CN110852991A - 一种基于3d结合2d的脊椎骨检测方法 - Google Patents
一种基于3d结合2d的脊椎骨检测方法 Download PDFInfo
- Publication number
- CN110852991A CN110852991A CN201910959396.5A CN201910959396A CN110852991A CN 110852991 A CN110852991 A CN 110852991A CN 201910959396 A CN201910959396 A CN 201910959396A CN 110852991 A CN110852991 A CN 110852991A
- Authority
- CN
- China
- Prior art keywords
- vertebra
- model
- decoding network
- detection method
- heat
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于3D结合2D的脊椎骨检测方法,包括以下步骤:(1)获取CT脊椎影像样本并进行预处理,将预处理后的样本进行专家标注,标注出脊椎骨的中心位置和对应的脊椎骨名称,将标注后的样本分为训练集、验证集和测试集;(2)构建脊椎骨检测模型,所述的脊椎骨检测模型包括3D编码‑解码网络和2D编码‑解码网络;(3)将构建的脊椎骨检测模型在训练集和验证集上进行训练,直到模型收敛;(4)将训练完的模型在测试集下进行测试,通过测试后进行脊椎骨检测的应用。利用本发明,可以大大提高脊椎骨检测的速度和准确率,有助于医生做出更精确的判断。
Description
技术领域
本发明属于医疗图像检测领域,尤其是涉及一种基于3D结合2D的脊椎骨检测方法。
背景技术
脊椎骨是最重要的人体结构之一,脊椎骨的健康关系到人类的生活质量与健康问题。而脊椎骨之间差异不明显,特别是在病变、术后,侧弯,有限的CT视野的脊椎骨影像中,对于脊椎骨的定位是一个复杂的过程。
脊椎骨的相关医疗、诊断多是基于CT影像的(还有X光)。脊椎骨的CT影像拍摄具体操作步骤是:令病人取下具有干扰的金属物体,通过CT扫描仪扫描待检查部位,得到脊椎骨的CT影像。
目前,脊椎骨的定位主要靠医生的经验来完成,而并非所有的医生都有丰富的经验,特别是在许多较小的、民营的医院和康复中心。随着人工智能技术和医疗影像分析的发展,许多机器学习和深度学习的方法都应用于医疗影像的辅助诊断中,帮助医生做出更精确地诊断。
公开号为CN110264504A的中国专利文献公开了一种用于增强现实的三维配准方法,包括:S1、获取脊椎样本的CT影像数据,创建脊椎外表面的三维模型,计算得到脊椎外表面的统计形状模型;S2、在基准部位上放置标志物,获得基准部位的CT影像数据,创建基准部位脊椎外表面的三维模型;根据所述脊椎外表面的统计形状模型计算获得基准部位脊椎的修复数据。
公开号为CN107680134A的中国专利文献公开了一种医学图像中脊椎标定方法,包括获取被检体的医学图像;在所述医学图像中的每节所述脊椎骨上分别确定一个采样点;根据确定的多个所述采样点构建至少一个待测样本;对所述至少一个待测样本分别进行特征提取,得到各个所述待测样本的样本特征;将每个所述待测样本的样本特征分别输入预先训练的脊椎标定回归器,得到各个所述待测样本的标定结果;根据各个所述待测样本的标定结果确定所述被检体的脊椎标定结果。
现有的方法主要对整个脊椎进行位置标定,对具体每个脊椎骨的位置以及名称的确定,需要更高的检测精度,因此,利用人工智能医学影像的处理方式进行脊椎骨的检测,具有重要的意义。
发明内容
为解决现有技术存在的上述问题,本发明提供了一种基于3D结合2D的脊椎骨检测方法,可以大大提高对脊椎骨位置和名称检测的准确率和效率。
本发明的技术方案如下:
一种基于3D结合2D的脊椎骨检测方法,包括以下步骤:
(1)获取CT脊椎影像样本并进行预处理,将预处理后的样本进行专家标注,标注出脊椎骨的中心位置和对应的脊椎骨名称,将标注后的样本分为训练集、验证集和测试集;
(2)构建脊椎骨检测模型,所述的脊椎骨检测模型包括3D编码-解码网络和2D编码-解码网络;
模型的输入为3D的脊椎骨CT原图,通过3D编码-解码网络对脊椎骨进行检测,得到一个初步的热图,再将热图和脊椎骨CT原图都分别映射到矢状面和冠状面,将映射到矢状面和冠状面的热图以及映射到矢状面和冠状面的CT原图送入2D编码-解码网络,调整通过3D编码-解码网络得到的热图的峰值,得到最终的脊椎骨中心位置和名称;
(3)将构建的脊椎骨检测模型在训练集和验证集上进行训练,直到模型收敛;
(4)将训练完的模型在测试集下进行测试,通过测试后进行脊椎骨检测的应用。
本发明主要构建了基于3D结合2D的脊椎骨检测模型;该模型的输入图像为3D的脊椎骨CT图像(包含病变(脊椎侧弯等)和非病变的),通过充分融合3D和2D的信息,实现脊椎骨的检测,有助于通过CT自动确定脊椎骨的位置与名称,从而促进智能脊椎骨检测、定位技术的发展。
由于检查、诊断的目的不同,CT影像不一定包含全部脊椎骨,步骤(1)中,所述的预处理包括对CT脊椎影像进行重采样到1mm。
