CN110874842B - 一种基于级联残差全卷积网络的胸腔多器官分割方法 - Google Patents

一种基于级联残差全卷积网络的胸腔多器官分割方法 Download PDF

Info

Publication number
CN110874842B
CN110874842B CN201910959385.7A CN201910959385A CN110874842B CN 110874842 B CN110874842 B CN 110874842B CN 201910959385 A CN201910959385 A CN 201910959385A CN 110874842 B CN110874842 B CN 110874842B
Authority
CN
China
Prior art keywords
segmentation
organ
stage
network
model
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
CN201910959385.7A
Other languages
English (en)
Other versions
CN110874842A (zh
Inventor
吴健
雷璧闻
应豪超
余柏翰
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910959385.7A priority Critical patent/CN110874842B/zh
Publication of CN110874842A publication Critical patent/CN110874842A/zh
Application granted granted Critical
Publication of CN110874842B publication Critical patent/CN110874842B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G06T3/4007—Interpolation-based scaling, e.g. bilinear interpolation
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping

Abstract

本发明公开了一种基于级联残差全卷积网络的胸腔多器官分割方法，先用粗分割模型对各个器官进行一个粗略的分割，作用是定位各个器官的范围，然后，利用各个器官的单独细分割模型，对粗分割定位的区域，进行精细化的分割，得到各个器官的精细化分割结果，最后将结果合并，得到最终的多器官分割结果，分割结果保留了更多的细节。本发明在u‑net的基础上进行改进，将残差连接以及特征维度的注意力机制引入u‑net中的下采样模块，使得网络更易训练，且具有自动特征选择的能力。另外，我们引入了级联的策略，使用分阶段的分割网络，从而得到实现对胸腔CT多器官的快速，精准分割。

