ADC值误差损失函数为:
Figure BDA0002148721340000031
其中,lossADC表示ADC值误差损失函数,
Figure BDA0002148721340000032
表示病灶标注图像中病灶内的ADC均值,ADCi表示ADC真值图像中体素i的ADC值。
进一步地,根据卷积神经网络的分割结果和病灶标注图像对四项损失函数进行优化具体为:
对四项损失函数进行求和,并使用Adam优化器进行优化,更新卷积神经网络中卷积核的权重和偏置。
有益效果:
本发明提供的基于统计约束损失函数的脑梗塞病灶自动分割方法,能够针对现有的脑梗塞病灶自动分割方法存在的局限性,将病灶的统计特征引入损失函数,从而降低自动分割得到的病灶的统计特征的偏差。此外,该统计信息还能为网络训练提供更丰富的约束信息,提高网络分割结果准确性;同时本发明中,在Dice系数损失函数和交叉熵损失函数的基础上,加入体积误差损失函数和ADC值误差损失函数作为额外约束项,对网络的分割结果和真实标注之间的体积误差以及ADC值误差进行约束,与只使用Dice系数损失函数和交叉熵损失函数相比较,该方法能提高分割结果的Dice系数,并降低体积相对误差和ADC值相对误差。
附图说明
图1为本发明实施例提供的基于统计约束损失函数的脑梗塞病灶自动分割方法流程图;
图2为本发明实施例中最终分割结果的对比图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提供了基于统计约束损失函数的脑梗塞病灶自动分割方法,其主要的思路为:获取脑部弥散加权磁共振图像进行预处理,预处理后以磁敏感参数b=0时的脑部弥散加权磁共振图像为b0图像,以磁敏感参数b≠0时的脑部弥散加权磁共振图像为DWI图像,根据b0图像和DWI图像计算出表观扩散系数ADC真值图像;构建卷积神经网络,取手工标注的病灶标注图像、DWI图像以及ADC真值图像输入到卷积神经网络中进行迭代训练,卷积神经网络中预先定义四项损失函数,包括Dice系数损失函数、交叉熵损失函数、体积误差损失函数以及ADC值误差损失函数;在每一次迭代过程中,根据卷积神经网络的分割结果和病灶标注图像对四项损失函数进行优化;迭代训练结束后获得训练好的卷积神经网络;采用训练好的卷积神经网络对脑部弥散加权磁共振图像进行脑梗塞病灶的自动分割。
具体地,如图1所示,本发明实施例采用如下步骤执行该方法:
步骤一、获取脑部弥散加权磁共振图像进行预处理。预处理包括对图像进行去骨和灰度归一化操作。其中,去骨的部分是借助磁共振处理软件FSL中的BET算法实现的。
灰度归一化根据以下公式实现:
Figure BDA0002148721340000051
其中,Inorm表示归一化之后的图像,I表示原图像,
Figure BDA0002148721340000054
表示原图像中大脑部分的灰度平均值,σbrain表示原图像中大脑部分的灰度值标准差。
步骤二、根据b0图像和DWI图像计算ADC真值图像。具体为:
其中b0图像和DWI图像均为三维图像,其中每个体素对应一个ADC值。
即体素i的ADC值为:
Figure BDA0002148721340000052
其中,S0i表示b0图像体素i的灰度值,Sbi表示DWI图像的灰度值,b表示DWI图像对应的磁敏感参数b值,i为体素序号。
针对每个体素均计算其ADC值,获得三维的ADC真值图像。
步骤三、搭建卷积神经网络并进行训练。
卷积神经网络的构建是通过基于Python语言的PyTorch平台实现的。网络结构基于医学图像分割任务中常用的三维U-Net网络。在每一次迭代过程中,网络接收批量大小为2的输入图像,经过卷积操作和最终的sigmoid激活,得到分割概率图,作为分割结果。接下来,通过预先定义的损失函数计算分割结果与标注之间的各项损失,分别是分割结果与病灶标注图像之间的Dice系数损失和交叉熵损失、分割结果的体积与病灶标注图像的体积之间的误差损失函数、分割结果的ADC值与病灶标注图像的ADC真值之间的误差损失函数。其中后两项损失分别对分割结果施加了体积约束和ADC值约束。
体积误差损失函数为:
Figure BDA0002148721340000053
其中,lossvol表示体积误差损失函数,volgt表示病灶标注图像中的病灶体积,Si表示卷积神经网络的分割概率图中体素i的概率值;
ADC值误差损失函数为:
Figure BDA0002148721340000061
其中,lossADC表示ADC值误差损失函数,
Figure BDA0002148721340000062
表示病灶标注图像中病灶内的ADC均值,ADCi表示ADC真值图像中体素i的ADC值。
然后对以上四项损失进行求和,并使用Adam优化器进行优化,卷积网络中卷积核的权重和偏置将会被更新。在经历了数次迭代过程之后,网络训练结束,将用于下一步的测试。
第四步,对训练好的卷积神经网络进行测试。将训练好的网络用于测试集上,得到分割概率图。该概率图可以通过阈值操作得到二值化的分割掩膜。通过对比自动化的分割掩膜与人工标注的病灶标注图像,可以定量的衡量脑梗塞病灶分割的质量,并将这些结果与未加统计约束损失函数的网络输出结果进行比较,如图2和表1所示。
图2中,第一列展示了未加入统计约束的网络分割结果,第二列展示了加入统计约束的网络分割结果,第三列代表真实标注。可视化结果表明加入体积约束损失和ADC值约束损失对于分割性能的提升有帮助。
表1展示了三种定量的衡量指标,各自定义如下:
Figure BDA0002148721340000063
Figure BDA0002148721340000064
Figure BDA0002148721340000065
其中,Dice用于计算网络的分割掩膜S与病灶标注图像G的重叠率;Errorv代表自动分割的病灶掩膜体积volseg与标注病灶体积volgt之间的相对误差;Errord代表自动分割的病灶中ADC均值
Figure BDA0002148721340000071
与标注病灶中ADC均值
Figure BDA0002148721340000072
之间的相对误差。
表1定量衡量指标
网络模型 Dice Error<sub>v</sub> Error<sub>d</sub>
未加统计约束 0.693902 0.525884 0.099680
加入统计约束 0.719024 0.265241 0.080959
从表1可得,体积约束损失和ADC值约束损失的加入可以提升分割准确性,且减小了自动分割结果与真实标注之间的体积相对误差和ADC值相对误差,利于后续进行统计特征的分析。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (7)