优选地,所述训练集、验证集和测试集之间的数据比例为7:2:1。
由于人体具有26块脊椎骨,步骤(2)中,所述的热图一共包含26张,分别预测26截脊椎骨的位置。
本发明中,脊椎骨检测模型主要由3D编码-解码网络和2D编码-解码网络组成。所述3D编码-解码网络基于一个卷积编码器-解码器,并增加了侧向连接;所述的侧向连接用于将卷积编码器每个卷积层得到的特征图和对应解码器部分的特征图在通道维度上堆叠。
所述2D编码-解码网络是一个X结构的二维自编码-解码器的改进形式,编码器部分的双头分别用于接受映射到矢状面和冠状面的3D热图;解码器的双头部分分别用于输出2D矢状面热图和冠状面热图。以这种方式进行,能够将矢状面和冠状面的信息进行有效融合,并因此得到最终的具有综合信息的预测热图。
2D编码-解码网络包含两个输入口和两个输出口。两个输入口相同之处在于输入的都是2D图(2D图由3D图通过最大密度映射生成),且包含27张图像(26张映射到矢状面/冠状面的热图和1张映射到矢状面/冠状面的CT原图);不同之处在于两个输入口一个是处理矢状面的,一个是处理冠状面的。最终,2D编码-解码网络的输出口分别是26张2D热图,分别预测26个脊椎骨的位置。
对于最终2D编码-解码网络输出为2D矢状面热图和冠状面热图,利用外乘的方法将两张热图相乘,将相乘后的3D热图的峰值作为最终的脊椎骨位置。
步骤(3)中,所述脊椎骨检测模型通过L2 loss训练,通过优化标注点和预测热图峰值点之间的距离差异来训练模型,直到模型收敛,具体公式如下:
Loss=||ground truth-peak(heat map)||2
其中,ground truth是医生标注的脊椎骨中心点,peak(heat map)指的是在对应的脊椎骨预测热图上的概率峰值,||·||2是L2范数Loss。
与现有技术相比,本发明具有以下有益效果:
本发明采用了在诊断过程中拍摄的病变的脊椎骨CT影像,且训练影像上都有医生专家标注的脊椎骨中心位置和脊椎骨分类。本发明的框架基于3D编码-解码网络和2D的编码-解码网络;首先通过3D编码-解码网络对脊椎骨进行检测,得到一个初步的热图(概率图),再通过2D编码-解码网络细化、调整通过3D编码-解码网络得到的热图的峰值,得到最终的脊椎骨中心和名称,可以大大提高检测的速度和准确率,可以辅助医生做出更精确的判断。
附图说明
图1为本发明一种基于3D结合2D的脊椎骨检测方法的训练流程图;
图2为本发明脊椎骨检测模型中3D编码-解码网络和2D编码-解码网络的结构示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述,需要指出的是,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
步骤1:CT脊椎影像的数据预处理
数据来源:使用CT设备对带有病变的脊椎骨进行影像的拍摄。由于检查、诊断的目的不同,CT影像不一定包含全部脊椎骨。我们使用常规的CT预处理将数据重采样到1mm。同时,对原始的CT影像,交予专家进行标注,标注出脊椎骨的中心位置和对应的脊椎骨名称。将所有样本分为训练集、验证集和测试集,数据比例为7:2:1。
步骤2:脊椎骨检测模型的构建与训练
本发明3D结合2D的脊椎骨检测模型的输入为3D的脊椎骨影像。整体训练流程如图1所示。将一张脊椎骨CT影像先输入3D编码-解码模型,得到3D的脊椎骨检测热图(概率图)。接着,将原始的3D的CT图像映射到矢状面和冠状面,将图像和得到的热图拼接之后,送入2D编码-解码模型。2D编码解码模型通过融合矢状面和冠状面的信息,得到最终的检测结果(预测热图)。
训练时,还会将模型在验证集上进行测试,调整学习率等超参数,使得模型的泛化性能更好;模型最后输出为检测结果,通过取得热图的峰值,作为脊椎骨中心。利用不同的热图进行脊椎骨分类。
具体脊椎骨检测模型中3D编码-解码网络和2D编码-解码网络的结构和模型参数如图2所示。3D编码-解码网络在简单的自编码-解码的网络的基础上,加上了侧向连接。侧向连接参考了残差学习的策略,将下采样的信息和上采样信息组合,增加模型的学习内容。侧向连接的操作是:将卷积编码器每个卷积层得到的特征图和对应解码器部分的特征图在通道维度上堆叠。
由于人体具有26块脊椎骨,3D热图一共包含26张,分别预测26截脊椎骨的位置。对于每一张3D脊椎骨热图,将其映射到矢状面和冠状面,分别输入2D编码-解码网络的两个输入中。
2D编码-解码网络的结构如图2后半部分所示,包含两个输入口和两个输出口,其中,侧向连接的方法和3D部分类似,都是通过特征图堆叠实现的。两个输入口相同之处在于输入的都是2D图,且包含27张图像(26张映射到矢状面/冠状面的热图和1张映射到矢状面/冠状面的CT原图);不同之处在于两个输入口一个是处理矢状面的,一个是处理冠状面的。最终,2D编码-解码网络的输出口分别是26张2D热图,分别预测26个脊椎骨的位置。2D网络的结构是X形的(如图2后半部分所示),分别除了两个输入口和两个输出口以外,中间的模型参数是共用的。以这种方式进行,能够将矢状面和冠状面的信息进行有效融合,并因此得到最终的具有综合信息的预测热图。