Description

一种基于级联残差全卷积网络的胸腔多器官分割方法
技术领域
本发明属于医疗CT影像处理领域，尤其是涉及一种基于级联残差全卷积网络的胸腔多器官分割方法。
背景技术
放射疗法是治疗肺癌和食管癌的常见选择。在放射治疗计划期间，医生将手动划定目标肿瘤和附近的器官(称为危险器官OARs)，这通常很耗时，并且会受到较大的主观差异的困扰。更糟糕的是，由于CT扫描中位置和轮廓的变化较大，尺寸较小且对比度较低，因此某些器官(例如食道和气管)的描绘非常困难。
CT是在疾病诊断最常用的探查方式，其用X射线束对人体某部一定厚度的层面进行扫描，由探测器接收透过该层面的X射线，转变为可见光后，由光电转换变为电信号，再经模拟/数字转换器(analog/digitalconverter)转为数字，输入计算机处理。胸部CT中包含了较多的器官，包括肺、心脏、食管、气管、脊髓等，其中食管、气管等器官由于其比较细长，且在CT图像中，与周围物质的对比度较低，很难进行勾画。因此，如何识别各个器官所在的位置，且对各个器官进行精细化的描绘是进行胸腔多器官分割的关键问题。
近年来，深度学习方法在影响处理领域取得了巨大的成就，这也为使用深度学习技术辅助医生进行器官的描绘、勾画提供了可能。许多基于深度学习的模型在医疗图像分割中取得了成功，u-net是其中的一个非常流行的框架，其使用编码-解码的结构，并在下采样和上采样层之间使用跳跃连接来将上采样之后的高维特征和地位特征进行融合，得到最终的输出。另外，v-net和3d u-net是也是医疗图像分割常用的两个框架，两者都是在u-net的基础上进行变化的，主要是将u-net中的2d卷积层变成了3d卷积层，使其适用于3d图像分割。
基于深度学习的多器官分割领域中，通常包含两种类型的方法。一种是基于2d模型的方法，这种方法将3d的CT图像切割成2d图像，并使用2d分割网络，比如u-net进行分割，并将得到的多个2d分割结果进行叠加，得到3d的分割结果，这种方法的优点在于能够对每一层图像进行精准的分割，学习到更多的细节信息，但是，其无法学习另一个维度的空间信息，空间连续性较差。另一种方法是基于3d模型的方法，这种方法直接将CT图像输入3d分割网络，比如v-net，3d u-net等，并直接输出3d分割结果，这种方法的优点在于能够考虑到层与层之间的关联，但是，3d网络计算量过大，容易受硬件能力的限制。
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级联残差全卷积网络的胸腔多器官分割方法，能够更精细化的分割各个器官，同时模型的训练过程更加平稳。
本发明的技术方案如下：
一种基于级联残差全卷积网络的胸腔多器官分割方法，包括粗分割阶段和细分割阶段，具体包括以下步骤：
(1)获取原始的胸腔CT图像，设置窗位窗宽，并将其按照横断面切割，形成多张2d图片，作为粗分割阶段数据集；
(2)搭建级联的残差全卷积分割网络，该分割网络以U-Net为基本骨架，采用四个下采样模块和四个上采样模块；对于其中的下采样模块，加入注意力机制；对于上采样模块，将低层特征和高层特征进行叠加、融合，并进行上采样；
粗分割阶段和细分割阶段都使用该分割网络进行分割，但两者不共享权重，且输出通道数量不同；
(3)将粗分割阶段数据集中2d图片的像素值进行标准化后，输入粗分割阶段的分割网络进行分割操作，得到2d分割结果，并将每个CT图像的所有切片的2d分割结果叠加，得到每个CT图像的3d分割结果；根据分割结果定位每个器官，保存每个器官的坐标范围；
(4)根据各个器官的坐标范围，用长方体将每个器官从原始CT图像中裁剪出来，得到各个器官的子数据集，再设置不同的窗位窗宽，将这些器官的3d图像按照横断面进行切割，形成细分割阶段各器官的数据集；
(5)利用粗分割阶段数据集和细分割阶段数据集训练粗分割阶段和细分割阶段的分割模型，直到模型收敛；
其中，粗分割阶段采用一个分割模型同时对每个器官进行分割，细分割阶段中每个器官单独使用一个分割模型；细分割阶段对于每个器官得到的2d分割图像进行叠加得到3d分割图像，并根据各个器官的坐标范围，将各个器官的结果进行合并，得到最后的分割结果；
(6)模型训练完毕后，根据粗分割阶段数据集和细分割阶段数据集的获取方法，分别对待分割的胸腔CT图像进行处理并输入训练好的分割模型中，得到分割结果。
本发明主要利用级联的全卷积神经网络，对原始胸腔CT进行处理，将胸腔CT经过预处理，转化为2d图像，首先通过第一阶段的粗分割模型，确定每个器官的位置，将其从原始CT中裁剪出来，再利用第二阶段的细分割模型，对每个器官进行单独的、精细的分割，从而得到胸腔多器官的自动化分割结果。
步骤(1)中，所述的窗位窗宽可以设置为窗位-500，窗宽1800。该阶段使用的CT窗位窗宽并不是一个恒定的值，可根据需要分割的器官进行调整。
步骤(2)中，所述的下采样模块的结构为：
首先使用一个最大池化maxpooling模块对输入进行两倍下采样；然后经过两层卷积进行特征的学习；而后引出一个旁路作为注意力机制，用于学习特征的选择、提取，注意力机制学习到一个注意力向量，用于对特征进行加权；最后，将加权后的特征和最大池化maxpooling模块后的残差输出进行加和得到注意力-残差模块的输出。
四个上采样模块中，对于最后三个上采样模块的输出，使用标签对其进行监督，根据损失函数计算其损失，并将其加入最后模型的总损失中去；将最后一个上采样层的输出，输入一个滤波器尺寸为1*1，滑动步长为1*1的卷积层，用于特征维度的变换；将卷积之后的特征图，经过一个softmax层，得到最终的概率输出。
本发明中，所述下采样模块中的注意力机制包括残差连接和特征维度的至少一种，即下采样模块不一定是同时包含残差连接和特征维度的注意力机制，可以只包含其中的一种或者另外一种。
所述上采样模块可以使用双线性插值或反卷积作为上采样操作。
