CN110738660A - 基于改进U-net的脊椎CT图像分割方法及装置 - Google Patents
基于改进U-net的脊椎CT图像分割方法及装置 Download PDFInfo
- Publication number
- CN110738660A CN110738660A CN201910846565.4A CN201910846565A CN110738660A CN 110738660 A CN110738660 A CN 110738660A CN 201910846565 A CN201910846565 A CN 201910846565A CN 110738660 A CN110738660 A CN 110738660A
- Authority
- CN
- China
- Prior art keywords
- improved
- path
- convolution
- net
- spine
- 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.)
- Granted
Links
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
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30008—Bone
- G06T2207/30012—Spine; Backbone
-
- 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
本发明公开了基于改进U‑net的脊椎CT图像分割方法及装置,实施以下步骤:对输入的脊椎CT原始图像进行预处理;构建改进U‑net网络;利用脊椎CT原始图像训练改进U‑net网络;输入待分割的脊椎CT图像至改进U‑net网络并得到分割结果;改进U‑net包括第一收缩路径、第二收缩路径和扩展路径,第一收缩路径和扩展路径采用具有可分离卷积结构的新型卷积块替代标准卷积块;减少网络的计算复杂度并提高分割精度。
Description
技术领域
本发明涉及图像处理领域,特别是基于改进U-net的脊椎CT图像分割方法及装置。
背景技术
我国的中老年群体当中有97%都患有脊椎疾病,现今又呈现出日趋年轻化的趋势。脊椎医学影像的研究对辅助医师临床诊断帮助解决脊椎问题具有重要意义。医学图像分割一直是医学成像领域面临的主要挑战之一,分割任务是许多不同类型临床应用的先决条件。能否从人体脊柱的CT图像当中正确分割出脊椎直接影响到医师对病人病情的临床判断。
随着深度学习的兴起,将深度卷积神经网络应用到脊椎CT图像分割上,使分割效果得到进一步提升。但,依然存在计算量庞大,分割效果不够理想的问题。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一,提供基于改进U-net的脊椎CT图像分割方法及装置。
本发明解决其问题所采用的技术方案是:
第一方面,基于改进U-net的脊椎CT图像分割方法,包括以下步骤:
对输入的脊椎CT原始图像进行预处理;
构建改进U-net网络;
利用所述脊椎CT原始图像训练所述改进U-net网络;
输入待分割的脊椎CT图像至训练好的所述改进U-net网络并得到分割结果;
其中,所述改进U-net网络包括第一收缩路径、第二收缩路径和扩展路径;
所述第一收缩路径包括多个依次逐级下采样的新型卷积块;所述第二收缩路径包括多个依次逐级下采样的标准卷积块;所述扩展路径包括多个依次逐级上采样的新型卷积块;
所述新型卷积块是在一个3x3卷积层后分别连接两个3x1卷积层,每个3x1卷积层后分别连接一个1x3卷积层,两个1x3卷积层同连接到一个1x1卷积层,1x1卷积层后连接特征融合层,所述特征融合层将进入3x3卷积层的特征和从1x1卷积层输出的特征融合;所述标准卷积块包括依次连接的两个3x3卷积层和一个最大池化层,所述标准卷积块的每个层间通过ReLu激活函数下采样。
上述的基于改进U-net的脊椎CT图像分割方法至少具有以下的有益效果:通过具有可分离卷积结构的新型卷积块代替传统的卷积块,减少网络参数和网络模型的计算量;适用于脊椎图像此类精细的图像分割,有利于提高分割精度。且在U-net网络结构上的基础上增加一条第二收缩路径,补充单条收缩路径分割图像时损失的特征信息,提高分割特征的利用率,强化多条路径间的信息交互;提升分割结果的准确度、精确度、敏感度和特异性。
