CN111028242A - 一种肿瘤自动分割系统、方法及电子设备 - Google Patents
一种肿瘤自动分割系统、方法及电子设备 Download PDFInfo
- Publication number
- CN111028242A CN111028242A CN201911181162.9A CN201911181162A CN111028242A CN 111028242 A CN111028242 A CN 111028242A CN 201911181162 A CN201911181162 A CN 201911181162A CN 111028242 A CN111028242 A CN 111028242A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- tumor
- stage
- milu
- 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.)
- Withdrawn
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 107
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000007246 mechanism Effects 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 12
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 208000008839 Kidney Neoplasms Diseases 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 238000007670 refining Methods 0.000 description 3
- 238000002271 resection Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 239000007787 solid Substances 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
- G06T7/11—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
- 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
- G06T2207/20—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
- G06T2207/30084—Kidney; Renal
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种肿瘤自动分割系统、方法及电子设备。包括:步骤a:获取肿瘤部位的原始图像;步骤b:对所述原始图像进行剪裁处理,保留图像的非零区域,分析图像并获取间距、强度分布和形状数据;步骤c:结合U‑Net网络、注意力机制及双阶段级联架构构建MILU‑Net网络模型,所述MILU‑Net网络模型包括最小化信息损失模块、注意力机制模块和双阶段级联架构模块;步骤d:将所述间距、强度分布和形状数据输入MILU‑Net网络模型,得到肿瘤分割结果。本申请通过结合多种分割网络特性的网络架构的特点,取长补短,改善现有的单调网络框架,提高了模型的泛化性能和分割精度,同时也提高了训练效率。
Description
技术领域
本申请属于医学图像处理技术领域,特别涉及一种肿瘤自动分割系统、方法及电子设备。
背景技术
目前治疗肿瘤的手段通常是通过肿瘤切除、放射治疗等,而肿瘤切除往往是最有效的方式。想要进行精确的切除,不但需要医师具备极其丰富的临床经验,还需要借助科学技术手段精确了解肿瘤的形状、位置等信息。CT是肿瘤检测的重要手段,也是医生进行肿瘤切除的重要依据。目前在实际的临床工作中,主要通过专业的医生手动标注肿瘤区域,这需要标注医师有丰富的标注经验,因为每个人的肿瘤形状复杂多变,在CT图中也会有不同的表现形式。每一套CT图都会产生几百张到上千张不等数量的图片,如果让医生通过观察每张图片去确定是否有病灶以及病灶的大小和位置,就会花费大量宝贵的时间和人力。而且长时间的手工分割,非常容易使医生过度疲劳,导致误诊及漏诊的情况。
