CN110648311B - 一种基于多任务学习的痤疮图像病灶分割与计数网络模型 - Google Patents

一种基于多任务学习的痤疮图像病灶分割与计数网络模型 Download PDF

Info

Publication number
CN110648311B
CN110648311B CN201910825578.3A CN201910825578A CN110648311B CN 110648311 B CN110648311 B CN 110648311B CN 201910825578 A CN201910825578 A CN 201910825578A CN 110648311 B CN110648311 B CN 110648311B
Authority
CN
China
Prior art keywords
focus
counting
acne
segmentation
image
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
CN201910825578.3A
Other languages
English (en)
Other versions
CN110648311A (zh
Inventor
杨巨峰
伍小平
梁杰
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.)
Nankai University
Original Assignee
Nankai University
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 Nankai University filed Critical Nankai University
Priority to CN201910825578.3A priority Critical patent/CN110648311B/zh
Publication of CN110648311A publication Critical patent/CN110648311A/zh
Application granted granted Critical
Publication of CN110648311B publication Critical patent/CN110648311B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background 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
    • G06T2207/20—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
    • G06T2207/30088—Skin; Dermal
    • 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
    • G06T2207/30242—Counting objects in image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明公开了一种基于多任务学习的痤疮图像病灶分割与计数网络模型，属于计算机视觉技术领域。设计了一种多任务学习深度卷积神经网络架构，用于痤疮图像中病灶的分割和数量统计。这种深度卷积神经网络框架以多任务学习的方式共享相关任务之间的表征，利用隐含在多个相关任务的训练信号中的特定领域信息来提高泛化能力，提升模型的分割与计数性能。同时本方法在网络框架中的分割分支利用得到的病灶候选框生成病灶的位置掩码，用于屏蔽具有干扰性的背景区域，从而帮助计数分支得到更精确的计数结果。最终使用计数结果对病灶候选框进行进一步筛选，生成病灶的分割结果，得到的网络模型用于痤疮图像的病灶分割和计数。

