CN110619641A - 一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法 - Google Patents

一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法 Download PDF

Info

Publication number
CN110619641A
CN110619641A CN201910822722.8A CN201910822722A CN110619641A CN 110619641 A CN110619641 A CN 110619641A CN 201910822722 A CN201910822722 A CN 201910822722A CN 110619641 A CN110619641 A CN 110619641A
Authority
CN
China
Prior art keywords
convolution
layer
image
dimensional
magnetic resonance
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
Application number
CN201910822722.8A
Other languages
English (en)
Inventor
徐军
王雷
马伟
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN201910822722.8A priority Critical patent/CN110619641A/zh
Publication of CN110619641A publication Critical patent/CN110619641A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30068—Mammography; Breast
    • 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

Landscapes

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

Abstract

本发明公开了一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法，涉及图像信息处理技术领域，其包括如下步骤：对原始的核磁共振图像进项预处理；采用基于空洞卷积和U‑Net的三维分割模型，以4层U‑Net作为基础模型，在编码阶段使用空洞卷积替换原来的传统卷积，在编码器的最后一层使用三维的ASPP模块；解码器阶段，在每次反卷积后都跟随一个的卷积层来组合全部特征，然后再与编码器对应的特征图级联；最后通过训练逐步得到网络模型的各种参数；将测试图像做相同的预处理，然后送入模型测试，得到相应的概率图；从分割概率图映射到原图，得到最终的分割图。达到了利用深度学习的方法自动分割三维乳腺癌核磁共振图像中肿瘤区域的效果。