脊椎骨检测模型的具体的细节(每个层的链接方法)及其具体的通道数量如图2所示。
脊椎骨检测模型通过L2 loss训练,通过优化标注点和预测热图峰值点之间的距离差异来训练模型,直到模型收敛,具体公式为:
Loss=||ground truth-peak(heat map)||2
步骤3:脊椎骨位置预测
对于最终模型出口(来自2D网络)的矢状面和冠状面热图,利用外乘的方法将两张热图(概率图)相乘,将相乘后的3D热图的峰值作为最终的脊椎骨位置。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的具体实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于3D结合2D的脊椎骨检测方法,其特征在于,包括以下步骤:
(1)获取CT脊椎影像样本并进行预处理,将预处理后的样本进行专家标注,标注出脊椎骨的中心位置和对应的脊椎骨名称,将标注后的样本分为训练集、验证集和测试集;
(2)构建脊椎骨检测模型,所述的脊椎骨检测模型包括3D编码-解码网络和2D编码-解码网络;
模型的输入为3D的脊椎骨CT原图,通过3D编码-解码网络对脊椎骨进行检测,得到一个初步的热图,再将热图和脊椎骨CT原图都分别映射到矢状面和冠状面,将映射到矢状面和冠状面的热图以及映射到矢状面和冠状面的CT原图送入2D编码-解码网络,调整通过3D编码-解码网络得到的热图的峰值,得到最终的脊椎骨中心位置和名称;
(3)将构建的脊椎骨检测模型在训练集和验证集上进行训练,直到模型收敛;
(4)将训练完的模型在测试集下进行测试,通过测试后进行脊椎骨检测的应用。
2.根据权利要求1所述的基于3D结合2D的脊椎骨检测方法,其特征在于,步骤(1)中,所述的预处理包括对CT脊椎影像进行重采样到1mm。
3.根据权利要求1所述的基于3D结合2D的脊椎骨检测方法,其特征在于,步骤(1)中,所述训练集、验证集和测试集之间的数据比例为7:2:1。
4.根据权利要求1所述的基于3D结合2D的脊椎骨检测方法,其特征在于,步骤(2)中,所述的热图一共包含26张,分别预测26截脊椎骨的位置。
5.根据权利要求1所述的基于3D结合2D的脊椎骨检测方法,其特征在于,步骤(2)中,所述3D编码-解码网络基于一个卷积编码器-解码器,并增加了侧向连接;所述的侧向连接用于将卷积编码器每个卷积层得到的特征图和对应解码器部分的特征图在通道维度上堆叠。
6.根据权利要求4所述的基于3D结合2D的脊椎骨检测方法,其特征在于,步骤(2)中,所述2D编码-解码网络是一个X结构的二维自编码-解码器的改进形式,编码器部分的双头分别用于接受映射到矢状面和冠状面的3D热图;解码器的双头部分分别用于输出2D矢状面热图和冠状面热图。
7.根据权利要求1所述的基于3D结合2D的脊椎骨检测方法,其特征在于,步骤(2)中,所述的2D编码-解码网络输出为2D矢状面热图和冠状面热图,并利用外乘的方法将两张热图相乘,将相乘后的3D热图的峰值作为最终的脊椎骨位置。
8.根据权利要求1所述的基于3D结合2D的脊椎骨检测方法,其特征在于,步骤(3)中,所述脊椎骨检测模型通过L2 loss训练,通过优化标注点和预测热图峰值点之间的距离差异来训练模型,直到模型收敛,具体公式如下:
Loss=||ground truth-peak(heat map)||2
其中,ground truth是医生标注的脊椎骨中心点,peak(heat map)指的是在对应的脊椎骨预测热图上的概率峰值,||·||2是L2范数Loss。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910959396.5A CN110852991B (zh) | 2019-10-10 | 2019-10-10 | 一种基于3d结合2d的脊椎骨检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910959396.5A CN110852991B (zh) | 2019-10-10 | 2019-10-10 | 一种基于3d结合2d的脊椎骨检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110852991A true CN110852991A (zh) | 2020-02-28 |
CN110852991B CN110852991B (zh) | 2022-08-09 |
Family
ID=69597122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910959396.5A Active CN110852991B (zh) | 2019-10-10 | 2019-10-10 | 一种基于3d结合2d的脊椎骨检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852991B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932533A (zh) * | 2020-09-22 | 2020-11-13 | 平安科技(深圳)有限公司 | Ct图像椎骨定位方法、装置、设备及介质 |