Description

一种基于多任务学习的痤疮图像病灶分割与计数网络模型
技术领域
本发明属于计算机视觉技术领域，特别涉及到一种通过计算机网络模型实现基于多任务学习的痤疮图像病灶分割与计数的方法。
背景技术
寻常痤疮(俗称痤疮)是最常见的皮肤病之一，其流行高峰期在青春期，以脸部出现粉刺、丘疹等病灶为主要特点。而希望通过人工的方式快速地获取痤疮图像中病灶的具体位置和数量信息是耗时的，因为痤疮发生的病灶位置不固定并且其数量从若干至几十个不等。因此，一种基于多任务学习的痤疮图像病灶分割与计数算法的开发会快速有效地产生辅助信息，即病灶的分割信息和计数信息。
近年来，痤疮病灶分析取得了长足的进展。以手工特征为代表，例如，Abas 等2016年在SPIE发表的论文“Acne image analysis:Lesion localization andclassification”中利用基于熵的滤波和阈值法检测痤疮病灶的位置，然后利用离散小波帧和灰度共现矩阵提取特征。近年来，深度学习(deep learning,DL) 技术在医学图像处理领域表现出了强大的性能，如常见的胸腔疾病分析和生物医学分割。对于痤疮图像病灶分割与计数的多任务框架，广泛使用的深度卷积神经网络可以作为其基础部分。
对于痤疮病灶数量的计数，我们可以通过深度卷积神经网络或者现有成熟的对象位置检测框架来选择回归的方式，与之最接近的是人群计数任务。人群计数使用了多种技术，从基于方向梯度直方图的头部位置检测器到基于卷积神经网络的回归。Zhang等2016年在CVPR发表的论文“Single-image crowd counting via multi-column convolutionalneural network”中，首先研究了全卷积神经网络中基于热力图的人群计数，随后Marsden等2017年在CVPR 发表的论文“Fully convolutional crowd counting on highlycongested scenes”中，研究了全卷积神经网络中基于热力图的人群计数，观察到显著的性能提升。Sam等2017年在CVPR发表的论文“Switching convolutional neural network forcrowd counting”中，提出了一种新的人群计数模型切换技术，该技术首先对图像区域的人群密度进行估计，然后使用针对检测到的人群密度进行优化的网络进行基于热力图的计数。
多任务学习算法同时优化多个学习任务，挖掘任务间的共性和差异性，提高任务的泛化性能。例如，Luong等2016年在ICLR发表的论文“Multitask sequence to sequencelearning”中，将多任务学习与编码器-解码器模型集成，在任务之间共享编码器和解码器的参数。多任务学习在计算机视觉和多媒体的许多其它领域也很流行。例如，Yuan等2016年在IEEE transactions on cybernetics发表的论文“Hyperspectral imageclassification via multitask joint sparse representation and stepwise mrfoptimization”中，提出了一种用于高光谱图像的光谱空间分析策略，主要利用多任务学习的优势，联合学习稀疏表示和逐步的马尔科夫随机场。当需要同时优化若干单个任务时，多任务学习的应用进一步促进了模型的泛化性能。通过共享相关任务直接的表示特征，达到多个任务同时预测的同时还减少了模型参数的规模，使得多个任务学习的过程和结果更加高效。
上述领域的一些最新成果激发了我们的灵感，也为我们开发基于多任务学习的高效分割与计数方法提供了坚实的技术基础。
发明内容
本发明需要解决的技术问题是输入一张任意尺寸的痤疮图像，系统可以同时预测痤疮的分割和病灶的计数结果。
为了实现本发明的目的，我们依靠以下技术方案来实现：
一种基于多任务学习的痤疮图像病灶分割与计数网络模型，包括图像特征提取模块、病灶分割模块、病灶计数模块、病灶计数筛选模块，各模块中：
a.图像特征提取模块：用户输入一张任意尺寸的痤疮图像到深度卷积神经网络模型中，此网络模型对痤疮图形进行特征提取得到卷积特征图；
b.病灶分割模块：将步骤a得到的卷积特征图通过一个全连接层回归得到存在痤疮病灶的候选框；
c.病灶计数模块：利用步骤b得到的候选框，生成痤疮图像中病灶的位置掩码，将该位置掩码调整至与步骤a中的卷积特征图一致大小，并进行逐元素相乘操作，得到局部卷积特征，可以有效减少背景信息干扰，然后利用一个新的全连接层回归得到更精确的痤疮图像中病灶的计数结果；
d.病灶计数筛选模块：将步骤b产生的候选框按置信度从高至低的顺序进行排列，利用步骤c产生的病灶计数结果对候选框进行筛选，得到最终的分割结果；
e.此网络模型结合了分割与计数两种损失，痤疮分割损失使用均方和误差损失函数，病灶计数损失使用平均绝对误差损失函数，网络模型平等对待两种损失，同时学习优化痤疮病灶的分割与计数两种任务，通过小批次随机梯度下降优化器训练整个深度卷积神经网络。