以肾脏肿瘤分割为例,肾脏肿瘤的手动分割对医生的医学学术水平和临床经验要求很高,如果手动分割肾脏肿瘤的医生经验不足,就不能得到准确的分割结果,并且即使是经验丰富的专家和医生,在不同的时间一幅图像的病灶区域也会有可能不同,其一致性和可重复性是难以得到保证的,同时也会对分割结果的精度和后期进行医学图像的分析造成一定的影响。所以为了获得更加精准的分割结果,必然需要科学技术的辅助,在这种情况下,就出现了很多半自动分割方法。半自动分割是结合手工操作和计算机处理相交互的一种方式。虽然半自动分割方法的分割速度确实要比医生手动分割快了很多,但是在分割精度上可能会比手动分割的精度要低一些,而且半自动分割依然需要结合手工操作,这和完全的手工分割存在一样的问题,那就是医生或者专家的专业水平和临床经验很大程度上决定了最后的分割结果。
随着深度学习的发展,基于深度学习的图像处理方法在医学图像分割中得到了广泛的应用。有研究者提出了全自动的、不依赖医生主观意识的、精度高的医疗图像分割方法,如卷积神经网络(Convolutional Neural Network,CNN)、全卷积神经网络(FullyConvolutional Network,FCN)、U-Net和V-Net等,不仅可以让医生从繁重且枯燥的手工分割工作中解脱出来,而且还可以提高分割的效率和分割的精度,促进现代化医疗的进一步发展。然而,由于不同的网络结构具有不同的分割特性,会对某些肿瘤区域产生不同情况的分割偏移区域,现有基于深度学习的肿瘤分割方法还存在以下不足:
一、CNN的网络结构较为单一,且全连接层的加入使得网络整体训练参数较为庞大,计算较为复杂,信息量大,网络训练时间较长,分割精度较差。
二、基于CNN改进的FCN网络的整体分割精度依然较低,且基于像素的分类没有考虑像素之间的关系,缺乏空间一致性。此后又在这些经典网络架构基础上提出了一些分割网络架构,但分割精度仍都较不理想。
发明内容
本申请提供了一种肿瘤自动分割系统、方法及电子设备,旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题,本申请提供了如下技术方案:
一种肿瘤自动分割方法,包括以下步骤:
步骤a:获取肿瘤部位的原始图像;
步骤b:对所述原始图像进行剪裁处理,保留图像的非零区域,分析图像并获取间距、强度分布和形状数据;
步骤c:结合U-Net网络、注意力机制及双阶段级联架构构建MILU-Net网络模型,所述MILU-Net网络模型包括最小化信息损失模块、注意力机制模块和双阶段级联架构模块;
步骤d:将所述间距、强度分布和形状数据输入MILU-Net网络模型,得到肿瘤分割结果。
本申请实施例采取的技术方案还包括:在所述步骤c中,所述MILU-Net网络模型包括卷积层、修正线性单元、池化层、dropout层、上采样层;所述MILU-Net网络呈U形对称结构,分为编码-解码两个阶段;所述编码阶段是特征提取部分,为U型结构的左侧部分,所述编码阶段融入了多尺度输入机制的最小化信息损失模块,所述最小化信息损失模块通过空洞卷积获取图像中的信息;所述解码阶段是特征复原部分,为U型结构的右侧部分,所述解码阶段融合了注意力机制模块,所述注意力机制模块用于抑制图像中的不相关区域。
本申请实施例采取的技术方案还包括:所述最小化信息损失模块应用在下采样阶段,其包括空洞卷积层、卷积层、修正线性单元、归一化层;所述编码阶段的特征提取方式具体为:所述图像经过空洞卷积层获取全局信息,将分辨率变为与同级层图像相同的分辨率,再由三个block将上层传入的特征图与最小化信息损失模块获取的信息相加,然后由两个连续的3x3的卷积层进行特征提取操作,再由一个3x3的最大池化进行下采样操作,且以所述图像特征通道数30开始,每进行一次下采样操作后,图像的特征通道数都进行加倍。
本申请实施例采取的技术方案还包括:所述解码阶段包括4个block+1个概率输出层,所述四个block分别由一个上采样层和两个3x3卷积组成;所述解码阶段的特征复原方式具体为:将编码阶段的信息通过1x1的卷积操作和卷积操作后的信息直接连接到注意力机制模块中,经过所述注意力机制模块计算每个像素的重要系数,再与原始信息的对应点相乘使网络将注意力聚集在肿瘤部分,且每进行一次反卷积上采样时,图像特征通道数减半,最后通过1x1的sigmoid层输出每个像素所属的概率图。
本申请实施例采取的技术方案还包括:所述双阶段级联架构模块包括两部分,第一部分以原始图像作为输入,包括全分辨率的肿瘤二值金标准和原始图像,第二部分以第一部分输出的二值预测分割结果图为基础,进行裁剪操作,去除肿瘤以外的无关部分,并重新输入到训练网络中,输出的结果再按照原位置插回到原始图像中,得到最终的肿瘤分割结果。
本申请实施例采取的另一技术方案为:一种肿瘤自动分割系统,包括:
图像获取模块:用于获取肿瘤部位的原始图像;
图像处理模块:用于对所述原始图像进行剪裁处理,保留图像的非零区域,分析图像并获取间距、强度分布和形状数据;
