CN110675419B - 一种自适应注意门的多模态脑胶质瘤影像分割方法 - Google Patents
一种自适应注意门的多模态脑胶质瘤影像分割方法 Download PDFInfo
- Publication number
- CN110675419B CN110675419B CN201910960857.0A CN201910960857A CN110675419B CN 110675419 B CN110675419 B CN 110675419B CN 201910960857 A CN201910960857 A CN 201910960857A CN 110675419 B CN110675419 B CN 110675419B
- Authority
- CN
- China
- Prior art keywords
- feature map
- segmentation
- feature
- attention
- diagram
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 201000007983 brain glioma Diseases 0.000 title claims abstract description 13
- 238000003709 image segmentation Methods 0.000 title claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 46
- 206010018338 Glioma Diseases 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 12
- 208000032612 Glial tumor Diseases 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims description 27
- 206010028980 Neoplasm Diseases 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 6
- 230000004807 localization Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000003902 lesion Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 230000009471 action Effects 0.000 abstract description 2
- 230000001575 pathological effect Effects 0.000 abstract description 2
- 230000036285 pathological change Effects 0.000 abstract 1
- 231100000915 pathological change Toxicity 0.000 abstract 1
- 230000006870 function Effects 0.000 description 14
- 208000003174 Brain Neoplasms Diseases 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 208000029824 high grade glioma Diseases 0.000 description 2
- 208000030173 low grade glioma Diseases 0.000 description 2
- 201000011614 malignant glioma Diseases 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000011157 brain segmentation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开一种自适应注意门的多模态脑胶质瘤影像分割方法，该方法包含：S1、对MRI胶质瘤图像数据进行预处理，得到数据样本集；S2、搭建多级特征的自适应注意门的分割网络模型并进行分割模型训练；S3、利用已训练好的分割网络模型进行病灶分割预测；本发明的注意门能够自动学习一组权值来表示形体特征中各层特征的重要性，自适应抑制浅层特征的非病理噪声，并将病变细节附加到深层特征上；肿瘤的分割网络采用二元交叉熵损失函数和骰子损失函数相结合的混合损失函数来训练模型。本发明充分挖掘深度全卷积网络不同层次的语义信息和细节特征。在注意力门的作用下，通过融合不同层次的特征到达最好的胶质瘤分割效果。