本发明网络模型中，病灶分割模块和病灶计数模块为两个分支结构，两个分支共享卷积层的表示信息，第一个分支用于痤疮分割任务，使用一个全连接层将特征向量映射为49个病灶候选框及其对应的置信度；第二个分支用于痤疮病灶计数任务，使用一个全连接层直接从特征向量上进行痤疮病灶数量的回归，然后通过一个ReLU激活层保证预测结果的非负性。
病灶的分割与计数任务所产生的结果相互之间存在着交互，病灶的分割过程中产生的候选框作为位置掩码的生成依据，表示痤疮图像中对应空间位置上是否存在病灶，通过在卷积特征图上与该掩码逐元素相乘，得到局部的卷积特征图，从而有效地减少背景信息对痤疮病灶计数任务的干扰；计数任务得到的病灶计数结果可以进一步作为病灶候选框的筛选依据，通过选取置信度相对较高的候选框，得到更加可靠准确的病灶分割结果。
本发明的有益效果为：本发明能够简单地嵌入到面向广大人群使用的计算机辅助系统中，对于医疗影像处理任务都适用，有效辅助和加快痤疮图像中病灶的分割和计数过程。本发明以多任务学习的方式同时进行痤疮图像的病灶分割与计数任务，在有效减少了深度网络模型的参数量的同时也提升了系统的性能表现。总的来说，本发明为痤疮图像病灶分割与计数任务提供了一个全新的方案，相信该方法同样能应用到很多其它计算机视觉任务中。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明:
图1为基于多任务学习的痤疮图像病灶分割与计数方法的架构图。
图2为基于多任务学习的痤疮图像病灶分割与计数方法的流程图。
图3为基于多任务学习的痤疮图像病灶分割与计数方法的实例图。
具体实施方式
本发明设计了一种新的深度卷积神经网络多任务学习架构，即在网络模型的卷积层相同之后包含两个分支，第一个分支为分割分支，第二个分支为计数分支，它们结合了痤疮病灶分割和计数两个任务。并采取有效措施使得这两个任务的结果相互促进，通过从分割分支获取的候选框生成覆盖了痤疮病灶区域的位置掩码，有效减少背景信息对计数分支的干扰。并进一步使用计数分支预测的计数结果对候选框进行筛选，从而得到最终的痤疮图像病灶分割结果。下面结合附图，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
参照图1，表示本发明改进的深度卷积神经网络架构，下面详述设计过程：
本网络模型的基本架构可以是任意的卷积神经网络，所起的是特征提取的作用，以下以He Kaiming等2016在CVPR发表的“Deep residual learning for imagerecognition”文章中提到的ResNet-50为例。在卷积层共享的基础上，网络对输入的痤疮图像进行特征提取得到特征卷积图，然后包含两个分支部分。
第一个分支用于痤疮分割任务，使用一个全连接层将其映射为预测的候选框坐标位置和对应置信度，计算均方和误差损失：
其中，i表示图像中预测的一个病灶候选框的索引，pi表示第i个候选框的置信度预测结果，对应其真实的标签，当预测的候选框与真实的病灶位置重叠率 (两个框面积的交集除以并集)超过0.7时表示正样本，其值为1，否则为0。 ti为预测候选框的4个参数坐标的向量，是正样本的真实坐标。候选框置信度损失使用对数损失函数：候选框坐标的损失使用平滑L1损失：令则：
候选框的置信度和候选框坐标的损失通过平衡参数λ进行加权，通过参数验证，我们设置此参数值为10。
第二个分支用于痤疮病灶计数任务。为了降低背景信息的干扰，首先使用外接矩形对第一个分支产生的所有候选框进行截取，获得一个覆盖了痤疮病灶区域的位置掩码，然后在卷积特征图的各个通道上与该掩码进行逐元素相乘的操作，得到局部卷积特征。然后通过一个全局平均池化层得到特征向量表示，通过一个全连接层和一个ReLU激活层回归预测痤疮病灶的数量c，并根据真实痤疮病灶数量c*计算平均绝对误差损失预测的痤疮病灶数量c可以对第一个分支的得到的候选框进一步筛选，首先将每个候选框对应的置信度按从大至小的顺序排列，选择前c个置信度对应的候选框最为模型最终的病灶分割结果。
网络模型的两个分支损失采用多任务的结合方式进行统一优化：
L＝Lseg+αLcou
其中α为平衡分割分支和计数分支的权重因子，因为两个分支同等重要，所以我们设定α＝1。
参照图2本发明的方法流程图和图3本发明的实例图，下面详述使用过程：
首先对图3第一行进行分析，对于用户输入的任意尺寸的痤疮图像3(a)，先将该图像送入训练好的深度神经网络中，网络提取出图像的卷积特征表示，即网络最后一层卷积特征图。
痤疮病灶分割分支利用一个全连接层以回归的方式得到大量病灶的候选框 (b)以及对应的置信度。然后将所得到的候选框的最大外接矩形作为病灶位置掩码(c)，该掩码反映了痤疮图像中病灶的存在位置，并屏蔽了具有干扰性的背景区域。接着将该掩码与卷积特征图在各通道上逐元素相乘得到局部卷积特征。
痤疮病灶计数分支在分割分支的局部卷积特征的基础上，使用一个新的全连接层进行回归得到痤疮病灶的计数结果(e)，然后通过ReLU层得到非负结果3。
最终对痤疮病灶分割分支生成的候选框对应的置信度按从大至小顺序排列，选取前3个置信度最大的候选框作为最终的分割结果(d)。
图3中的第二行和第三行与第一行效果相同，都是用于展示本发明的实际应用效果，另外这三行的输入图像(a)中所包含的痤疮病灶数量是不同的，分别为3、15和32个病灶，而中间过程(b-c)与最终结果(d-e)证明本发明在不同场景下都是有效的。