网络构建模块:用于结合U-Net网络、注意力机制及双阶段级联架构构建MILU-Net网络模型,所述MILU-Net网络模型包括最小化信息损失模块、注意力机制模块和双阶段级联架构模块;
结果输出模块:用于将所述间距、强度分布和形状数据输入MILU-Net网络模型,得到肿瘤分割结果。
本申请实施例采取的技术方案还包括:所述MILU-Net网络模型包括卷积层、修正线性单元、池化层、dropout层、上采样层;所述MILU-Net网络呈U形对称结构,分为编码-解码两个阶段;所述编码阶段是特征提取部分,为U型结构的左侧部分,所述编码阶段融入了多尺度输入机制的最小化信息损失模块,所述最小化信息损失模块通过空洞卷积获取图像中的信息;所述解码阶段是特征复原部分,为U型结构的右侧部分,所述解码阶段融合了注意力机制模块,所述注意力机制模块用于抑制图像中的不相关区域。
本申请实施例采取的技术方案还包括:所述最小化信息损失模块应用在下采样阶段,其包括空洞卷积层、卷积层、修正线性单元、归一化层;所述编码阶段的特征提取方式具体为:所述图像经过空洞卷积层获取全局信息,将分辨率变为与同级层图像相同的分辨率,再由三个block将上层传入的特征图与最小化信息损失模块获取的信息相加,然后由两个连续的3x3的卷积层进行特征提取操作,再由一个3x3的最大池化进行下采样操作,且以所述图像特征通道数30开始,每进行一次下采样操作后,图像的特征通道数都进行加倍。
本申请实施例采取的技术方案还包括:所述解码阶段包括4个block+1个概率输出层,所述四个block分别由一个上采样层和两个3x3卷积组成;所述解码阶段的特征复原方式具体为:将编码阶段的信息通过1x1的卷积操作和卷积操作后的信息直接连接到注意力机制模块中,经过所述注意力机制模块计算每个像素的重要系数,再与原始信息的对应点相乘使网络将注意力聚集在肿瘤部分,且每进行一次反卷积上采样时,图像特征通道数减半,最后通过1x1的sigmoid层输出每个像素所属的概率图。
本申请实施例采取的技术方案还包括:所述双阶段级联架构模块包括两部分,第一部分以原始图像作为输入,包括全分辨率的肿瘤二值金标准和原始图像,第二部分以第一部分输出的二值预测分割结果图为基础,进行裁剪操作,去除肿瘤以外的无关部分,并重新输入到训练网络中,输出的结果再按照原位置插回到原始图像中,得到最终的肿瘤分割结果。
本申请实施例采取的又一技术方案为:一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的肿瘤自动分割方法的以下操作:
步骤a:获取肿瘤部位的原始图像;
步骤b:对所述原始图像进行剪裁处理,保留图像的非零区域,分析图像并获取间距、强度分布和形状数据;
步骤c:结合U-Net网络、注意力机制及双阶段级联架构构建MILU-Net网络模型,所述MILU-Net网络模型包括最小化信息损失模块、注意力机制模块和双阶段级联架构模块;
步骤d:将所述间距、强度分布和形状数据输入MILU-Net网络模型,得到肿瘤分割结果。
相对于现有技术,本申请实施例产生的有益效果在于:本申请实施例的肿瘤自动分割系统、方法及电子设备通过结合U-Net网络、注意力机制及双阶段级联的思想设计了MILU-Net网络模型,该网络在编码器阶段融合了多尺度输入机制,在解码器阶段融合了注意力机制,最后通过双阶段级联方法由低到高分辨率进一步细化分割结果。MILU-Net网络模型通过结合多种分割网络特性的网络架构的特点,取长补短,改善现有的单调网络框架,提高了模型的泛化性能和分割精度,同时也提高了训练效率。
附图说明
图1是本申请实施例的肿瘤自动分割方法的流程图;
图2为最小化信息损失模块架构图;
图3为注意力机制模块架构图;
图4为双阶段级联架构模块图;
图5是本申请实施例的肿瘤自动分割系统的结构示意图;
图6是本申请实施例提供的肿瘤自动分割方法的硬件设备结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
为了解决现有技术存在的不足,本申请通过结合U-Net网络、注意力机制及双阶段级联多种网络架构的特点,设计了MILU-Net(minimal information loss,最小信息损失网络)网络架构,该网络在编码器阶段融合了一种全新的多尺度输入机制,在解码器阶段融合了注意力机制。编码器中的最小化信息损失模块通过空洞卷积来获取图像中的信息,使得网络在多节点得以重新引入原始图像信息,用来抵消最大池操作导致的信息丢失。在解码器中的注意力模块可以抑制图像中的不相关区域,并同时突出特定任务,自动使学习聚焦于不同形状和大小的目标结构。最后通过双阶段级联的方法由低到高分辨率进一步细化分割结果,使得小尺度病灶细节分割性能得以改进,进而提高网络整体的分割精度和普适程度。本申请可以适用于多种肿瘤部位的肿瘤分割,为了便于说明,以下实施例中仅以肾脏肿瘤分割为例进行具体描述。