CN113034495A (zh) * | 2021-04-21 | 2021-06-25 | 上海交通大学 | 一种脊柱影像分割方法、介质及电子设备 |
CN113487591A (zh) * | 2021-07-22 | 2021-10-08 | 上海嘉奥信息科技发展有限公司 | 一种基于ct的整条脊柱的分割方法、系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110268316A1 (en) * | 2010-04-29 | 2011-11-03 | Microsoft Corporation | Multiple centroid condensation of probability distribution clouds |
CN107680134A (zh) * | 2017-09-29 | 2018-02-09 | 沈阳东软医疗系统有限公司 | 医学图像中脊椎标定方法、装置及设备 |
CN107977971A (zh) * | 2017-11-09 | 2018-05-01 | 哈尔滨理工大学 | 基于卷积神经网络的椎骨定位的方法 |
CN108230301A (zh) * | 2017-12-12 | 2018-06-29 | 哈尔滨理工大学 | 一种基于主动轮廓模型的脊柱ct图像自动定位分割方法 |
CN108846830A (zh) * | 2018-05-25 | 2018-11-20 | 妙智科技(深圳)有限公司 | 对ct中腰椎自动定位的方法、装置以及存储介质 |
CN109829880A (zh) * | 2018-12-07 | 2019-05-31 | 清影医疗科技(深圳)有限公司 | 一种基于深度学习的ct图像检测方法、装置和控制设备 |
CN109919903A (zh) * | 2018-12-28 | 2019-06-21 | 上海联影智能医疗科技有限公司 | 一种脊椎检测定位标记方法、系统及电子设备 |
CN110310281A (zh) * | 2019-07-10 | 2019-10-08 | 重庆邮电大学 | 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法 |
-
2019
- 2019-10-10 CN CN201910959396.5A patent/CN110852991B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110268316A1 (en) * | 2010-04-29 | 2011-11-03 | Microsoft Corporation | Multiple centroid condensation of probability distribution clouds |
CN107680134A (zh) * | 2017-09-29 | 2018-02-09 | 沈阳东软医疗系统有限公司 | 医学图像中脊椎标定方法、装置及设备 |
CN107977971A (zh) * | 2017-11-09 | 2018-05-01 | 哈尔滨理工大学 | 基于卷积神经网络的椎骨定位的方法 |
CN108230301A (zh) * | 2017-12-12 | 2018-06-29 | 哈尔滨理工大学 | 一种基于主动轮廓模型的脊柱ct图像自动定位分割方法 |
CN108846830A (zh) * | 2018-05-25 | 2018-11-20 | 妙智科技(深圳)有限公司 | 对ct中腰椎自动定位的方法、装置以及存储介质 |
CN109829880A (zh) * | 2018-12-07 | 2019-05-31 | 清影医疗科技(深圳)有限公司 | 一种基于深度学习的ct图像检测方法、装置和控制设备 |
CN109919903A (zh) * | 2018-12-28 | 2019-06-21 | 上海联影智能医疗科技有限公司 | 一种脊椎检测定位标记方法、系统及电子设备 |
CN110310281A (zh) * | 2019-07-10 | 2019-10-08 | 重庆邮电大学 | 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法 |
Non-Patent Citations (3)
Title |
---|
ANJANY SEKUBOYINA 等: "Btrfly Net: Vertebrae Labelling with Energy-Based Adversarial Learning of Local Spine Prior", 《SPRINGER LINK》 * |
DONG YANG 等: "Deep Image-to-Image Recurrent Network with Shape Basis Learning for Automatic Vertebra Labeling in Large-Scale 3D CT Volumes", 《SPRINGER LINK》 * |