Description
技术领域
本发明涉及基于全卷积深度神经网络脑胶质瘤影像分割的技术，具特别涉及一种具有多级特征的自适应注意门的多模态脑胶质瘤图像分割的方法。
背景技术
胶质瘤是脑肿瘤中死亡率最高的。这些肿瘤可分为低级别胶质瘤(LGG)和高级别胶质瘤(HGG)，前者的侵袭性和侵袭性低于后者。在临床实践中，提供进一步信息的MRI序列对胶质瘤的评估特别有用。准确地分割胶质瘤及其内部结构不仅对治疗计划很重要，而且对后续评估也很重要。然而，手工分割是费时的，并受到内部和内部评分错误，难以表示。由于这些原因，需要精确的半自动或自动方法。然而，由于肿瘤的形状、结构和位置异常多变，脑分割是一项具有挑战性的任务。此外，肿瘤肿块效应改变周围正常组织的排列，模糊组织边界。同时，MRI(核磁共振)图像在分割时可能会突出一些问题，如MRI图像的强度不均匀，或者同一序列与采集扫描仪的强度范围不同。在脑肿瘤的分割中，该分割方法可以显式地建立基本数据的参数或非参数概率模型。这些方法一般包括两种类型：基于生成模型的方法和基于判别模式的方法。其中，基于生成模型的脑肿瘤分割方法通常需要先验信息，先验信息可以通过概率图像图谱获得，但不适用于样本量不足的脑肿瘤图像。基于判别模型的方法根据局部直方图图像特征，如图像纹理、结构张量特征值等，对肿瘤病变或正常组织中的图像体素进行分类，这是基于分类算法分割性能判别模型方法的主要影响因素。支持向量机和随机森林是脑肿瘤分割中最常用的模式分类算法。然而，它们的建模能力似乎局限于输入的肿瘤图像特征，其识别性能取决于研究者提取特征的方法。
近年来，深度学习已经成为一种强大的图像分割替代方法，具有自动提取和组合高分辨特征的能力。深度学习通过直接从原始数据自动学习日益复杂的特性级别来处理表示学习。在现有技术标准的全卷积结构中，通过逐步减小特征图的采样量来获取足够大的接收域，从而获得语义上下文信息；这样，深度特征映射就呈现出抽象的语义和全局位置相关性；然而，胶质瘤图像的异质性高，分区边界模糊，仅通过语义特征和外观特征(如U-Net和FCN-Net)的粗略整合，仍难以减少假阳性，为了提高精度，目前的分割方法依赖于目标定位和多阶段全局分割模型，将任务简化为单独的定位和后续的精细分割步骤。为了更好地解决上述问题，本发明的自适应注意门的多模态脑胶质瘤影像分割方法实为必要，与多阶段卷积定位模型相比，在深度监控条件训练下，注意门逐步抑制了无关背景区域的特征响应。
发明内容
本发明的目的在于提供一种具有多级特征的自适应注意门的多模态脑胶质瘤影像分割的方法，其是一种新的MRI影像中胶质瘤分割方法，在该分割方法中，将深层语义特征和浅层外观特征结合起来，对每一层的特征进行补充和细化，使一些孤立的体素能够正确的分；该方案通过构建空间元素注意门单元来实现，注意门单元可以自动学习一组权值来表示体素点在表表外观特征图中的重要性；在原有残差网络模型的基础上，ASPP单元(空洞空间金字塔池化模块)可以抽取特征样本，融合多尺度特征，ASPP中膨胀卷积可以增加接收域，减少计算量；ASPP可以在不降低图像大小的情况下提高感受野，而注意门则充分利用图像的较大尺寸来获取更多的注意信息；本发明将ASPP与注意单元相结合，融合深层语义特征与浅层外观特征，可以更好地完成肿瘤的分割。
为达到上述目的，本发明通过以下技术方案实现：
一种具有多级特征的自适应注意门的多模态脑胶质瘤图像分割方法，包含以下步骤：
S1、对MRI胶质瘤图像数据进行预处理，得到数据样本集；
S2、基于输入的经过预处理的肿瘤图像特征图，搭建多级特征的自适应注意门的分割网络模型并进行分割模型训练；
所述步骤S2进一步包括：
S21、输入经过预处理的第一肿瘤图像特征图；
S22、对所述第一肿瘤图像特征图进行上下文深度卷积以获得有边缘轮廓和纹理信息的第二形体特征图；
S23、使用空洞空间金字塔池化模块来非池化卷积所述第二形体特征图，用以获得多尺度的第三语义特征图；
S24、利用具有注意力门的形体特征过滤加权单元对所述第二形体特征图和所述第三语义特征图进行融合，用以最终获得新的第四形体特征图；
S25、基于所述新的第四形体特征图，将所述第四形体特征图与所述第三语义特征图拼接，得到了多维度、多通道的第五混合特征图；
S26、将所述第五混合特征图进行局部化和本地化，得到第六特征图，并输出该第六特征图；
S27、初始化所述分割网络模型的每一层卷积核的参数；
S28、训练由步骤S21～S26构成的分割网络；
S3、利用已训练好的分割网络模型进行病灶分割预测。