具体的,请参阅图1,是本申请实施例的肿瘤自动分割方法的流程图。本申请实施例的肿瘤自动分割方法包括以下步骤:
步骤100:获取肾脏肿瘤的原始图像,并将原始图像和对应的金标准图像(手工分割结果)分别命名后置于一个文件夹内;
步骤100中,获取的原始图像为3DCT图像,且图像为.nii.gz格式。
步骤200:对原始图像进行剪裁处理,保留图像的非零区域,分析图像的数据并获取间距、强度分布和形状等图像数据,将获取到的图像数据置于一个新的文件夹中;
步骤300:结合U-Net网络、注意力机制及双阶段级联架构构建MILU-Net(minimalinformation loss,最小信息损失网络)网络模型;
步骤300中,MILU-Net网络模型包括卷积层、修正线性单元(Rectified LinearUnit,RELU)、池化层、dropout层、上采样层,网络整体呈U形对称结构,分为编码-解码两个阶段,其中,编码阶段是特征提取部分,由收缩路径完成,主要为U型结构的左侧部分,编码阶段融入了多尺度输入机制的最小化信息损失模块,最小化信息损失模块通过空洞卷积获取图像中的信息,使得网络在多节点得以重新引入原始图像信息,用来抵消最大池操作导致的信息丢失,使得信息的传递更具有鲁棒性。
具体的,最小化信息损失模块具体结构如图2所示,其包括空洞卷积层、卷积层、修正线性单元(Rectified Linear Unit,RELU)、归一化层(Batch Normal,BN),最小化信息损失模块应用在下采样阶段。
编码阶段的特征提取方式具体为:首先原始肿瘤图像经过空洞卷积层获取全局信息,将分辨率变为与同级层图像相同的分辨率,再由三个block将上层传入的特征图与最小化信息损失模块获取的信息相加,然后由两个连续的3x3的卷积层进行特征提取操作(每个卷积层后面接一个RELU)、再由一个3x3的最大池化进行下采样操作,且以原始图像特征通道数30开始,每进行一次下采样操作后,图像的特征通道数都进行加倍;同时,每个block引入了dropout层防止网络训练出现过拟合。
解码阶段是特征复原部分,由膨胀路径完成,主要为U型网络的右侧部分。主要包括4个block+1个概率输出层,四个block都由一个上采样层(3x3线性插值操作实现)和两个3x3卷积(每个卷积后面接一个RELU)组成,本申请在解码器阶段融合了注意力机制模块,注意力机制模块可以抑制图像中的不相关区域,同时突出特定任务,自动使学习聚焦于不同形状和大小的目标结构。
注意力机制模块具体如图3所示,其中g为选通信号,是由网络右侧的解码器中更深一层的图像中传来,用来提供图像的上下文信息。而xl为编码器对应层的输入特征,用来提供空间信息。由于从下层传来的选通信号g分辨率为输入特征xl分辨率的一半,故需要线性插值来扩大分辨率,使其可以相加在一起。接下来通过一个1×1×1的卷积层来改变通道数,通过修正线性单元σ1,阈值函数单元σ2转化为注意力系数a,再通过逐个元素乘积来给输入特征xl不同的位置以不同的权重,使得训练网络的注意力在权重高的部分,有效解决训练中的类不平衡问题。
解码阶段的特征复原方式具体为:在每个block的卷积特征提取操作部分同时引用残差网络的思路,将编码路径的原始信息通过1x1的卷积操作和卷积操作后的信息直接连接到注意力机制模块中,经过注意力机制模块计算每个像素的重要系数,再与原始信息的对应点相乘使网络将注意力聚集在肿瘤部分,提高网络学习特征的能力与效率,且每进行一次反卷积上采样时,图像特征通道数减半,最后通过1x1的sigmoid层对每个像素所属的概率图进行输出,从而保证网络学习到的特征信息更加丰富,并且因为有最小化信息损失模块和注意力机制模块使得训练模型的泛化性得到保证。
最后采用双阶段级联分割架构由低到高分辨率进一步细化分割结果,使得小尺度病灶细节分割性能得以改进。双阶段级联架构模块具体如图4所示,该架构可以对分割网络训练得到的分割模型进行进一步调节,以达到更好的优化效果。双阶段级联架构模块为两部分,第一部分以原始图像作为输入,包括全分辨率的肿瘤二值金标准(ground truth)和原始图像,第二部分以第一部分分割网络最终的二值预测分割结果图为基础,进行裁剪操作,去除肿瘤以外的其他无关部分,再重新输入到训练网络中,使得第二部分输入网络的图分辨率更加细致。第二部分输出的结果再按照原位置插回到原始图像中,得到最终的分割结果。双阶段级联架构模块可以使网络的分割结果在细节部分更加完善。
步骤400:将新文件夹中的数据输入MILU-Net网络模型进行训练,得到一个权重文件;