Description

一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自 动分割方法
技术领域
本发明涉及图像信息处理技术领域，特别涉及一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法。
背景技术
乳腺癌是一种发病率和死亡率都很高的恶性肿瘤，对于女性健康的有着巨大威胁。核磁共振图像在乳腺癌的早期诊断和后续的治疗中都起到非常重要的作用，医生可以通过核磁共振图像去评估肿瘤恶性程度，分析肿瘤区域的形态，进而影响相关的诊断和治疗。
一般分割乳腺癌肿瘤区域主要是依靠影像科医生进行手动标记，耗时耗力。由于近年来计算机的存储性能和计算性能的大幅度提高，借助计算机进行肿瘤区域分割，辅助诊断已经慢慢流行开来。计算机辅助系统（CAD）的目的是为了辅助医生，给医生提供客观准确的信息，帮助医生得到更加准确的诊断结果和制定更加合理的治疗方案。
由于核磁共振图像的复杂性，相关的分析仍然十分困难。在我国，基于影像图像的研究已经逐渐展开，一些基于二维平面的乳腺肿瘤区域分割方法开始出现，但是二维肿瘤区域分割仍然不能全面地反应肿瘤区域的形态，一种基于深度学习的三维乳腺肿瘤分割方法就显得非常重要。高效准确的三维乳腺肿瘤分割方法可以提供更多肿瘤的形态特征，为乳腺癌的诊断和治疗提供的大量有用的信息，减轻医生负担，加快医生诊断速度和治疗方案的制定，为病人争取宝贵的治疗时间。
发明内容
本发明的目的是提供一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法，利用深度学习的方法自动分割三维乳腺癌核磁共振图像中肿瘤区域。
本发明的上述技术目的是通过以下技术方案得以实现的：
一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法，包括如下步骤：
步骤S10：核磁共振图像的预处理：对原始的核磁共振图像进项预处理；
步骤S20：分割模型训练：采用基于空洞卷积和U-Net的三维分割模型，其以4层U-Net作为基础模型，在编码阶段使用空洞卷积替换原来的传统卷积，在编码器的最后一层，使用三维的ASPP模块；
解码器阶段，在每次反卷积后都跟随一个的卷积层来组合全部特征，然后再与编码器对应的特征图级联；
最后通过训练逐步得到网络模型的各种参数；
步骤S30：分割模型测试：根据步骤S2得到的模型，将测试图像做相同的预处理，然后送入模型测试，得到相应的概率图；
步骤S40：后处理部分：从步骤S3得到的分割概率图映射到原图，得到最终的分割图。
更进一步地，步骤S10中的预处理包括：
步骤S11：利用k-means算法聚类出最能体现肿瘤区域的图像强度值范围，将每张图像的强度值规范化到指定范围内；
步骤S12：调节体素间距，使得体素间距都为；
步骤S13：把每张图片裁剪到像素；
步骤S14：对数据进行标准化处理。
更进一步地，步骤S14中的标准化处理方法为z-score方法。
更进一步地，步骤S20中，使用空洞卷积替换原来的传统卷积的过程具体为：编码器阶段，先使用两层通道数为32，卷积核大小为、扩张系数为2的空洞卷积层和一层卷积核为的池化层，图像大小变为原来一半；再使用两次同样的操作，但通道数分别为64、128，最后使用两次通道数为256的卷积层来获得更多的底层特征；编码器的最后一层，使用三维的ASPP模块以获取更多特征信息。
更进一步地，解码器阶段，先使用通道数为256、卷积核为、步长为1的卷积层和一层通道数为256、卷积核为、步长为2的上采样层，接着和解码器对应特征图部分进行级联，然后进行了上面两次同样的操作，但是通道数分别为变128、64；然后，再使用两次通道数分别为32、16、卷积核为、步长为2的卷积层；最后使用两层通道数分别为为2、1、卷积核为、步长为1、激活函数为sigmoid的分类层。
综上所述，本发明具有以下有益效果：
本发明将深度学习领域的方法应用到现在的医疗领域，帮助影像科医生提高诊断的准确率，为治疗方案提供建议，减轻医生负担，为病人的后续治疗争取了宝贵的时间；且包括以下优点：
第一、提高了影像科医生的诊断效率，减轻他们的工作负担；
第二、有助于经验少的影像科医生的工作；
第三、利用深度学习的方法进行计算机辅助医疗；
第四、更好的展现肿瘤的三维形态，为后续治疗提供依据。
附图说明
图1是本发明基于深度卷积网络的乳腺癌肿瘤区域的自动分割模型流程图；
图2是本发明基于空洞卷积的三维乳腺癌肿瘤区域自动分割模型示意图；
图3是本发明中三维ASPP结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明，本实施例不构成对本发明的限制。
一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法，如图1所示，包括如下步骤：
步骤S10：核磁共振图像的预处理：对原始的核磁共振图像进项预处理，本实施例中，核磁共振图像包括训练集和测试集；
其中，预处理过程包括：
步骤S11：利用k-means算法聚类出最能体现肿瘤区域的图像强度值范围，将每张图像的强度值规范化到指定范围内；
步骤S12：调节体素间距，使得体素间距都为；
步骤S13：把每张图片裁剪到像素；
步骤S14：使用z-score方法对数据进行标准化处理。
步骤S20：分割模型训练：采用基于空洞卷积和U-Net的三维分割模型，其以4层U-Net作为基础模型。
如图2所示，在编码阶段使用空洞卷积替换原来的传统卷积；具体地，首先在编码器阶段，先使用两层通道数为32，卷积核大小为、扩张系数为2的空洞卷积层和一层卷积核为的池化层，这时图像大小变为原来一半；接着再使用两次同样的操作，但是通道数分别变为64、128，最后使用两次通道数为256的卷积层来获得更多的底层特征；编码器的最后一层，使用三维的ASPP模块以获取更多特征信息。
在编码器的最后一层，使用三维的ASPP模块，其将不同扩张系数的三维空洞卷积进行级联。如图3所示，不同扩张系数的空洞卷积层主要目的是能提取不同感受野的特征即既能提取大范围特征又能提取细小的边缘特征，的常规卷积层主要目的是整合特征图全局特征同时能约束空洞卷积特征更好的发挥作用。在这些不同参数卷积层级联之后再进行一次的卷积层，能更好的将层间特征组合在一起，也能使网络更好的收敛。
解码器阶段，在每次反卷积后都跟随一个的卷积层来组合全部特征，然后再与编码器对应的特征图级联；具体的，先使用通道数为256、卷积核为、步长为1的卷积层和一层通道数为256、卷积核为、步长为2的上采样层，接着和解码器对应特征图部分进行级联，然后进行了上面两次同样的操作，但是通道数分别为变128、64；然后，再使用两次通道数分别为32、16、卷积核为、步长为2的卷积层。最后使用两层通道数分别为为2、1、卷积核为、步长为1、激活函数为sigmoid的分类层。
最后通过训练逐步得到网络模型的各种参数；
步骤S30：分割模型测试：根据步骤S2得到的模型，将测试图像做相同的预处理，然后送入模型测试，得到相应的概率图；
步骤S40：后处理部分：从步骤S3得到的分割概率图映射到原图，得到最终的分割图。
以上所述，仅是本发明的较佳实施例而已，不用于限制本发明，本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明技术方案的保护范围内。

Claims (5)