进一步,所述第一收缩路径的每一层对应长连接至所述扩展路径的每一层,所述第二收缩路径的每一层对应长连接至所述扩展路径的每一层。
进一步,所述第一收缩路径的每一层对应长连接至所述扩展路径的每一层,所述第二收缩路径的每一层对应长连接至所述第一收缩路径的每一层。
进一步,所述改进U-net网络还包括预编码路径,所述预编码路径包括多个依次逐级下采样的所述标准卷积块;所述预编码路径的最后一层标准卷积块分别与所述第一收缩路径的第一层新型卷积块以及所述第二收缩路径的第一层标准卷积块长连接。
进一步,所述长连接是将源卷积块的特征图经裁剪后加入至对应的目标卷积块以补充缺失的特征。
进一步,所述预处理包括归一化处理和数据扩充处理,所述归一化处理包括数据正规化、直方图均衡化、伽马值调整和通过形态学滤波增强对比度;所述数据扩充处理包括旋转处理和添加噪声处理。
第二方面,基于改进U-net的脊椎CT图像分割装置,采用如本发明第一方面所述的基于改进U-net的脊椎CT图像分割方法,包括:
预处理模块,用于对输入的脊椎CT原始图像进行预处理;
网络构建模块,用于构建改进U-net网络;
训练模块,用于利用所述脊椎CT原始图像训练所述改进U-net网络;
测试模块,用于输入待分割的脊椎CT图像至训练好的所述改进U-net网络并得到分割结果;
其中,所述改进U-net网络包括第一收缩路径、第二收缩路径和扩展路径;
所述第一收缩路径包括多个依次逐级下采样的新型卷积块;所述第二收缩路径包括多个依次逐级下采样的标准卷积块;所述扩展路径包括多个依次逐级上采样的新型卷积块;
所述新型卷积块是在一个3x3卷积层后分别连接两个3x1卷积层,每个3x1卷积层后分别连接一个1x3卷积层,两个1x3卷积层同连接到一个1x1卷积层,1x1卷积层后连接特征融合层,所述特征融合层将进入3x3卷积层的特征和从1x1卷积层输出的特征融合;所述标准卷积块包括依次连接的两个3x3卷积层和一个最大池化层,所述标准卷积块的每个层间通过ReLu激活函数下采样。
上述的基于改进U-net的脊椎CT图像分割装置至少具有以下的有益效果:采用改进U-net网络的网络结构,通过具有可分离卷积结构的新型卷积块代替传统的卷积块,减少网络参数和网络模型的计算量;适用于脊椎图像此类精细的图像分割,有利于提高分割精度。且在U-net网络结构上的基础上增加一条第二收缩路径,补充单条收缩路径分割图像时损失的特征信息,提高分割特征的利用率,强化多条路径间的信息交互;提升分割结果的准确度、精确度、敏感度和特异性。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明实施例基于改进U-net的脊椎CT图像分割方法的步骤图;
图2是新型卷积块的结构图;
图3是标准卷积块的结构图;
图4是改进U-net网络的一种结构图;
图5是改进U-net网络的另一种结构图;
图6是改进U-net网络的又一种结构图;
图7是本发明实施例基于改进U-net的脊椎CT图像分割装置的结构图。
具体实施方式
本部分将详细描述本发明的具体实施例,本发明之较佳实施例在附图中示出,附图的作用在于用图形补充说明书文字部分的描述,使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案,但其不能理解为对本发明保护范围的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
参照图1至图4,本发明的一个实施例,提供了基于改进U-net的脊椎CT图像分割方法,包括以下步骤:
步骤S100、对输入的脊椎CT原始图像进行预处理;
步骤S200、构建改进U-net网络;
步骤S300、利用脊椎CT原始图像训练改进U-net网络;
步骤S400、输入待分割的脊椎CT图像至训练好的改进U-net网络并得到分割结果;
其中,改进U-net网络包括第一收缩路径10、第二收缩路径20和扩展路径30;
第一收缩路径10包括多个依次逐级下采样的新型卷积块;第二收缩路径20包括多个依次逐级下采样的标准卷积块;扩展路径30包括多个依次逐级上采样的新型卷积块;
新型卷积块是在一个3x3卷积层后分别连接两个3x1卷积层,每个3x1卷积层后分别连接一个1x3卷积层,两个1x3卷积层同连接到一个1x1卷积层,1x1卷积层后连接特征融合层,特征融合层将进入3x3卷积层的特征和从1x1卷积层输出的特征融合;标准卷积块包括依次连接的两个3x3卷积层和一个最大池化层,标准卷积块的每个层间通过ReLu激活函数下采样。