步骤(3)中，所述器官包括但不限于肺、心脏、食管、气管、脊髓中的一种或多种。待分割的器官，并不是只包含肺、心脏、食管、气管、脊髓这几个器官，而是可以根据实际需求进行增加或者减少。
当需要分割的器官为肺、心脏、食管、气管、脊髓这五种时，优选的，分别设置相应的窗位窗宽：(-500,1800),(30,350),(-440,1180),(85,324),(0,600)。
步骤(5)中，在训练模型时，使用Dice Loss函数计算当前模型的损失；运用得到的损失，利用SGD算法不断更新模型的参数，直至模型收敛。
步骤(6)中，进行分割的具体过程为：将待分割的胸腔CT图像先按步骤(1)处理得到的粗分割阶段的2d横断面图片，输入步骤(5)中收敛的粗分割阶段残差全卷积网络，得到粗分割结果；再根据粗分割结果，按照步骤(4)处理得到各个器官的2d横断面图片，输入步骤(5)中收敛的细分割阶段的残差全卷积网络，得到细分割结果；最终，将各个器官对应模型的2d细分割结果，叠加合并起来，得到3d的分割结果。
与现有技术相比，本发明具有以下有益效果：
1、本发明的分割方法先用粗分割模型对各个器官进行一个粗略的分割，作用是定位各个器官的范围，然后，利用各个器官的单独细分割模型，对粗分割定位的区域，进行精细化的分割，得到各个器官的精细化分割结果，最后将结果合并，得到最终的多器官分割结果，分割结果保留了更多的细节。
2、本发明使用改进了的u-net作为分割模型，将u-net的下采样模块中加入残差连接和特征维度上的注意力机制，这两个改变一方面能够使得训练过程更加平稳；另一方面能够使模型进行自动的特征选择，达到更好的训练效果。
3、本发明引入了级联的策略，使用分阶段的分割网络，从而得到实现对胸腔CT多器官的快速，精准分割。
附图说明
图1为本发明实施例中分割网络的逻辑结构图；
图2为本发明实施例中分割网络的下采样模块图；
图3为本发明实施例中分割网络的上采样模块图。
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。
本发明具体实施方式中以胸腔CT的多器官分割为例进行阐述，但本发明并不受限于此，该领域技术人员在本发明核心指导思想下做出的非本质改进和调整，仍然属于本发明的保护范围。
步骤1：粗分割阶段的数据预处理
本文使用的是胸腔CT图像，为了去除目标过多的杂质干扰并且提高器官与背景的对比度，在粗分割阶段，我们将CT值的范围进行截断，设置其窗位为-500，窗宽为1800，并将其映射到0-255。而后，我们将CT按照横断面，切割成多个2d图片。最后，我们对于每个2d图片的像素值进行标准化，输入级联的残差全连接分割网络进行分割操作。
步骤2：粗分割阶段的模型预测及结果处理
对于步骤1预处理后的每张2d图片，我们将其输入级联的残差全连接分割网络进行分割操作，得到2d分割结果，而后，将一个CT的所有切片的2d分割结果叠起来，即得到了整个CT的3d分割结果。最后，根据分割结果定位每个器官，保存每个器官的坐标范围，用于第二阶段细分割的数据处理。
步骤3：细分割阶段的数据预处理
第二阶段的细分割，我们利用步骤2中得到的各个器官的坐标范围，用长方体将每个器官从原始CT中裁剪出来。在本实例中，包括肺、心脏、食管、气管、脊髓五个器官，即我们可以得到五个子数据集，数据集和各个器官相对应，而后我们对各个器官的CT数据使用不同的窗位窗宽，分别为：(-500,1800),(30,350),(-440,1180),(85,324),(0,600)。最后，我们使用步骤一中同样的方式，将CT切割成2d图片用于后面的模型输入。
步骤4：细分割阶段的模型预测及结果处理
和步骤2一样，细分割阶段使用前一步骤中得到的2d图像作为输入，得到2d输出结果，并将输出结果叠起来得到3d分割结果。不同的是，粗分割阶段是使用一个模型同时对5个器官进行分割，而在细分割阶段是分别使用5个模型对5个器官进行分割。另外，对于每个器官得到的3d分割图像，我们需要根据步骤2保存的各个器官的范围，将其放回到原始CT空间中去，即将各个器官的结果进行合并，得到最后的分割结果。
步骤5：模型构建与训练
本发明采用的模型是基于u-net进行改进的带有注意力机制的残差全卷积神经网络，本发明称其为SE-ResUnet，其总体结构如图1所示。和u-net一样使用的是编码器-解码器的结构，使用四个下采样模块和四个上采样模块得到图像的分割结果。不同的是，我们在下采样模块中引入了残差连接以及特征维度的注意力机制，如图2所示。下面，我们分别具体介绍一下本发明模型中的下采样模块和上采样模块。
本发明的下采样模块，可以称其为注意力-残差模块Se-Res Block。如图3所示，首先使用一个最大池化maxpooling模块对输入进行两倍下采样，然后经过两层卷积进行特征的学习，而后引出一个旁路作为注意力机制，用于学习特征的选择、提取，注意力机制学习到一个注意力向量，用于对特征进行加权。最后，将加权后的特征和最大池化maxpooling模块后的残差输出进行加和得到注意力-残差模块Se-Res Block的输出。
本发明的上采样模块，和u-net中的上采样模块保持一致，使用双线性插值对注意力-残差模块Se-ResBlock的输出进行上采样，并将其与下层的上采样模块得到的特征进行叠加，最后通过两个卷积层得到输出。
上述是网络模型的结构，我们使用带有标签的视频数据训练该网络模型，将网络预测的概率值与标签值进行对比，运用Binary Cross Entropy Loss计算两者之间的差异，然后对loss进行反向传递，得到模型中的参数的梯度，然后使用SGD优化器对参数进行优化。进行一定次数的迭代之后将模型训练至收敛，并将模型参数保存用于预测。
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)