1.基于统计约束损失函数的脑梗塞病灶自动分割方法,其特征在于,该方法具体为:
获取脑部弥散加权磁共振图像进行预处理,预处理后以磁敏感参数b=0时的脑部弥散加权磁共振图像为b0图像,以磁敏感参数b≠0时的脑部弥散加权磁共振图像为DWI图像,根据b0图像和DWI图像计算出表观扩散系数ADC真值图像;
构建卷积神经网络,取手工标注的病灶标注图像、所述DWI图像以及ADC真值图像输入到所述卷积神经网络中进行迭代训练,所述卷积神经网络中预先定义四项损失函数,包括Dice系数损失函数、交叉熵损失函数、体积误差损失函数以及ADC值误差损失函数;在每一次迭代过程中,根据所述卷积神经网络的分割结果和所述病灶标注图像对四项损失函数进行优化;迭代训练结束后获得训练好的卷积神经网络;
采用训练好的卷积神经网络对脑部弥散加权磁共振图像进行脑梗塞病灶的自动分割。
2.如权利要求1所述的方法,其特征在于,所述获取脑部弥散加权磁共振图像进行预处理,具体为:
针对所述脑补弥散加权磁共振图像进行去骨和灰度归一化操作。
3.如权利要求1所述的方法,其特征在于,所述根据b0图像和DWI图像计算出表观扩散系数ADC真值图像,具体为:
其中b0图像和DWI图像均为三维图像,其中每个体素对应一个ADC值;
即体素i的ADC值为:
Figure FDA0002148721330000011
其中,S0i表示b0图像体素i的灰度值,Sbi表示DWI图像的灰度值,b表示DWI图像对应的磁敏感参数b值,i为体素序号;
针对每个体素均计算其ADC值,获得三维的ADC真值图像。
4.如权利要求1所述的方法,其特征在于,所述卷积神经网络的网络结构采用三维U-Net网络。
5.如权利要求1所述的方法,其特征在于,所述所述卷积神经网络中的每一次迭代过程中,针对输入图像进行卷积操作和最终的sigmoid激活,得到分割概率图。
6.如权利要求5所述的方法,其特征在于,所述体积误差损失函数为:
Figure FDA0002148721330000021
其中,lossvol表示体积误差损失函数,volgt表示所述病灶标注图像中的病灶体积,Si表示所述卷积神经网络的分割概率图中体素i的概率值;
所述ADC值误差损失函数为:
Figure FDA0002148721330000022
其中,lossADC表示ADC值误差损失函数,
Figure FDA0002148721330000023
表示所述病灶标注图像中病灶内的ADC均值,ADCi表示所述ADC真值图像中体素i的ADC值。
7.如权利要求6所述的方法,其特征在于,所述根据所述卷积神经网络的分割结果和所述病灶标注图像对四项损失函数进行优化具体为:
对四项损失函数进行求和,并使用Adam优化器进行优化,更新所述卷积神经网络中卷积核的权重和偏置。
CN201910693876.1A 2019-07-30 2019-07-30 基于统计约束损失函数的脑梗塞病灶自动分割方法 Active CN110533668B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910693876.1A CN110533668B (zh) 2019-07-30 2019-07-30 基于统计约束损失函数的脑梗塞病灶自动分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910693876.1A CN110533668B (zh) 2019-07-30 2019-07-30 基于统计约束损失函数的脑梗塞病灶自动分割方法