在该实施例中,脊椎CT原始图像来自现有脊椎医学图像数据库,由人工手工标注。预处理包括归一化处理和数据扩充处理,归一化处理包括数据正规化、直方图均衡化、伽马值调整和通过形态学滤波增强对比度;数据扩充处理包括旋转处理和添加噪声处理。
进一步,通过具有可分离卷积结构的新型卷积块代替传统的卷积块,减少网络参数和网络模型的计算量;适用于脊椎图像此类精细的图像分割,有利于提高分割精度。且在U-net网络结构上的基础上增加一条第二收缩路径20,补充单条收缩路径分割图像时损失的特征信息,提高分割特征的利用率,强化多条路径间的信息交互;提升分割结果的准确度、精确度、敏感度和特异性。
对于新型卷积块,3x3卷积层是一个瓶颈设计的模块,能减少参数并加快训练过程;3x3卷积层后的通道数减少一半,然后通过点卷积恢复原始通道。两个3x1卷积层和两个1x3卷积层组成双分支结构,每个分支负责提取相应的特征信息,分别处理本地信息和上下文信息;并采用nx1卷积层结合1xn卷积层的方式取代nxn卷积层,使计算复杂度从o(n2)降低至o(n)。另外,用于处理上下文信息的其中一个分支应用扩张卷积,但对于深度非对称的信息除外,以降低计算成本。1x1卷积层,用于恢复通道数并融合所有通道的信息。
参照图4,在一个实施例中,对于改进U-net网络,其网络结构为:第一收缩路径10的每一层对应长连接至扩展路径30的每一层,第二收缩路径20的每一层对应长连接至扩展路径30的每一层。具体地,第一收缩路径10包括五个新型卷积块,分别是A1、A2、A3、A4和A5;第二收缩路径20包括四个标准卷积块,分别是B1、B2、B3和B4;扩展路径30包括四个新型卷积块,分别是C1、C2、C3和C4。A1、A2、A3及A4逐级下采样,并将特征再下采样输出至A5;C1、C2、C3及C4逐级下采样,并将特征再下采样输出至A5。A5将来自A4和C4的特征融合后,上采样输出至C4。A1和B1分别长连接至C1,A2和B2分别长连接至C2,A3和B3分别长连接至C3,A4和B4分别长连接至C4。C4、C3、C2和C1逐级上采样,在C1输出分割结果。需要说明的是,在其他实施例中,A5也可以采用标准卷积层结构。
需要说明的是,长连接是将源卷积块的特征图经裁剪至和对应的目标卷积块的特征图大小相同,然后加入至对应的目标卷积块以补充缺失的特征。
参照图5,在另一个实施例中,对于改进U-net网络,其网络结构为:第一收缩路径10的每一层对应长连接至扩展路径30的每一层,第二收缩路径20的每一层对应长连接至第一收缩路径10的每一层。具体地,第一收缩路径10包括五个新型卷积块,分别是D1、D2、D3、D4和D5;第二收缩路径20包括四个标准卷积块,分别是E1、E2、E3和E4;扩展路径30包括四个新型卷积块,分别是F1、F2、F3和F4。D1、D2、D3及D4逐级下采样,并将特征再下采样输出至D5;E1、E2、E3及E4逐级下采样。E1长连接至D1,E2长连接至D2,E3长连接至D3,E4长连接至D4;D1长连接至F1,D2长连接至F2,D3长连接至F3,D4长连接至F4。D5上采样输出至C4。C4、C3、C2和C1逐级上采样,在C1输出分割结果。
参照图6,在另一个实施例中,改进U-net网络还包括预编码路径40,预编码路径40包括多个依次逐级下采样的标准卷积块;预编码路径40的最后一层标准卷积块分别与第一收缩路径10的第一层新型卷积块以及第二收缩路径20的第一层标准卷积块长连接;促使改进U-net网络提前进入数据压缩阶段。预编码路径40采用标准卷积块的结构,在卷积层和最大池化层的交互操作下,优先对数据进行预编码处理并初步提取特征,强化特征提取能力,提升分割经精度。
另外,在得到脊椎CT图像的分割结果的过程中,使用到的损失函数是二进制交叉熵损失函数,其通过将Sigmoid层和BCELoss层合并,使分割结果在数值上更加稳定;二进制交叉熵损失函数通过运用log-sum-exp技巧,结合对数与求和的计算方式,防止上溢和下溢现象。
表1各类U-net的分割效果对比表
表1是各类U-net的分割效果对比表。从表中可以看出,改进U-net网络1,改进U-net网络2和改进U-net网络3在召回率、相似性系数以及Dice系数这几个评价指标方面均有不同程度的提升,虽然在真阴性率和查准率方面略有损失,但在图像的识别能力上有所提升,分割结果在整体上较传统U-net网络更贴近原始的脊椎CT图像。
改进U-net网络有多种形式;相对比传统的U-net结构,每种形式的改进U-net网络均能体现出通过新型卷积块减少网络参数和网络模型的计算复杂度的特点;适用于脊椎图像此类精细的图像分割,有利于提高分割精度。