Claims (4)

1.一种基于多任务学习的痤疮图像病灶分割与计数网络模型，其特征在于，该网络模型通过计算机系统实现，包括以下模块，
a.图像特征提取模块：用户输入一张任意尺寸的痤疮图像到深度卷积神经网络模型中，此网络模型对痤疮图形进行特征提取得到卷积特征图；
b.病灶分割模块：将步骤a得到的卷积特征图通过一个全连接层回归得到存在痤疮病灶的候选框；
c.病灶计数模块：利用步骤b得到的候选框，生成痤疮图像中病灶的位置掩码，将该位置掩码调整至与步骤a中的卷积特征图一致大小，并进行逐元素相乘操作，得到局部卷积特征，有效减少背景信息干扰，然后利用一个新的全连接层回归得到更精确的痤疮图像中病灶的计数结果；
d.病灶计数筛选模块：将步骤b产生的候选框按置信度从高至低的顺序进行排列，利用步骤c产生的病灶计数结果对候选框进行筛选，得到最终的分割结果；
以上步骤b和c中结合了分割与计数两种损失，痤疮分割损失使用均方和误差损失函数，病灶计数损失使用平均绝对误差损失函数，网络模型平等对待两种损失，同时学习优化痤疮病灶的分割与计数两种任务，通过小批次随机梯度下降优化器训练整个深度卷积神经网络；
病灶的分割与计数任务所产生的结果相互之间存在着交互，病灶的分割过程中产生的候选框作为位置掩码的生成依据，表示痤疮图像中对应空间位置上是否存在病灶，通过在卷积特征图上与该掩码逐元素相乘，得到局部的卷积特征图，从而有效地减少背景信息对痤疮病灶计数任务的干扰；计数任务得到的病灶计数结果进一步作为病灶候选框的筛选依据。
2.根据权利要求1所述的基于多任务学习的痤疮图像病灶分割与计数网络模型，其特征在于：病灶分割模块和病灶计数模块为两个分支结构，两个分支共享卷积层的表示信息，第一个分支用于痤疮分割任务，使用一个全连接层将特征向量映射为49个病灶候选框及其对应的置信度；第二个分支用于痤疮病灶计数任务，使用一个全连接层直接从特征向量上进行痤疮病灶数量的回归，然后通过一个ReLU激活层保证预测结果的非负性。
3.根据权利要求1所述的基于多任务学习的痤疮图像病灶分割与计数网络模型，其特征在于：步骤b的病灶分割模块是使用一个全连接层将其映射为预测的候选框坐标位置和对应置信度，计算均方和误差损失：
Figure FDA0004102436900000021
其中，i表示图像中预测的一个病灶候选框的索引，pi表示第i个候选框的置信度预测结果，
Figure FDA0004102436900000022
对应其真实的标签，ti为预测候选框的4个参数坐标的向量，
Figure FDA0004102436900000023
是正样本的真实坐标。
4.根据权利要求1所述的基于多任务学习的痤疮图像病灶分割与计数网络模型，其特征在于：步骤c中通过使用外接矩形对第一个分支产生的所有候选框进行截取，获得一个覆盖了痤疮病灶区域的位置掩码，然后在卷积特征图的各个通道上与该掩码进行逐元素相乘的操作，得到局部卷积特征。
CN201910825578.3A 2019-09-03 2019-09-03 一种基于多任务学习的痤疮图像病灶分割与计数网络模型 Active CN110648311B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910825578.3A CN110648311B (zh) 2019-09-03 2019-09-03 一种基于多任务学习的痤疮图像病灶分割与计数网络模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910825578.3A CN110648311B (zh) 2019-09-03 2019-09-03 一种基于多任务学习的痤疮图像病灶分割与计数网络模型

Publications (2)

Publication Number Publication Date
CN110648311A CN110648311A (zh) 2020-01-03
CN110648311B true CN110648311B (zh) 2023-04-18

Family

ID=69009988

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910825578.3A Active CN110648311B (zh) 2019-09-03 2019-09-03 一种基于多任务学习的痤疮图像病灶分割与计数网络模型

Country Status (1)