1.一种基于级联残差全卷积网络的胸腔多器官分割方法，其特征在于，包括粗分割阶段和细分割阶段，具体包括以下步骤：
(1)获取原始的胸腔CT图像，设置窗位窗宽，并将其按照横断面切割，形成多张2d图片，作为粗分割阶段数据集；
(2)搭建级联的残差全卷积分割网络，该分割网络以U-Net为基本骨架，采用四个下采样模块和四个上采样模块；对于其中的下采样模块，加入注意力机制；对于上采样模块，将低层特征和高层特征进行叠加、融合，并进行上采样；
粗分割阶段和细分割阶段都使用该分割网络进行分割，但两者不共享权重，且输出通道数量不同；
(3)将粗分割阶段数据集中2d图片的像素值进行标准化后，输入粗分割阶段的分割网络进行分割操作，得到2d分割结果，并将每个CT图像的所有切片的2d分割结果叠加，得到每个CT图像的3d分割结果；根据分割结果定位每个器官，保存每个器官的坐标范围；
(4)根据各个器官的坐标范围，用长方体将每个器官从原始CT图像中裁剪出来，得到各个器官的子数据集，再设置不同的窗位窗宽，将这些器官的3d图像按照横断面进行切割，形成细分割阶段各器官的数据集；
(5)利用粗分割阶段数据集和细分割阶段数据集训练粗分割阶段和细分割阶段的分割模型，直到模型收敛；
其中，粗分割阶段采用一个分割模型同时对每个器官进行分割，细分割阶段中每个器官单独使用一个分割模型；细分割阶段对于每个器官得到的2d分割图像进行叠加得到3d分割图像，并根据各个器官的坐标范围，将各个器官的结果进行合并，得到最后的分割结果；
(6)模型训练完毕后，根据粗分割阶段数据集和细分割阶段数据集的获取方法，分别对待分割的胸腔CT图像进行处理并输入训练好的分割模型中，得到分割结果。
2.根据权利要求1所述的基于级联残差全卷积网络的胸腔多器官分割方法，其特征在于，步骤(1)中，所述的窗位窗宽设置为窗位-500，窗宽1800。
3.根据权利要求1所述的基于级联残差全卷积网络的胸腔多器官分割方法，其特征在于，步骤(2)中，所述的下采样模块的结构为：
首先使用一个最大池化模块对输入进行两倍下采样；然后经过两层卷积进行特征的学习；而后引出一个旁路作为注意力机制，用于学习特征的选择、提取，注意力机制学习到一个注意力向量，用于对特征进行加权；最后，将加权后的特征和最大池化模块后的残差输出进行加和得到注意力-残差模块的输出。
4.根据权利要求1所述的基于级联残差全卷积网络的胸腔多器官分割方法，其特征在于，步骤(2)中，四个上采样模块中，对于最后三个上采样模块的输出，使用标签对其进行监督，根据损失函数计算其损失，并将其加入最后模型的总损失中去；将最后一个上采样层的输出，输入一个滤波器尺寸为1*1，滑动步长为1*1的卷积层，用于特征维度的变换；将卷积之后的特征图，经过一个softmax层，得到最终的概率输出。
5.根据权利要求1所述的基于级联残差全卷积网络的胸腔多器官分割方法，其特征在于，步骤(2)中，所述下采样模块中的注意力机制包括残差连接和特征维度的至少一种。
6.根据权利要求1所述的基于级联残差全卷积网络的胸腔多器官分割方法，其特征在于，步骤(2)中，所述上采样模块使用双线性插值或反卷积作为上采样操作。
7.根据权利要求1所述的基于级联残差全卷积网络的胸腔多器官分割方法，其特征在于，步骤(3)中，所述器官包括但不限于肺、心脏、食管、气管、脊髓中的一种或多种。
8.根据权利要求1所述的基于级联残差全卷积网络的胸腔多器官分割方法，其特征在于，步骤(5)中，在训练模型时，使用Dice Loss函数计算当前模型的损失；运用得到的损失，利用SGD算法不断更新模型的参数，直至模型收敛。
CN201910959385.7A 2019-10-10 2019-10-10 一种基于级联残差全卷积网络的胸腔多器官分割方法 Active CN110874842B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910959385.7A CN110874842B (zh) 2019-10-10 2019-10-10 一种基于级联残差全卷积网络的胸腔多器官分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910959385.7A CN110874842B (zh) 2019-10-10 2019-10-10 一种基于级联残差全卷积网络的胸腔多器官分割方法