参照图7,本发明的另一个实施例,提供了基于改进U-net的脊椎CT图像分割装置,采用如上述的基于改进U-net的脊椎CT图像分割方法,包括:
预处理模,1,用于对输入的脊椎CT原始图像进行预处理;
网络构建模块2,用于构建改进U-net网络;
训练模块3,用于利用脊椎CT原始图像训练改进U-net网络;
测试模块4,用于输入待分割的脊椎CT图像至训练好的改进U-net网络并得到分割结果;
其中,改进U-net网络包括第一收缩路径10、第二收缩路径20和扩展路径30;
第一收缩路径10包括多个依次逐级下采样的新型卷积块;第二收缩路径20包括多个依次逐级下采样的标准卷积块;扩展路径30包括多个依次逐级上采样的新型卷积块;
新型卷积块是在一个3x3卷积层后分别连接两个3x1卷积层,每个3x1卷积层后分别连接一个1x3卷积层,两个1x3卷积层同连接到一个1x1卷积层,1x1卷积层后连接特征融合层,特征融合层将进入3x3卷积层的特征和从1x1卷积层输出的特征融合;标准卷积块包括依次连接的两个3x3卷积层和一个最大池化层,标准卷积块的每个层间通过ReLu激活函数下采样。
在该实施例中,采用改进U-net网络的网络结构,通过具有可分离卷积结构的新型卷积块代替传统的卷积块,减少网络参数和网络模型的计算复杂度;适用于脊椎图像此类精细的图像分割,有利于提高分割精度。且在U-net网络结构上的基础上增加一条第二收缩路径20,补充单条收缩路径分割图像时损失的特征信息,提高分割特征的利用率,强化多条路径间的信息交互;提升分割结果的准确度、精确度、敏感度和特异性。
在另一个实施例中,提供了一种存储介质,存储有可执行指令,可执行指令能使与该存储介质连接的处理器按照上述的基于改进U-net的脊椎CT图像分割方法处理输入的脊椎CT图像,得到分割结果。
以上,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于本发明的保护范围。
Claims (7)
1.基于改进U-net的脊椎CT图像分割方法,其特征在于,包括以下步骤:
对输入的脊椎CT原始图像进行预处理;
构建改进U-net网络;
利用所述脊椎CT原始图像训练所述改进U-net网络;
输入待分割的脊椎CT图像至训练好的所述改进U-net网络并得到分割结果;
其中,所述改进U-net网络包括第一收缩路径、第二收缩路径和扩展路径;
所述第一收缩路径包括多个依次逐级下采样的新型卷积块;所述第二收缩路径包括多个依次逐级下采样的标准卷积块;所述扩展路径包括多个依次逐级上采样的新型卷积块;
所述新型卷积块是在一个3x3卷积层后分别连接两个3x1卷积层,每个3x1卷积层后分别连接一个1x3卷积层,两个1x3卷积层同连接到一个1x1卷积层,1x1卷积层后连接特征融合层,所述特征融合层将进入3x3卷积层的特征和从1x1卷积层输出的特征融合;所述标准卷积块包括依次连接的两个3x3卷积层和一个最大池化层,所述标准卷积块的每个层间通过ReLu激活函数下采样。
2.根据权利要求1所述的基于改进U-net的脊椎CT图像分割方法,其特征在于,所述第一收缩路径的每一层对应长连接至所述扩展路径的每一层,所述第二收缩路径的每一层对应长连接至所述扩展路径的每一层。
3.根据权利要求1所述的基于改进U-net的脊椎CT图像分割方法,其特征在于,所述第一收缩路径的每一层对应长连接至所述扩展路径的每一层,所述第二收缩路径的每一层对应长连接至所述第一收缩路径的每一层。
4.根据权利要求2或3所述的基于改进U-net的脊椎CT图像分割方法,其特征在于,所述改进U-net网络还包括预编码路径,所述预编码路径包括多个依次逐级下采样的所述标准卷积块;所述预编码路径的最后一层标准卷积块分别与所述第一收缩路径的第一层新型卷积块以及所述第二收缩路径的第一层标准卷积块长连接。
5.根据权利要求4所述的基于改进U-net的脊椎CT图像分割方法,其特征在于,所述长连接是将源卷积块的特征图经裁剪后加入至对应的目标卷积块以补充缺失的特征。
6.根据权利要求1所述的基于改进U-net的脊椎CT图像分割方法,其特征在于,所述预处理包括归一化处理和数据扩充处理,所述归一化处理包括数据正规化、直方图均衡化、伽马值调整和通过形态学滤波增强对比度;所述数据扩充处理包括旋转处理和添加噪声处理。
7.基于改进U-net的脊椎CT图像分割装置,采用如权利要求1-6任一项所述的基于改进U-net的脊椎CT图像分割方法,其特征在于,包括:
预处理模块,用于对输入的脊椎CT原始图像进行预处理;
网络构建模块,用于构建改进U-net网络;