步骤400中,本申请实施例的网络损失函数使用Dice系数作为评估,其公式为:
步骤500:加载权重文件,根据权重配置MILU-Net网络模型的神经元,并输出肾脏肿瘤分割结果。
请参阅图5,是本申请实施例的肿瘤自动分割系统的结构示意图。本申请实施例的肿瘤自动分割系统包括图像获取模块、图像处理模块、网络构建模块、网络训练模块和结果输出模块。
图像获取模块:用于获取肾脏肿瘤的原始图像,并将原始图像和对应的金标准图像(手工分割结果)分别命名后置于一个文件夹内;其中,获取的原始图像为3DCT图像,且图像为.nii.gz格式。
图像处理模块:用于对原始图像进行剪裁处理,保留图像的非零区域,分析图像的数据并获取间距、强度分布和形状等图像数据,将获取到的图像数据置于一个新的文件夹中;
网络构建模块:用于结合U-Net网络、注意力机制及双阶段级联架构构建MILU-Net(minimal information loss,最小信息损失网络)网络模型;其中,MILU-Net网络模型包括卷积层、修正线性单元(Rectified Linear Unit,RELU)、池化层、dropout层、上采样层,网络整体呈U形对称结构,分为编码-解码两个阶段,其中,编码阶段是特征提取部分,由收缩路径完成,主要为U型结构的左侧部分,编码阶段融入了多尺度输入机制的最小化信息损失模块,最小化信息损失模块通过空洞卷积获取图像中的信息,使得网络在多节点得以重新引入原始图像信息,用来抵消最大池操作导致的信息丢失,使得信息的传递更具有鲁棒性。
解码阶段是特征复原部分,由膨胀路径完成,主要为U型网络的右侧部分。主要包括4个block+1个概率输出层,四个block都由一个上采样层(3x3线性插值操作实现)和两个3x3卷积(每个卷积后面接一个RELU)组成,本申请在解码器阶段融合了注意力机制模块,注意力机制模块可以抑制图像中的不相关区域,同时突出特定任务,自动使学习聚焦于不同形状和大小的目标结构。
具体的,最小化信息损失模块具体结构如图2所示,其包括空洞卷积层、卷积层、修正线性单元(Rectified Linear Unit,RELU)、归一化层(Batch Normal,BN),最小化信息损失模块应用在下采样阶段。编码阶段的特征提取方式具体为:首先原始肿瘤图像经过空洞卷积层获取全局信息,将分辨率变为与同级层图像相同的分辨率,再由三个block将上层传入的特征图与最小化信息损失模块获取的信息相加,然后由两个连续的3x3的卷积层进行特征提取操作(每个卷积层后面接一个RELU)、再由一个3x3的最大池化进行下采样操作,且以原始图像特征通道数30开始,每进行一次下采样操作后,图像的特征通道数都进行加倍;同时,每个block引入了dropout层防止网络训练出现过拟合。
注意力机制模块具体如图3所示,其中g为选通信号,是由网络右侧的解码器中更深一层的图像中传来,用来提供图像的上下文信息。而xl为编码器对应层的输入特征,用来提供空间信息。由于从下层传来的选通信号g分辨率为输入特征xl分辨率的一半,故需要线性插值来扩大分辨率,使其可以相加在一起。接下来通过一个1×1×1的卷积层来改变通道数,通过修正线性单元σ1,阈值函数单元σ2转化为注意力系数a,再通过逐个元素乘积来给输入特征xl不同的位置以不同的权重,使得训练网络的注意力在权重高的部分,有效解决训练中的类不平衡问题。
解码阶段的特征复原方式具体为:在每个block的卷积特征提取操作部分同时引用残差网络的思路,将编码路径的原始信息通过1x1的卷积操作和卷积操作后的信息直接连接到注意力机制模块中,经过注意力机制模块计算每个像素的重要系数,再与原始信息的对应点相乘使网络将注意力聚集在肿瘤部分,提高网络学习特征的能力与效率,且每进行一次反卷积上采样时,图像特征通道数减半,最后通过1x1的sigmoid层对每个像素所属的概率图进行输出,从而保证网络学习到的特征信息更加丰富,并且因为有最小化信息损失模块和注意力机制模块使得训练模型的泛化性得到保证。
最后采用双阶段级联分割架构由低到高分辨率进一步细化分割结果,使得小尺度病灶细节分割性能得以改进。双阶段级联架构模块具体如图4所示,该架构可以对分割网络训练得到的分割模型进行进一步调节,以达到更好的优化效果。双阶段级联架构模块为两部分,第一部分以原始图像作为输入,包括全分辨率的肿瘤二值金标准(ground truth)和原始图像,第二部分以第一部分分割网络最终的二值预测分割结果图为基础,进行裁剪操作,去除肿瘤以外的其他无关部分,再重新输入到训练网络中,使得第二部分输入网络的图分辨率更加细致。第二部分输出的结果再按照原位置插回到原始图像中,得到最终的分割结果。双阶段级联架构模块可以使网络的分割结果在细节部分更加完善。