优选地，所述步骤S24中，进一步包含：T241、输入多尺度的第三语义特征图和第二形体特征图；T242、通过求和的方式融合所述第二形体特征图和所述第三语义特征图，得到第七注意力混合特征图；T243、使用Sigmoid函数将所述第七注意力混合特征图中的值归为[0,1]之间，得到第八注意力权重特征图；T244、将第二形体特征图和所述第八注意力权重特征图相乘得到所述新的第四形体特征图并输出该第四形体特征图。
优选地，所述步骤S28中，训练的损失函数采用二元交叉熵与骰子损失函数的混合损失函数。
优选地，所述步骤S1中，数据预处理包括：MRI图像去噪与归一化、病灶标签编码、数据增强、提取与运算硬件相匹配的patch。
优选地，所述步骤S27中，使用Xavier来初始化所述分割网络模型的每一层卷积核的参数。
与现有技术相比，本发明的有益效果在于：(1)本发明利用注意模块可以有效地集成低层细节和高层语义，从而实现可区分的表示，因此作为一种通用的多层特征融合结构，注意门单元可以提高分割性能，对其他网络可能是一个有益的组成部分；(2)本发明的核心思想是从多尺度的外观图中选择信息补充信息，并在空间上选择语义信息的每一层；通过开发一个注意门单元来实现这一点，该单元使用注意机制自动学习一组权重，以指示外观中各层特性的重要性；(3)本发明利用多尺度注意门的特点进行分割，取得了满意的结果；(4)本发明提出的方案也为其他医学图像分割和检测任务提供了机会。
附图说明
图1为本发明具有多级特征的自适应注意门的多模态脑胶质瘤影像分割的方法的总体架构图；
图2为本发明的多级特征的自适应注意门的神经网络流程图；
图3为为本发明的自适应注意门的特征融合流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1-图3结合所示，本发明公开一种具有多级特征的自适应注意门的多模态脑胶质瘤影像分割的方法，该方法包含以下步骤：
S1：对MRI胶质瘤图像数据进行预处理，得到数据样本集；
所述步骤S1中，该数据预处理包括MRI图像去噪与归一化、病灶标签编码(标签one-hot编码)、数据增强(例如旋转、剪切变换和随机横向位移等)、提取与运算硬件相匹配的patch并训练patch。
S2：基于输入的经过预处理的肿瘤图像特征图，搭建分割模型并进行分割模型训练；
其中，首先需要搭建多级特征的自适应注意门的分割网络，该分割网络包括图2和图3这两个部分；所述步骤S2具体地包括：
S21：输入经过预处理的肿瘤图像特征图A，该图像特征图A是原始数据图像，具有高分辨率，但是具有低的抽象语义信息；
S22：对输入的肿瘤图像特征图A进行上下文深度卷积以获得有边缘轮廓和纹理信息的形体特征图B；
S23：使用空洞空间金字塔池化模块(ASPP)来非池化卷积上述步骤S22中获得的具有纹理信息和边缘轮廓的特征图B，以便获得多尺度的语义特征图C，虽然改低了图分辨率，但具有丰富的抽象语义信息。
S24：利用具有注意力门的形体特征过滤加权单元对所述步骤S22中已有的形体特征图B和所述步骤S23中的多尺度的语义特征图C进行融合，用以最终获得新的形体特征图D；
S25：基于所述步骤S24通过注意力门加权获得的新的形体特征图D，将该新的形体特征图D与步骤S23中的抽象的语义特征图C拼接，最后得到了多维度、多通道的混合特征图E；
S26：将步骤S25的混合特征图E进行局部化和本地化，得到了一个新的特征图F，并输出该特征图F；
S27：使用Xavier来初始化分割网络模型的每一层卷积核的参数。这样，激活和梯度保持在受控的水平，否则反向传播梯度消失或爆炸。为了增加转换后数据的非线性，在每个卷积层中使用校正线性单元(LReLU)；
S28：训练由S21～S26构成的分割网络，训练的损失函数采用二元交叉熵与骰子损失函数的混合损失函数。训练时采用深度监督来完成模型推理和参数更新。
所述步骤S24中，进一步包含：
T241：输入前面步骤S23当中获得到的多尺度的语义特征图C和步骤S22的形体特征图B；
T242：通过求和的方式融合步骤T241中所述的形体特征图B和步骤T241中所述的语义特征图C，得到注意力混合特征图D1；其中，将特征图B和C的体素值相加可以增加特征图D1的差异性，以便更好的分割。
T243：使用Sigmoid函数将步骤T242中所述的注意力混合特征图D1中的值归为[0,1]之间，即得到注意力权重特征图D2。
T244：将步骤T241中所述的形体特征图B(即步骤S22中的形体特征图B)和步骤T243中所述的注意力权重特征图D2相乘得到新的形体特征图D(也称加权形体特征图)并输出加权形体特征图D。