1.一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法，其特征在于，包括如下步骤：
步骤S10：核磁共振图像的预处理：对原始的核磁共振图像进项预处理；
步骤S20：分割模型训练：采用基于空洞卷积和U-Net的三维分割模型，其以4层U-Net作为基础模型，在编码阶段使用空洞卷积替换原来的传统卷积，在编码器的最后一层，使用三维的ASPP模块；
解码器阶段，在每次反卷积后都跟随一个的卷积层来组合全部特征，然后再与编码器对应的特征图级联；
最后通过训练逐步得到网络模型的各种参数；
步骤S30：分割模型测试：根据步骤S2得到的模型，将测试图像做相同的预处理，然后送入模型测试，得到相应的概率图；
步骤S40：后处理部分：从步骤S3得到的分割概率图映射到原图，得到最终的分割图。
2.根据权利要求1所述的一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法，其特征在于：步骤S10中的预处理包括：
步骤S11：利用k-means算法聚类出最能体现肿瘤区域的图像强度值范围，将每张图像的强度值规范化到指定范围内；
步骤S12：调节体素间距，使得体素间距都为；
步骤S13：把每张图片裁剪到像素；
步骤S14：对数据进行标准化处理。
3.根据权利要求2所述的一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法，其特征在于：步骤S14中的标准化处理方法为z-score方法。
4.根据权利要求1所述的一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法，其特征在于：
步骤S20中，使用空洞卷积替换原来的传统卷积的过程具体为：编码器阶段，先使用两层通道数为32，卷积核大小为、扩张系数为2的空洞卷积层和一层卷积核为的池化层，图像大小变为原来一半；再使用两次同样的操作，但通道数分别为64、128，最后使用两次通道数为256的卷积层来获得更多的底层特征；编码器的最后一层，使用三维的ASPP模块以获取更多特征信息。
5.根据权利要求4所述的一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法，其特征在于：解码器阶段，先使用通道数为256、卷积核为、步长为1的卷积层和一层通道数为256、卷积核为、步长为2的上采样层，接着和解码器对应特征图部分进行级联，然后进行了上面两次同样的操作，但是通道数分别为变128、64；然后，再使用两次通道数分别为32、16、卷积核为、步长为2的卷积层；最后使用两层通道数分别为为2、1、卷积核为、步长为1、激活函数为sigmoid的分类层。
CN201910822722.8A 2019-09-02 2019-09-02 一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法 Pending CN110619641A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910822722.8A CN110619641A (zh) 2019-09-02 2019-09-02 一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910822722.8A CN110619641A (zh) 2019-09-02 2019-09-02 一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法

Publications (1)

Publication Number Publication Date
CN110619641A true CN110619641A (zh) 2019-12-27

Family

ID=68922926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910822722.8A Pending CN110619641A (zh) 2019-09-02 2019-09-02 一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法

Country Status (1)