Country Link
CN (1) CN110648311B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111292317B (zh) * 2020-03-11 2022-06-07 四川大学华西医院 一种增强图像局部特征式多任务分割乳腺导管内原位癌区域的方法
CN113450305B (zh) * 2020-03-26 2023-01-24 太原理工大学 医疗图像的处理方法、系统、设备及可读存储介质
CN111784762B (zh) * 2020-06-01 2023-05-30 北京理工大学 X光造影图像血管中心线提取方法及装置
CN116958163B (zh) * 2023-09-20 2023-12-08 海杰亚（北京）医疗器械有限公司 一种多器官和/或病灶的医学图像分割方法及装置
CN117392484A (zh) * 2023-12-06 2024-01-12 深圳市宗匠科技有限公司 一种模型训练方法、装置、设备及存储介质
CN117351307A (zh) * 2023-12-06 2024-01-05 深圳市宗匠科技有限公司 一种模型训练方法、装置、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2504331C1 (ru) * 2013-01-21 2014-01-20 Государственное бюджетное учреждение здравоохранения города Москвы Научно-исследовательский институт скорой помощи имени Н.В. Склифосовского Департамента здравоохранения г. Москвы Способ радионуклидной оценки степени ишемии при остром тромбозе магистральных артерий нижних конечностей у больных с двусторонним атеросклеротическим поражением артерий
CN106097335A (zh) * 2016-06-08 2016-11-09 安翰光电技术（武汉）有限公司 消化道病灶图像识别系统及识别方法
WO2017037655A1 (en) * 2015-09-04 2017-03-09 Remedor Biomed Ltd. Topical erythropoietin formulations and methods for improving wound healing with and cosmetic use of the formulations
CN107247971A (zh) * 2017-06-28 2017-10-13 中国人民解放军总医院 一种超声甲状腺结节风险指标的智能分析方法及系统
CN107341805A (zh) * 2016-08-19 2017-11-10 北京市商汤科技开发有限公司 图像前背景分割及网络模型训练、图像处理方法和装置
CN108257135A (zh) * 2018-02-01 2018-07-06 浙江德尚韵兴图像科技有限公司 基于深度学习方法解读医学图像特征的辅助诊断系统
CN108846838A (zh) * 2018-06-04 2018-11-20 卢龙 一种三维mri半自动病灶图像分割方法及系统
CN109785300A (zh) * 2018-12-27 2019-05-21 华南理工大学 一种癌症医学图像数据处理方法、系统、装置和存储介质
CN110163884A (zh) * 2019-05-17 2019-08-23 温州大学 一种基于全连接深度学习神经网络的单个图像分割方法

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2461830C (en) * 2001-09-26 2009-09-22 Interact Devices System and method for communicating media signals
WO2004006900A2 (en) * 2002-07-11 2004-01-22 Immune Network Ltd. Sulphydryl compounds in combination with sulphone or sulphnamide conpounds for use in microbial inflammatory diseases
GB0900622D0 (en) * 2009-01-15 2009-02-25 Williams Paul A method for diagnosing urticaria and angioedema
US9135693B2 (en) * 2010-05-18 2015-09-15 Skin Of Mine Dot Com, Llc Image calibration and analysis
US11164670B2 (en) * 2015-03-18 2021-11-02 Canfield Scientific, Incorporated Methods and apparatus for identifying skin features of interest
CN105718952B (zh) * 2016-01-22 2018-10-30 武汉科恩斯医疗科技有限公司 使用深度学习网络对断层医学影像进行病灶分类的系统
CN108257134B (zh) * 2017-12-21 2022-08-23 深圳大学 基于深度学习的鼻咽癌病灶自动分割方法和系统
CN108268870B (zh) * 2018-01-29 2020-10-09 重庆师范大学 基于对抗学习的多尺度特征融合超声图像语义分割方法
CN108447046B (zh) * 2018-02-05 2019-07-26 龙马智芯（珠海横琴）科技有限公司 病灶的检测方法和装置、计算机可读存储介质
CN108765431B (zh) * 2018-05-25 2022-07-15 中国科学院重庆绿色智能技术研究院 一种图像的分割方法及其在医学领域的应用
CN109523521B (zh) * 2018-10-26 2022-12-20 复旦大学 基于多切片ct图像的肺结节分类和病灶定位方法和系统
CN109567838A (zh) * 2018-10-29 2019-04-05 厦门大学 一种x射线吸收光谱法病灶检测仪
CN109670530A (zh) * 2018-11-15 2019-04-23 首都医科大学附属北京友谊医院 一种萎缩性胃炎图像识别模型的构建方法及其应用
CN109584218A (zh) * 2018-11-15 2019-04-05 首都医科大学附属北京友谊医院 一种胃癌图像识别模型的构建方法及其应用
CN109886986B (zh) * 2019-01-23 2020-09-08 北京航空航天大学 一种基于多分支卷积神经网络的皮肤镜图像分割方法
CN109886929B (zh) * 2019-01-24 2023-07-18 江苏大学 一种基于卷积神经网络的mri肿瘤体素检测方法
CN110097559B (zh) * 2019-04-29 2024-02-23 李洪刚 基于深度学习的眼底图像病灶区域标注方法
CN110188635B (zh) * 2019-05-16 2021-04-30 南开大学 一种基于注意力机制和多层次卷积特征的植物病虫害识别方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2504331C1 (ru) * 2013-01-21 2014-01-20 Государственное бюджетное учреждение здравоохранения города Москвы Научно-исследовательский институт скорой помощи имени Н.В. Склифосовского Департамента здравоохранения г. Москвы Способ радионуклидной оценки степени ишемии при остром тромбозе магистральных артерий нижних конечностей у больных с двусторонним атеросклеротическим поражением артерий
WO2017037655A1 (en) * 2015-09-04 2017-03-09 Remedor Biomed Ltd. Topical erythropoietin formulations and methods for improving wound healing with and cosmetic use of the formulations
CN106097335A (zh) * 2016-06-08 2016-11-09 安翰光电技术（武汉）有限公司 消化道病灶图像识别系统及识别方法
CN107341805A (zh) * 2016-08-19 2017-11-10 北京市商汤科技开发有限公司 图像前背景分割及网络模型训练、图像处理方法和装置
CN107247971A (zh) * 2017-06-28 2017-10-13 中国人民解放军总医院 一种超声甲状腺结节风险指标的智能分析方法及系统
CN108257135A (zh) * 2018-02-01 2018-07-06 浙江德尚韵兴图像科技有限公司 基于深度学习方法解读医学图像特征的辅助诊断系统
CN108846838A (zh) * 2018-06-04 2018-11-20 卢龙 一种三维mri半自动病灶图像分割方法及系统
CN109785300A (zh) * 2018-12-27 2019-05-21 华南理工大学 一种癌症医学图像数据处理方法、系统、装置和存储介质
CN110163884A (zh) * 2019-05-17 2019-08-23 温州大学 一种基于全连接深度学习神经网络的单个图像分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王磊.基于自组织神经网络的多模态MRI图像分割.《太赫兹科学与电子信息学报》.2018,第16卷(第2期),第307-312页. *