Publications (2)

Publication Number Publication Date
CN110533668A CN110533668A (zh) 2019-12-03
CN110533668B true CN110533668B (zh) 2021-09-21

Family

ID=68661096

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910693876.1A Active CN110533668B (zh) 2019-07-30 2019-07-30 基于统计约束损失函数的脑梗塞病灶自动分割方法

Country Status (1)

Country Link
CN (1) CN110533668B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI725813B (zh) * 2020-04-09 2021-04-21 國立中央大學 磁振造影之自動腦部梗塞偵測系統及其運作方法
CN111553895B (zh) * 2020-04-24 2022-08-02 中国人民解放军陆军军医大学第二附属医院 基于多尺度细粒度的磁共振左心房分割方法
CN111667458B (zh) * 2020-04-30 2023-09-01 杭州深睿博联科技有限公司 一种对平扫ct中的早急性脑梗死检测方法及装置
JP7497444B2 (ja) 2020-09-11 2024-06-10 大原薬品工業株式会社 脳卒中診断治療支援システム、脳卒中状態情報提供装置、及び、脳卒中状態情報提供プログラム
CN113379757B (zh) * 2021-05-01 2024-04-12 首都医科大学宣武医院 用于训练脑影像分割模型的方法及脑影像分割方法
CN113538348B (zh) * 2021-06-29 2024-03-26 沈阳东软智能医疗科技研究院有限公司 一种颅脑磁共振弥散加权图像的处理方法及相关产品
CN113421247B (zh) * 2021-06-30 2022-06-07 首都医科大学附属北京天坛医院 脑组织微观结构估计参数的确定方法、装置及电子设备
CN113628230A (zh) * 2021-08-10 2021-11-09 上海慧虎信息科技有限公司 心脏核磁共振图像中心室心肌分割模型训练方法、分割方法及装置
CN113628207B (zh) * 2021-08-30 2023-04-07 脑玺(苏州)智能科技有限公司 一种图像区域分割方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007058632A1 (en) * 2005-11-21 2007-05-24 Agency For Science, Technology And Research Superimposing brain atlas images and brain images with delineation of infarct and penumbra for stroke diagnosis
CN101596109A (zh) * 2009-06-12 2009-12-09 深圳先进技术研究院 获取脑部特征参数的方法、系统及溶栓指征生成系统与方法
US8472684B1 (en) * 2010-06-09 2013-06-25 Icad, Inc. Systems and methods for generating fused medical images from multi-parametric, magnetic resonance image data
CN107767378A (zh) * 2017-11-13 2018-03-06 浙江中医药大学 基于深度神经网络的gbm多模态磁共振图像分割方法
CN108846829A (zh) * 2018-05-23 2018-11-20 平安科技(深圳)有限公司 病变部位识别方法及装置、计算机装置及可读存储介质
CN108885246A (zh) * 2015-12-09 2018-11-23 皇家飞利浦有限公司 用于生成高b值处的合成扩散图像的扩散MRI方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007058632A1 (en) * 2005-11-21 2007-05-24 Agency For Science, Technology And Research Superimposing brain atlas images and brain images with delineation of infarct and penumbra for stroke diagnosis
CN101596109A (zh) * 2009-06-12 2009-12-09 深圳先进技术研究院 获取脑部特征参数的方法、系统及溶栓指征生成系统与方法
US8472684B1 (en) * 2010-06-09 2013-06-25 Icad, Inc. Systems and methods for generating fused medical images from multi-parametric, magnetic resonance image data
CN108885246A (zh) * 2015-12-09 2018-11-23 皇家飞利浦有限公司 用于生成高b值处的合成扩散图像的扩散MRI方法
CN107767378A (zh) * 2017-11-13 2018-03-06 浙江中医药大学 基于深度神经网络的gbm多模态磁共振图像分割方法
CN108846829A (zh) * 2018-05-23 2018-11-20 平安科技(深圳)有限公司 病变部位识别方法及装置、计算机装置及可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"A NEW CNN-BASED SYSTEM FOR EARLY DIAGNOSIS OF PROSTATE CANCER";Islam Reda 等;《2018 IEEE 15th International Symposium on Biomedical Imaging》;20180407;第207-210页 *
"医学影像计算机辅助检测与诊断系统综述";郑光远等;《软件学报》;20180109;第1471-1514页 *