基于上述，在深度监督下，本发明利用Patch的数据训练提出的脑胶质瘤分割模型。其中，在这个过程中，注意力门可以充分挖掘深度全卷积网络不同层次的语义信息和细节特征。二元交叉熵损失函数和骰子损失函数相结合的混合损失函数可以防止类不平衡，并能够很好辅助分割模型的训练。
S3：利用已经训练好的模型进行病灶分割预测：使用步骤S2训练好的分割模型来预测和推理新输入的影像的分割病灶。
综上所述，本发明公开了一种具有多级特征的自适应注意门的多模态脑胶质瘤影像分割方法，该方法首先对剥离头骨的MRI胶质瘤图像进行数据预处理，包括前景图像提取，病灶标签编码等。然后利用数据增强(旋转、剪切变换和随机横向位移等)方法来增加样本量并提取相应的Patch。最后在在深度监督下，利用上述的数据训练我们提出的脑胶质瘤分割模型。该方法中的注意门能够自动学习一组权值来表示形体特征中各层特征的重要性，自适应抑制浅层特征的非病理噪声，并将病变细节附加到深层特征上。同时，为了更好地解决MRI图像中肿瘤边界不平衡的问题，肿瘤的分割网络采用二元交叉熵损失函数和骰子损失函数相结合的混合损失函数来训练模型。本发明通过利用新的注意力门可以充分挖掘深度全卷积网络不同层次的语义信息和细节特征。在注意力门的作用下，通过融合不同层次的特征到达最好的胶质瘤分割效果。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
Claims (5)
1.一种具有多级特征的自适应注意门的多模态脑胶质瘤图像分割方法，其特征在于，包含以下步骤：
S1、对MRI胶质瘤图像数据进行预处理，得到数据样本集；
S2、基于输入的经过预处理的肿瘤图像特征图，搭建多级特征的自适应注意门的分割网络模型并进行分割模型训练；
所述步骤S2进一步包括：
S21、输入经过预处理的第一肿瘤图像特征图；
S22、对所述第一肿瘤图像特征图进行上下文深度卷积以获得有边缘轮廓和纹理信息的第二形体特征图；
S23、使用空洞空间金字塔池化模块来非池化卷积所述第二形体特征图，用以获得多尺度的第三语义特征图；
S24、利用具有注意力门的形体特征过滤加权单元对所述第二形体特征图和所述第三语义特征图进行融合，用以最终获得新的第四形体特征图；
S25、基于所述新的第四形体特征图，将所述第四形体特征图与所述第三语义特征图拼接，得到了多维度、多通道的第五混合特征图；
S26、将所述第五混合特征图进行局部化和本地化，得到第六特征图，并输出该第六特征图；
S27、初始化所述分割网络模型的每一层卷积核的参数；
S28、训练由步骤S21～S26构成的分割网络；
S3、利用已训练好的分割网络模型进行病灶分割预测。
2.如权利要求1所述的多模态脑胶质瘤图像分割方法，其特征在于，所述步骤S24中，进一步包含：
T241、输入多尺度的第三语义特征图和第二形体特征图；
T242、通过求和的方式融合所述第二形体特征图和所述第三语义特征图，得到第七注意力混合特征图；
T243、使用Sigmoid函数将所述第七注意力混合特征图中的值归为[0,1]之间，得到第八注意力权重特征图；
T244、将第二形体特征图和所述第八注意力权重特征图相乘得到所述新的第四形体特征图并输出该第四形体特征图。
3.如权利要求1所述的多模态脑胶质瘤图像分割方法，其特征在于，所述步骤S28中，训练的损失函数采用二元交叉熵与骰子损失函数的混合损失函数。
4.如权利要求1所述的多模态脑胶质瘤图像分割方法，其特征在于，所述步骤S1中，数据预处理包括：MRI图像去噪与归一化、病灶标签编码、数据增强、提取与运算硬件相匹配的patch。
5.如权利要求1所述的多模态脑胶质瘤图像分割方法，其特征在于，所述步骤S27中，使用Xavier来初始化所述分割网络模型的每一层卷积核的参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910960857.0A CN110675419B (zh) | 2019-10-11 | 2019-10-11 | 一种自适应注意门的多模态脑胶质瘤影像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910960857.0A CN110675419B (zh) | 2019-10-11 | 2019-10-11 | 一种自适应注意门的多模态脑胶质瘤影像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110675419A CN110675419A (zh) | 2020-01-10 |
| CN110675419B true CN110675419B (zh) | 2022-03-08 |
Family