训练模块,用于利用所述脊椎CT原始图像训练所述改进U-net网络;
测试模块,用于输入待分割的脊椎CT图像至训练好的所述改进U-net网络并得到分割结果;
其中,所述改进U-net网络包括第一收缩路径、第二收缩路径和扩展路径;
所述第一收缩路径包括多个依次逐级下采样的新型卷积块;所述第二收缩路径包括多个依次逐级下采样的标准卷积块;所述扩展路径包括多个依次逐级上采样的新型卷积块;
所述新型卷积块是在一个3x3卷积层后分别连接两个3x1卷积层,每个3x1卷积层后分别连接一个1x3卷积层,两个1x3卷积层同连接到一个1x1卷积层,1x1卷积层后连接特征融合层,所述特征融合层将进入3x3卷积层的特征和从1x1卷积层输出的特征融合;所述标准卷积块包括依次连接的两个3x3卷积层和一个最大池化层,所述标准卷积块的每个层间通过ReLu激活函数下采样。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910846565.4A CN110738660B (zh) | 2019-09-09 | 2019-09-09 | 基于改进U-net的脊椎CT图像分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910846565.4A CN110738660B (zh) | 2019-09-09 | 2019-09-09 | 基于改进U-net的脊椎CT图像分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738660A true CN110738660A (zh) | 2020-01-31 |
CN110738660B CN110738660B (zh) | 2023-06-16 |
Family
ID=69267499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910846565.4A Active CN110738660B (zh) | 2019-09-09 | 2019-09-09 | 基于改进U-net的脊椎CT图像分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738660B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950612A (zh) * | 2021-03-18 | 2021-06-11 | 西安智诊智能科技有限公司 | 一种基于卷积神经网络的脑肿瘤图像分割方法 |
CN113129321A (zh) * | 2021-04-20 | 2021-07-16 | 重庆邮电大学 | 一种基于全卷积神经网络的涡轮叶片ct图像分割方法 |
CN113221897A (zh) * | 2020-02-06 | 2021-08-06 | 马上消费金融股份有限公司 | 图像矫正方法、图像文本识别方法、身份验证方法及装置 |
CN113781496A (zh) * | 2021-08-06 | 2021-12-10 | 北京天智航医疗科技股份有限公司 | 基于cbct脊椎图像的椎弓根螺钉通道自动规划系统和方法 |
WO2022236876A1 (zh) * | 2021-05-14 | 2022-11-17 | 广州广电运通金融电子股份有限公司 | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493317A (zh) * | 2018-09-25 | 2019-03-19 | 哈尔滨理工大学 | 基于级联卷积神经网络的3d多椎骨分割方法 |
-
2019
- 2019-09-09 CN CN201910846565.4A patent/CN110738660B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493317A (zh) * | 2018-09-25 | 2019-03-19 | 哈尔滨理工大学 | 基于级联卷积神经网络的3d多椎骨分割方法 |
Non-Patent Citations (1)
Title |
---|
潘沛克 等: "基于U-net 模型的全自动鼻咽肿瘤MR图像分割" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221897A (zh) * | 2020-02-06 | 2021-08-06 | 马上消费金融股份有限公司 | 图像矫正方法、图像文本识别方法、身份验证方法及装置 |