Also Published As

Publication number Publication date
CN110533668A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN110533668B (zh) 基于统计约束损失函数的脑梗塞病灶自动分割方法
CN107578416B (zh) 一种由粗到精级联深度网络的心脏左心室全自动分割方法
Tellez et al. Whole-slide mitosis detection in H&E breast histology using PHH3 as a reference to train distilled stain-invariant convolutional networks
CN107369160B (zh) 一种oct图像中脉络膜新生血管分割算法
CN111488914B (zh) 一种基于多任务学习的阿尔茨海默症分类及预测系统
CN107016681B (zh) 基于全卷积网络的脑部mri肿瘤分割方法
JP6505124B2 (ja) 適応性放射線治療における自動輪郭抽出システム及び方法
CN111062948B (zh) 一种基于胎儿四腔心切面图像的多组织分割方法
CN111598894B (zh) 基于全局信息卷积神经网络的视网膜血管图像分割系统
CN107766874B (zh) 一种超声容积生物学参数的测量方法及测量系统
Coupé et al. LesionBrain: an online tool for white matter lesion segmentation
CN109215041B (zh) 一种全自动骨盆肿瘤分割方法及系统、存储介质及终端
CN108629785B (zh) 基于自步学习的三维磁共振胰腺图像分割方法
CN111080592B (zh) 一种基于深度学习的肋骨提取方法及装置
CN111583194B (zh) 基于贝叶斯粗糙集和布谷鸟算法的高维特征选择算法
CN111325750A (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
CN113450397B (zh) 基于深度学习的图像形变配准方法
CN112750137B (zh) 基于深度学习的肝脏肿瘤分割方法及系统
CN115457057A (zh) 一种采用深监督策略的多尺度特征融合腺体分割方法
CN113628230A (zh) 心脏核磁共振图像中心室心肌分割模型训练方法、分割方法及装置
US12046018B2 (en) Method for identifying bone images
CN114693671B (zh) 基于深度学习的肺结节半自动分割方法、装置、设备及介质
CN111815650B (zh) 一种基于改进模糊c均值的脑磁共振图像分割方法
Rasool et al. TransResUNet: Revolutionizing Glioma Brain Tumor Segmentation through Transformer-Enhanced Residual UNet
CN117522891A (zh) 一种3d医学图像分割系统及方法

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20191203

Assignee: Pusheng (Beijing) Information Technology Co.,Ltd.

Assignor: BEIJING INSTITUTE OF TECHNOLOGY

Contract record no.: X2023110000100

Denomination of invention: Automatic segmentation method for cerebral infarction lesions based on statistical constraint loss function

Granted publication date: 20210921

License type: Common License

Record date: 20230904

EE01 Entry into force of recordation of patent licensing contract