王玉等: "CT影像中一种基于知识的脊髓自动提取方法", 《仪器仪表学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932533A (zh) * | 2020-09-22 | 2020-11-13 | 平安科技(深圳)有限公司 | Ct图像椎骨定位方法、装置、设备及介质 |
CN111932533B (zh) * | 2020-09-22 | 2021-04-27 | 平安科技(深圳)有限公司 | Ct图像椎骨定位方法、装置、设备及介质 |
WO2021189843A1 (zh) * | 2020-09-22 | 2021-09-30 | 平安科技(深圳)有限公司 | Ct图像椎骨定位方法、装置、设备及介质 |
CN113034495A (zh) * | 2021-04-21 | 2021-06-25 | 上海交通大学 | 一种脊柱影像分割方法、介质及电子设备 |
CN113034495B (zh) * | 2021-04-21 | 2022-05-06 | 上海交通大学 | 一种脊柱影像分割方法、介质及电子设备 |
CN113487591A (zh) * | 2021-07-22 | 2021-10-08 | 上海嘉奥信息科技发展有限公司 | 一种基于ct的整条脊柱的分割方法、系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110852991B (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852991B (zh) | 一种基于3d结合2d的脊椎骨检测方法 | |
CN108629816A (zh) | 基于深度学习进行薄层磁共振图像重建的方法 | |
CN111047605B (zh) | 一种脊椎ct分割网络模型的构建方法及分割方法 | |
CN109255354B (zh) | 面向医用ct的计算机图像处理方法和装置 | |
CN113496495B (zh) | 可缺失输入的医学图像分割模型建立方法及分割方法 | |
CN113393469A (zh) | 基于循环残差卷积神经网络的医学图像分割方法和装置 | |
CN112465754A (zh) | 基于分层感知融合的3d医疗图像分割方法、装置及存储介质 | |
CN114305473A (zh) | 基于腹部ct图像和深度学习的身体成分自动测量系统 | |
CN112465771B (zh) | 脊柱核磁共振图像的分析方法、装置和计算机设备 | |
CN112635067A (zh) | 基于深度学习的核素骨显像中骨转移瘤的诊断方法 | |
CN112200810A (zh) | 多模态的自动化脑室分割系统及其使用方法 | |
CN116152235A (zh) | 一种肺癌ct到pet的医学图像跨模态合成方法 | |
CN116958094A (zh) | 一种动态增强磁共振影像特征生成病理图像特征的方法 | |
CN116188443A (zh) | 一种基于轴状位医学影像的腰椎间盘突出分型系统 | |
CN115409812A (zh) | 一种基于融合时间注意机制的ct图像自动分类方法 | |
CN115294023A (zh) | 肝脏肿瘤自动分割方法及装置 | |
CN115526898A (zh) | 一种医学影像分割方法 | |
CN112967379A (zh) | 一种基于感知一致生成对抗网络的三维医学图像重建方法 | |
Liu et al. | Pool-UNet: Ischemic Stroke Segmentation from CT Perfusion Scans Using Poolformer UNet | |
Wang et al. | Method for Automatic mandibular canal detection on improved U-Ne | |
Li et al. | A geometric alignment for human temporal bone CT images via lateral semicircular canals segmentation | |
CN117351489B (zh) | 面向全身pet/ct扫描的头颈肿瘤靶区的勾画系统 | |
US11449995B2 (en) | Method of providing diagnosis assistance information and method of performing the same | |
CN118154496A (zh) | 用于脊柱超声图像的自动标注方法和装置 | |
CN114004822A (zh) | 基于深度学习的皮肤病变识别网络的构建方法 |
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 |