Country Link
CN (1) CN110619641A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291763A (zh) * 2020-04-01 2020-06-16 广东工业大学 大理石板图像分割方法、装置设备及存储介质
CN111563906A (zh) * 2020-05-07 2020-08-21 南开大学 一种基于深度卷积神经网络的膝关节磁共振图像自动分割方法
CN111784676A (zh) * 2020-07-03 2020-10-16 湖南大学 一种用于肝脏ct影像的特征提取与分割新方法
CN112164074A (zh) * 2020-09-22 2021-01-01 江南大学 一种基于深度学习的3d ct床快速分割方法
CN112200811A (zh) * 2020-10-27 2021-01-08 西北工业大学深圳研究院 一种采用跨序列核磁共振图像生成改进胶质瘤分割方法
CN112419267A (zh) * 2020-11-23 2021-02-26 齐鲁工业大学 基于深度学习的脑胶质瘤分割模型及分割方法
WO2021129234A1 (zh) * 2019-12-28 2021-07-01 中国科学院深圳先进技术研究院 心房间隔闭塞患者心脏医学影像分割方法及系统
CN113129316A (zh) * 2021-04-15 2021-07-16 重庆邮电大学 基于多模态互补信息探索的心脏mri图像多任务分割方法
CN113313728A (zh) * 2021-06-16 2021-08-27 首都医科大学附属北京天坛医院 一种颅内动脉分割方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170251931A1 (en) * 2016-03-04 2017-09-07 University Of Manitoba Intravascular Plaque Detection in OCT Images
US20180218502A1 (en) * 2017-01-27 2018-08-02 Arterys Inc. Automated segmentation utilizing fully convolutional networks
CN108648182A (zh) * 2018-04-27 2018-10-12 南京信息工程大学 一种基于分子亚型的乳腺癌核磁共振图像肿瘤区域分割方法
CN109191471A (zh) * 2018-08-28 2019-01-11 杭州电子科技大学 基于改进U-Net网络的胰腺细胞图像分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170251931A1 (en) * 2016-03-04 2017-09-07 University Of Manitoba Intravascular Plaque Detection in OCT Images
US20180218502A1 (en) * 2017-01-27 2018-08-02 Arterys Inc. Automated segmentation utilizing fully convolutional networks
CN108648182A (zh) * 2018-04-27 2018-10-12 南京信息工程大学 一种基于分子亚型的乳腺癌核磁共振图像肿瘤区域分割方法
CN109191471A (zh) * 2018-08-28 2019-01-11 杭州电子科技大学 基于改进U-Net网络的胰腺细胞图像分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙明建，徐军，马伟，张玉东等: "基于新型深度全卷积网络的肝脏CT影像三维区域自动分割", 《中国生物医学工程学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021129234A1 (zh) * 2019-12-28 2021-07-01 中国科学院深圳先进技术研究院 心房间隔闭塞患者心脏医学影像分割方法及系统
CN111291763A (zh) * 2020-04-01 2020-06-16 广东工业大学 大理石板图像分割方法、装置设备及存储介质
CN111563906A (zh) * 2020-05-07 2020-08-21 南开大学 一种基于深度卷积神经网络的膝关节磁共振图像自动分割方法
CN111784676A (zh) * 2020-07-03 2020-10-16 湖南大学 一种用于肝脏ct影像的特征提取与分割新方法
CN112164074A (zh) * 2020-09-22 2021-01-01 江南大学 一种基于深度学习的3d ct床快速分割方法
CN112200811A (zh) * 2020-10-27 2021-01-08 西北工业大学深圳研究院 一种采用跨序列核磁共振图像生成改进胶质瘤分割方法
CN112419267A (zh) * 2020-11-23 2021-02-26 齐鲁工业大学 基于深度学习的脑胶质瘤分割模型及分割方法
CN113129316A (zh) * 2021-04-15 2021-07-16 重庆邮电大学 基于多模态互补信息探索的心脏mri图像多任务分割方法
CN113313728A (zh) * 2021-06-16 2021-08-27 首都医科大学附属北京天坛医院 一种颅内动脉分割方法及系统

Similar Documents

Publication Publication Date Title
CN110619641A (zh) 一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法
CN111311592B (zh) 一种基于深度学习的三维医学图像自动分割方法
CN112150428B (zh) 一种基于深度学习的医学图像分割方法
Skourt et al. Lung CT image segmentation using deep neural networks
CN111709953B (zh) Ct影像的肺叶段分割中的输出方法、装置
CN110889853B (zh) 基于残差-注意力深度神经网络的肿瘤分割方法
CN110889852B (zh) 基于残差-注意力深度神经网络的肝脏分割方法
Chan et al. Texture-map-based branch-collaborative network for oral cancer detection
CN110706214B (zh) 融合条件随机与残差的三维U-Net大脑肿瘤分割方法
CN111091575B (zh) 一种基于强化学习方法的医学图像分割方法
CN110288613B (zh) 一种超高像素的组织病理图像分割方法
Sheng et al. Second-order ResU-Net for automatic MRI brain tumor segmentation
CN111080658A (zh) 基于可形变配准和dcnn的宫颈mri图像分割方法
Li et al. Multi-scale fusion U-net for the segmentation of breast lesions
WO2024104035A1 (zh) 基于长短期记忆自注意力模型的三维医学图像分割方法及系统
CN116664590B (zh) 基于动态对比增强磁共振图像的自动分割方法及装置
CN111583192B (zh) Mri图像与深度学习乳腺癌图像处理方法及早筛系统
Wang et al. Multi-scale hierarchical transformer structure for 3d medical image segmentation
CN114882282A (zh) 基于mri和ct图像的结直肠癌治疗效果的神经网络预测方法
CN113409324B (zh) 一种融合微分几何信息的脑分割方法
Mansour et al. Kidney segmentations using cnn models
Schnurr et al. Sparsely connected convolutional layers in CNNs for liver segmentation in CT
Aravinda et al. Simple linear iterative clustering based tumor segmentation in liver region of abdominal CT-scan
Hwang et al. RBCA-Net: Reverse boundary channel attention network for kidney tumor segmentation in CT images
CN115239688B (zh) 基于磁共振对比增强3d-t1wi图像的脑转移瘤识别方法与系统

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: 20191227

RJ01 Rejection of invention patent application after publication