Also Published As

Publication number Publication date
CN110648311A (zh) 2020-01-03

Similar Documents

Publication Publication Date Title
CN110648311B (zh) 一种基于多任务学习的痤疮图像病灶分割与计数网络模型
CN112052886B (zh) 基于卷积神经网络的人体动作姿态智能估计方法及装置
CN110428428B (zh) 一种图像语义分割方法、电子设备和可读存储介质
CN112966684B (zh) 一种注意力机制下的协同学习文字识别方法
WO2020133636A1 (zh) 前列腺手术中外包膜智能检测和预警方法及系统
CN111368769B (zh) 基于改进锚点框生成模型的船舶多目标检测方法
CN109446922B (zh) 一种实时鲁棒的人脸检测方法
CN113240691A (zh) 一种基于u型网络的医学图像分割方法
Xiang et al. Turbopixel segmentation using eigen-images
CN110334656A (zh) 基于信源概率加权的多源遥感图像水体提取方法及装置
CN110533100A (zh) 一种基于机器学习进行cme检测和跟踪的方法
CN112329784A (zh) 一种基于时空感知及多峰响应的相关滤波跟踪方法
CN109255382A (zh) 用于图片匹配定位的神经网络系统，方法及装置
CN115222998A (zh) 一种图像分类方法
Sujatha et al. Enhancing Object Detection with Mask R-CNN: A Deep Learning Perspective
CN116311518A (zh) 一种基于人体交互意图信息的层级人物交互检测方法
CN117079095A (zh) 基于深度学习的高空抛物检测方法、系统、介质和设备
CN108765384B (zh) 一种联合流形排序和改进凸包的显著性检测方法
CN116740808A (zh) 基于深度学习目标检测和图像分类的动物行为识别方法
Kato et al. Impact of large-scale penetration of photovoltaic power generation systems on fluctuation property of electricity load
CN109829377A (zh) 一种基于深度余弦度量学习的行人重识别方法
Jin et al. Fusion of remote sensing images based on pyramid decomposition with Baldwinian Clonal Selection Optimization
CN114898407A (zh) 一种基于深度学习牙齿目标实例分割及其智能预览的方法
CN106296740B (zh) 一种基于低秩稀疏表达的目标精细轮廓跟踪方法
CN114842238A (zh) 一种嵌入式乳腺超声影像的识别方法

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