ID=69081841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910960857.0A Active CN110675419B (zh) | 2019-10-11 | 2019-10-11 | 一种自适应注意门的多模态脑胶质瘤影像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110675419B (zh) |
Families Citing this family (15)
| 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 |
| CN111461130B (zh) * | 2020-04-10 | 2021-02-09 | 视研智能科技(广州)有限公司 | 一种高精度图像语义分割算法模型及分割方法 |
| CN111798426B (zh) * | 2020-06-30 | 2022-09-06 | 天津大学 | 用于移动端的胃肠道间质瘤中核分裂象深度学习检测系统 |
| CN111870279B (zh) * | 2020-07-31 | 2022-01-28 | 西安电子科技大学 | 超声图像左室心肌的分割方法、系统及应用 |
| CN112102321B (zh) * | 2020-08-07 | 2023-09-01 | 深圳大学 | 一种基于深度卷积神经网络的病灶图像分割方法及系统 |
| CN112036477B (zh) * | 2020-08-28 | 2022-06-17 | 清华大学 | 一种高召回率弱标注声音事件检测方法 |
| CN112446891B (zh) * | 2020-10-23 | 2024-04-02 | 浙江工业大学 | 基于U-Net网络脑胶质瘤的医学图像分割方法 |
| CN112381771B (zh) * | 2020-11-04 | 2022-08-05 | 吉林大学 | 一种医学影像针对病灶区域分割方法 |
| CN112785598B (zh) * | 2020-11-05 | 2022-05-13 | 南京天智信科技有限公司 | 基于注意力增强改进u型网络的超声乳腺肿瘤自动分割方法 |
| CN112365496B (zh) * | 2020-12-02 | 2022-03-29 | 中北大学 | 基于深度学习和多引导的多模态mr影像脑肿瘤分割方法 |
| CN112967294A (zh) * | 2021-03-11 | 2021-06-15 | 西安智诊智能科技有限公司 | 一种肝脏ct图像分割方法及系统 |
| CN114155195B (zh) * | 2021-11-01 | 2023-04-07 | 中南大学湘雅医院 | 基于深度学习的脑肿瘤分割质量评估方法、设备及介质 |
| CN114612408B (zh) * | 2022-03-04 | 2023-06-06 | 拓微摹心数据科技(南京)有限公司 | 一种基于联邦深度学习的心脏图像处理方法 |
| CN115564778B (zh) * | 2022-12-06 | 2023-03-14 | 深圳思谋信息科技有限公司 | 缺陷的检测方法、装置、电子设备及计算机可读存储介质 |
| CN118470003B (zh) * | 2024-07-09 | 2024-09-10 | 吉林大学 | 基于ai的宫颈癌病理影像分析系统及方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10304193B1 (en) * | 2018-08-17 | 2019-05-28 | 12 Sigma Technologies | Image segmentation and object detection using fully convolutional neural network |
| CN110245665A (zh) * | 2019-05-13 | 2019-09-17 | 天津大学 | 基于注意力机制的图像语义分割方法 |
-
2019
- 2019-10-11 CN CN201910960857.0A patent/CN110675419B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10304193B1 (en) * | 2018-08-17 | 2019-05-28 | 12 Sigma Technologies | Image segmentation and object detection using fully convolutional neural network |