Publications (2)

Publication Number Publication Date
CN110874842A CN110874842A (zh) 2020-03-10
CN110874842B true CN110874842B (zh) 2022-04-29

Family

ID=69717788

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910959385.7A Active CN110874842B (zh) 2019-10-10 2019-10-10 一种基于级联残差全卷积网络的胸腔多器官分割方法

Country Status (1)

Country Link
CN (1) CN110874842B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111445478B (zh) * 2020-03-18 2023-09-08 吉林大学 一种用于cta图像的颅内动脉瘤区域自动检测系统和检测方法
CN111462071B (zh) * 2020-03-30 2023-08-04 浙江核睿医疗科技有限公司 一种图像处理方法和系统
CN111487573B (zh) * 2020-05-18 2021-03-23 厦门大学 一种用于磁共振欠采样成像的强化型残差级联网络模型
CN112132777A (zh) * 2020-08-11 2020-12-25 浙江工业大学 一种基于多分辨率感知学习的中心静脉导管分割和尖端定位方法
CN112116989A (zh) * 2020-09-11 2020-12-22 海创时代(深圳)医疗科技有限公司 一种多器官勾画方法及装置
CN112164074B (zh) * 2020-09-22 2021-08-10 江南大学 一种基于深度学习的3d ct床快速分割方法
CN112465827B (zh) * 2020-12-09 2022-07-26 北京航空航天大学 一种基于逐类卷积操作的轮廓感知多器官分割网络构建方法
CN112634284B (zh) * 2020-12-22 2022-03-25 上海体素信息科技有限公司 基于权重图损失的分阶段神经网络ct器官分割方法及系统
CN113487622B (zh) * 2021-05-25 2023-10-31 中国科学院自动化研究所 头颈部器官影像分割方法、装置、电子设备和存储介质
CN113436173B (zh) * 2021-06-30 2023-06-27 陕西大智慧医疗科技股份有限公司 基于边缘感知的腹部多器官分割建模、分割方法及系统
CN113743450A (zh) * 2021-07-20 2021-12-03 浙江工业大学 一种基于非局部特征融合的高光谱图像分割方法
CN113808146B (zh) * 2021-10-18 2023-08-18 山东大学 一种医学图像多器官分割方法及系统
CN114049339B (zh) * 2021-11-22 2023-05-12 江苏科技大学 一种基于卷积神经网络的胎儿小脑超声图像分割方法
CN116109605B (zh) * 2023-02-13 2024-04-02 北京医智影科技有限公司 医学影像肿瘤分割系统、训练集构建方法和模型训练方法
CN116152278B (zh) * 2023-04-17 2023-07-21 杭州堃博生物科技有限公司 医疗图像的分割方法及装置、非易失性存储介质
CN116452614B (zh) * 2023-06-15 2023-09-01 北京大学 基于深度学习的超声图像分割方法和系统
CN117649418B (zh) * 2024-01-30 2024-04-19 神州医疗科技股份有限公司 一种胸部多器官分割方法及系统和计算机可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3355273A1 (en) * 2017-01-31 2018-08-01 Siemens Healthcare GmbH Coarse orientation detection in image data
CN108447062A (zh) * 2018-02-01 2018-08-24 浙江大学 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法
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
CN109598728A (zh) * 2018-11-30 2019-04-09 腾讯科技（深圳）有限公司 图像分割方法、装置、诊断系统及存储介质
CN109741343A (zh) * 2018-12-28 2019-05-10 浙江工业大学 一种基于3D-Unet和图论分割的T1WI-fMRI图像肿瘤协同分割方法
CN110232691A (zh) * 2019-04-18 2019-09-13 浙江大学山东工业技术研究院 一种多模态的ct影像的分割方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10783640B2 (en) * 2017-10-30 2020-09-22 Beijing Keya Medical Technology Co., Ltd. Systems and methods for image segmentation using a scalable and compact convolutional neural network
US20190205700A1 (en) * 2017-12-29 2019-07-04 Uber Technologies, Inc. Multiscale analysis of areas of interest in an image