网络训练模块:用于将新文件夹中的数据输入MILU-Net网络模型进行训练,得到一个权重文件;本申请实施例中,网络的损失函数使用Dice系数作为评估,其公式为:
结果输出模块:用于加载权重文件,根据权重配置MILU-Net网络模型的神经元,并输出肾脏肿瘤分割结果。
图6是本申请实施例提供的肿瘤自动分割方法的硬件设备结构示意图。如图6所示,该设备包括一个或多个处理器以及存储器。以一个处理器为例,该设备还可以包括:输入系统和输出系统。
处理器、存储器、输入系统和输出系统可以通过总线或者其他方式连接,图6中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述方法实施例的处理方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入系统可接收输入的数字或字符信息,以及产生信号输入。输出系统可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器中,当被所述一个或者多个处理器执行时,执行上述任一方法实施例的以下操作:
步骤a:获取肿瘤部位的原始图像;
步骤b:对所述原始图像进行剪裁处理,保留图像的非零区域,分析图像并获取间距、强度分布和形状数据;
步骤c:结合U-Net网络、注意力机制及双阶段级联架构构建MILU-Net网络模型,所述MILU-Net网络模型包括最小化信息损失模块、注意力机制模块和双阶段级联架构模块;
步骤d:将所述间距、强度分布和形状数据输入MILU-Net网络模型,得到肿瘤分割结果。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请实施例提供的方法。
本申请实施例提供了一种非暂态(非易失性)计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行以下操作:
步骤a:获取肿瘤部位的原始图像;
步骤b:对所述原始图像进行剪裁处理,保留图像的非零区域,分析图像并获取间距、强度分布和形状数据;
步骤c:结合U-Net网络、注意力机制及双阶段级联架构构建MILU-Net网络模型,所述MILU-Net网络模型包括最小化信息损失模块、注意力机制模块和双阶段级联架构模块;
步骤d:将所述间距、强度分布和形状数据输入MILU-Net网络模型,得到肿瘤分割结果。
本申请实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行以下操作:
步骤a:获取肿瘤部位的原始图像;
步骤b:对所述原始图像进行剪裁处理,保留图像的非零区域,分析图像并获取间距、强度分布和形状数据;
步骤c:结合U-Net网络、注意力机制及双阶段级联架构构建MILU-Net网络模型,所述MILU-Net网络模型包括最小化信息损失模块、注意力机制模块和双阶段级联架构模块;
步骤d:将所述间距、强度分布和形状数据输入MILU-Net网络模型,得到肿瘤分割结果。
本申请实施例的肿瘤自动分割系统、方法及电子设备通过结合U-Net网络、注意力机制及双阶段级联的思想设计了MILU-Net网络模型,该网络在编码器阶段融合了多尺度输入机制,在解码器阶段融合了注意力机制,最后通过双阶段级联方法由低到高分辨率进一步细化分割结果。MILU-Net网络模型通过结合多种分割网络特性的网络架构的特点,取长补短,改善现有的单调网络框架,提高了模型的泛化性能和分割精度,同时也提高了训练效率。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本申请所示的这些实施例,而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。
Claims (11)
1.一种肿瘤自动分割方法,其特征在于,包括以下步骤:
步骤a:获取肿瘤部位的原始图像;
步骤b:对所述原始图像进行剪裁处理,保留图像的非零区域,分析图像并获取间距、强度分布和形状数据;
步骤c:结合U-Net网络、注意力机制及双阶段级联架构构建MILU-Net网络模型,所述MILU-Net网络模型包括最小化信息损失模块、注意力机制模块和双阶段级联架构模块;
步骤d:将所述间距、强度分布和形状数据输入MILU-Net网络模型,得到肿瘤分割结果。
2.根据权利要求1所述的肿瘤自动分割方法,其特征在于,在所述步骤c中,所述MILU-Net网络模型包括卷积层、修正线性单元、池化层、dropout层、上采样层;所述MILU-Net网络呈U形对称结构,分为编码-解码两个阶段;所述编码阶段是特征提取部分,为U型结构的左侧部分,所述编码阶段融入了多尺度输入机制的最小化信息损失模块,所述最小化信息损失模块通过空洞卷积获取图像中的信息;所述解码阶段是特征复原部分,为U型结构的右侧部分,所述解码阶段融合了注意力机制模块,所述注意力机制模块用于抑制图像中的不相关区域。