CN112950612A (zh) * | 2021-03-18 | 2021-06-11 | 西安智诊智能科技有限公司 | 一种基于卷积神经网络的脑肿瘤图像分割方法 |
CN113129321A (zh) * | 2021-04-20 | 2021-07-16 | 重庆邮电大学 | 一种基于全卷积神经网络的涡轮叶片ct图像分割方法 |
WO2022236876A1 (zh) * | 2021-05-14 | 2022-11-17 | 广州广电运通金融电子股份有限公司 | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 |
CN113781496A (zh) * | 2021-08-06 | 2021-12-10 | 北京天智航医疗科技股份有限公司 | 基于cbct脊椎图像的椎弓根螺钉通道自动规划系统和方法 |
CN113781496B (zh) * | 2021-08-06 | 2024-02-27 | 北京天智航医疗科技股份有限公司 | 基于cbct脊椎图像的椎弓根螺钉通道自动规划系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110738660B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738660A (zh) | 基于改进U-net的脊椎CT图像分割方法及装置 | |
CN109118495B (zh) | 一种视网膜血管分割方法和装置 | |
CN110223304B (zh) | 一种基于多路径聚合的图像分割方法、装置和计算机可读存储介质 | |
CN108664981A (zh) | 显著图像提取方法及装置 | |
CN111340814A (zh) | 一种基于多模态自适应卷积的rgb-d图像语义分割方法 | |
CN110751636B (zh) | 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法 | |
CN110674824A (zh) | 基于R2U-Net的手指静脉分割方法、装置和存储介质 | |
CN113450328B (zh) | 基于改进神经网络的医学图像关键点检测方法及系统 | |
CN112215755B (zh) | 一种基于反投影注意力网络的图像超分辨率重建方法 | |
CN114283158A (zh) | 一种视网膜血管图像分割方法、装置及计算机设备 | |
CN112884788B (zh) | 基于丰富上下文网络的视杯视盘分割方法及成像方法 | |
CN113066025B (zh) | 一种基于增量学习与特征、注意力传递的图像去雾方法 | |
CN111860528B (zh) | 基于改进U-Net网络的图像分割模型及训练方法 | |
CN113610859B (zh) | 一种基于超声图像的甲状腺结节自动分割方法 | |
CN110084238A (zh) | 基于LadderNet网络的指静脉图像分割方法、装置和存储介质 | |
CN115294075A (zh) | 一种基于注意力机制的octa图像视网膜血管分割方法 | |
CN112348830B (zh) | 基于改进3D U-Net的多器官分割方法 | |
CN116049639B (zh) | 脑电图信号的选择性迁移学习方法、装置及存储介质 | |
CN110599495B (zh) | 一种基于语义信息挖掘的图像分割方法 | |
CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN112270366A (zh) | 基于自适应多特征融合的微小目标检测方法 | |
Jian et al. | Dual-Branch-UNet: A Dual-Branch Convolutional Neural Network for Medical Image Segmentation. | |
CN113344933B (zh) | 一种基于多层次特征融合网络的腺体细胞分割方法 | |
WO2021179822A1 (zh) | 人体特征点的检测方法、装置、电子设备以及存储介质 | |
CN113539402A (zh) | 多模态影像自动勾画模型迁移方法 |
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 |