| CN110245665A (zh) * | 2019-05-13 | 2019-09-17 | 天津大学 | 基于注意力机制的图像语义分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| Attention U-Net:Learning Where to Look for the Pancreas;Ozan Oktay et al.;《arXiv》;20180413;第1-10页 * |
| Deep Convolutional Neural Networks Using U-Net for Automatic Brain Tumor Segmentation in Multimodal MRI Volumes;Adel Kermi et al.;《Springer Nature Switzerland AG 2019》;20190126;第37-48页 * |
| 自适应尺度信息的Ｕ型视网膜血管分割算法;梁礼明 等;《光学学报》;20190831;第39卷(第8期);第1-15页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110675419A (zh) | 2020-01-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110675419B (zh) | 一种自适应注意门的多模态脑胶质瘤影像分割方法 | |
| CN107506761B (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 | |
| Xiuqin et al. | A fundus retinal vessels segmentation scheme based on the improved deep learning U-Net model | |
| CN114581662B (zh) | 一种脑肿瘤图像的分割方法、系统、装置及存储介质 | |
| Chen et al. | 3D intracranial artery segmentation using a convolutional autoencoder | |
| CN110853009B (zh) | 基于机器学习的视网膜病理图像分析系统 | |
| CN106683104B (zh) | 基于集成深度卷积神经网络的前列腺磁共振图像分割方法 | |
| CN112819076A (zh) | 基于深度迁移学习的医学图像分类模型的训练方法及装置 | |
| CN115205300A (zh) | 基于空洞卷积和语义融合的眼底血管图像分割方法与系统 | |
| CN113808146A (zh) | 一种医学图像多器官分割方法及系统 | |
| CN112037171B (zh) | 基于多模态特征融合的多任务mri脑瘤图像分割方法 | |
| CN109389585A (zh) | 一种基于全卷积神经网络的脑组织提取方法 | |
| CN113888555B (zh) | 基于注意机制的多模态脑肿瘤图像分割系统 | |
| CN114066884B (zh) | 视网膜血管分割方法及装置、电子设备和存储介质 | |
| CN110110727A (zh) | 基于条件随机场和贝叶斯后处理的图像分割方法 | |
| CN112837276B (zh) | 一种基于级联深度神经网络模型的脑胶质瘤分割方法 | |
| CN112529915B (zh) | 一种脑肿瘤图像分割方法及系统 | |
| CN116884623B (zh) | 基于激光扫描成像的医疗康复预测系统 | |
| CN117392093A (zh) | 一种基于全局多尺度残差U-HRNet网络的乳腺超声医学图像分割算法 | |
| CN114821052A (zh) | 基于自调节策略的三维脑肿瘤核磁共振图像分割方法 | |
| CN117635625A (zh) | 基于自动数据增强策略和多注意力辅助UNet的胰腺肿瘤分割方法 | |
| CN116385467B (zh) | 基于自监督学习的脑血管分割方法及相关设备 | |
| CN112949712B (zh) | 一种基于多模态的甲状腺结节自动识别模型构建方法 | |
| CN118229712B (zh) | 基于增强多维特征感知的肝脏肿瘤图像分割系统 | |
| Mirani et al. | VAE and AAE Networks Segment Brain Tumors from MRI |
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 |