3.根据权利要求2所述的肿瘤自动分割方法,其特征在于,所述最小化信息损失模块应用在下采样阶段,其包括空洞卷积层、卷积层、修正线性单元、归一化层;所述编码阶段的特征提取方式具体为:所述图像经过空洞卷积层获取全局信息,将分辨率变为与同级层图像相同的分辨率,再由三个block将上层传入的特征图与最小化信息损失模块获取的信息相加,然后由两个连续的3x3的卷积层进行特征提取操作,再由一个3x3的最大池化进行下采样操作,且以所述图像特征通道数30开始,每进行一次下采样操作后,图像的特征通道数都进行加倍。
4.根据权利要求3所述的肿瘤自动分割方法,其特征在于,所述解码阶段包括4个block+1个概率输出层,所述四个block分别由一个上采样层和两个3x3卷积组成;所述解码阶段的特征复原方式具体为:将编码阶段的信息通过1x1的卷积操作和卷积操作后的信息直接连接到注意力机制模块中,经过所述注意力机制模块计算每个像素的重要系数,再与原始信息的对应点相乘使网络将注意力聚集在肿瘤部分,且每进行一次反卷积上采样时,图像特征通道数减半,最后通过1x1的sigmoid层输出每个像素所属的概率图。
5.根据权利要求1至4所述的肿瘤自动分割方法,其特征在于,所述双阶段级联架构模块包括两部分,第一部分以原始图像作为输入,包括全分辨率的肿瘤二值金标准和原始图像,第二部分以第一部分输出的二值预测分割结果图为基础,进行裁剪操作,去除肿瘤以外的无关部分,并重新输入到训练网络中,输出的结果再按照原位置插回到原始图像中,得到最终的肿瘤分割结果。
6.一种肿瘤自动分割系统,其特征在于,包括:
图像获取模块:用于获取肿瘤部位的原始图像;
图像处理模块:用于对所述原始图像进行剪裁处理,保留图像的非零区域,分析图像并获取间距、强度分布和形状数据;
网络构建模块:用于结合U-Net网络、注意力机制及双阶段级联架构构建MILU-Net网络模型,所述MILU-Net网络模型包括最小化信息损失模块、注意力机制模块和双阶段级联架构模块;
结果输出模块:用于将所述间距、强度分布和形状数据输入MILU-Net网络模型,得到肿瘤分割结果。
7.根据权利要求6所述的肿瘤自动分割系统,其特征在于,所述MILU-Net网络模型包括卷积层、修正线性单元、池化层、dropout层、上采样层;所述MILU-Net网络呈U形对称结构,分为编码-解码两个阶段;所述编码阶段是特征提取部分,为U型结构的左侧部分,所述编码阶段融入了多尺度输入机制的最小化信息损失模块,所述最小化信息损失模块通过空洞卷积获取图像中的信息;所述解码阶段是特征复原部分,为U型结构的右侧部分,所述解码阶段融合了注意力机制模块,所述注意力机制模块用于抑制图像中的不相关区域。
8.根据权利要求7所述的肿瘤自动分割系统,其特征在于,所述最小化信息损失模块应用在下采样阶段,其包括空洞卷积层、卷积层、修正线性单元、归一化层;所述编码阶段的特征提取方式具体为:所述图像经过空洞卷积层获取全局信息,将分辨率变为与同级层图像相同的分辨率,再由三个block将上层传入的特征图与最小化信息损失模块获取的信息相加,然后由两个连续的3x3的卷积层进行特征提取操作,再由一个3x3的最大池化进行下采样操作,且以所述图像特征通道数30开始,每进行一次下采样操作后,图像的特征通道数都进行加倍。
9.根据权利要求8所述的肿瘤自动分割系统,其特征在于,所述解码阶段包括4个block+1个概率输出层,所述四个block分别由一个上采样层和两个3x3卷积组成;所述解码阶段的特征复原方式具体为:将编码阶段的信息通过1x1的卷积操作和卷积操作后的信息直接连接到注意力机制模块中,经过所述注意力机制模块计算每个像素的重要系数,再与原始信息的对应点相乘使网络将注意力聚集在肿瘤部分,且每进行一次反卷积上采样时,图像特征通道数减半,最后通过1x1的sigmoid层输出每个像素所属的概率图。
10.根据权利要求6至9任一项所述的肿瘤自动分割系统,其特征在于,所述双阶段级联架构模块包括两部分,第一部分以原始图像作为输入,包括全分辨率的肿瘤二值金标准和原始图像,第二部分以第一部分输出的二值预测分割结果图为基础,进行裁剪操作,去除肿瘤以外的无关部分,并重新输入到训练网络中,输出的结果再按照原位置插回到原始图像中,得到最终的肿瘤分割结果。
11.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述1至5任一项所述的肿瘤自动分割方法的以下操作:
步骤a:获取肿瘤部位的原始图像;
步骤b:对所述原始图像进行剪裁处理,保留图像的非零区域,分析图像并获取间距、强度分布和形状数据;