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3355273A1 (en) * 2017-01-31 2018-08-01 Siemens Healthcare GmbH Coarse orientation detection in image data
CN108447062A (zh) * 2018-02-01 2018-08-24 浙江大学 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法
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
CN109598728A (zh) * 2018-11-30 2019-04-09 腾讯科技（深圳）有限公司 图像分割方法、装置、诊断系统及存储介质
CN109741343A (zh) * 2018-12-28 2019-05-10 浙江工业大学 一种基于3D-Unet和图论分割的T1WI-fMRI图像肿瘤协同分割方法
CN110232691A (zh) * 2019-04-18 2019-09-13 浙江大学山东工业技术研究院 一种多模态的ct影像的分割方法

Also Published As

Publication number Publication date
CN110874842A (zh) 2020-03-10

Similar Documents

Publication Publication Date Title
CN110874842B (zh) 一种基于级联残差全卷积网络的胸腔多器官分割方法
CN113012172B (zh) 一种基于AS-UNet的医学图像分割方法及系统
CN110889852A (zh) 基于残差-注意力深度神经网络的肝脏分割方法
CN109712165B (zh) 一种基于卷积神经网络的同类前景图像集分割方法
CN110889853A (zh) 基于残差-注意力深度神经网络的肿瘤分割方法
CN103164855B (zh) 一种结合反射光照的贝叶斯决策前景提取方法
CN111275638B (zh) 基于多通道注意力选择生成对抗网络的人脸修复方法
CN111798458B (zh) 一种基于不确定性引导的交互式医学图像分割方法
CN113554665A (zh) 一种血管分割方法及装置
CN113724206B (zh) 一种基于自监督学习的眼底图像血管分割方法及系统
CN115511767B (zh) 一种自监督学习的多模态图像融合方法及其应用
CN116612334B (zh) 一种基于空谱联合注意力机制的医学高光谱图像分类方法
CN112669248A (zh) 基于cnn与拉普拉斯金字塔的高光谱与全色图像融合方法
CN114723669A (zh) 一种基于上下文信息感知的肝脏肿瘤二点五维深度学习分割算法
CN110648331A (zh) 用于医学图像分割的检测方法、医学图像分割方法及装置
CN114782596A (zh) 语音驱动的人脸动画生成方法、装置、设备及存储介质
CN114565628B (zh) 一种基于边界感知注意的图像分割方法及系统
CN114821259A (zh) 一种基于孪生卷积神经网络的零学习医学图像融合方法
CN115588055A (zh) 数字病理图像的色彩标准化方法及系统
CN113837179A (zh) 一种处理图像的多判别gan网络构建方法、装置、系统和存储介质
CN113256657A (zh) 一种高效医学图像分割方法及系统、终端、介质
CN112488971A (zh) 基于空间注意力机制和深度卷积生成对抗网络的医学图像融合方法
CN111814891A (zh) 医学图像合成方法、装置及存储介质
CN115688234A (zh) 一种基于条件卷积的建筑布局生成方法、装置及介质
CN112164078B (zh) 基于编码器-解码器的rgb-d多尺度语义分割方法

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