步骤c:结合U-Net网络、注意力机制及双阶段级联架构构建MILU-Net网络模型,所述MILU-Net网络模型包括最小化信息损失模块、注意力机制模块和双阶段级联架构模块;
步骤d:将所述间距、强度分布和形状数据输入MILU-Net网络模型,得到肿瘤分割结果。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911181162.9A CN111028242A (zh) | 2019-11-27 | 2019-11-27 | 一种肿瘤自动分割系统、方法及电子设备 |
PCT/CN2020/128844 WO2021104056A1 (zh) | 2019-11-27 | 2020-11-13 | 一种肿瘤自动分割系统、方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911181162.9A CN111028242A (zh) | 2019-11-27 | 2019-11-27 | 一种肿瘤自动分割系统、方法及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111028242A true CN111028242A (zh) | 2020-04-17 |
Family
ID=70202545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911181162.9A Withdrawn CN111028242A (zh) | 2019-11-27 | 2019-11-27 | 一种肿瘤自动分割系统、方法及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111028242A (zh) |
WO (1) | WO2021104056A1 (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751621A (zh) * | 2019-09-05 | 2020-02-04 | 五邑大学 | 基于深度卷积神经网络的乳腺癌辅助诊断方法及装置 |
CN111627024A (zh) * | 2020-05-14 | 2020-09-04 | 辽宁工程技术大学 | 一种改进U-net的肾脏肿瘤分割方法 |
CN111652886A (zh) * | 2020-05-06 | 2020-09-11 | 哈尔滨工业大学 | 一种基于改进U-net网络的肝肿瘤分割方法 |
CN111696082A (zh) * | 2020-05-20 | 2020-09-22 | 平安科技(深圳)有限公司 | 图像分割方法、装置、电子设备及计算机可读存储介质 |
CN111696084A (zh) * | 2020-05-20 | 2020-09-22 | 平安科技(深圳)有限公司 | 细胞图像分割方法、装置、电子设备及可读存储介质 |
CN111724401A (zh) * | 2020-05-08 | 2020-09-29 | 华中科技大学 | 一种基于边界约束级联U-Net的图像分割方法和系统 |
CN111986210A (zh) * | 2020-07-29 | 2020-11-24 | 天津大学 | 一种医学影像小病灶分割方法 |
CN112215850A (zh) * | 2020-08-21 | 2021-01-12 | 天津大学 | 一种带注意力机制的级联空洞卷积网络脑肿瘤分割方法 |
CN112785598A (zh) * | 2020-11-05 | 2021-05-11 | 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 |
WO2021104056A1 (zh) * | 2019-11-27 | 2021-06-03 | 中国科学院深圳先进技术研究院 | 一种肿瘤自动分割系统、方法及电子设备 |
CN112927240A (zh) * | 2021-03-08 | 2021-06-08 | 重庆邮电大学 | 一种基于改进的AU-Net网络的CT图像分割方法 |
CN112967295A (zh) * | 2021-03-10 | 2021-06-15 | 中国科学院深圳先进技术研究院 | 一种基于残差网络和注意力机制的图像处理方法及系统 |
CN113486716A (zh) * | 2021-06-04 | 2021-10-08 | 电子科技大学长三角研究院(衢州) | 机场场面目标分割方法及其系统 |
CN113538654A (zh) * | 2021-06-11 | 2021-10-22 | 五邑大学 | 颅骨植入物图像生成方法、装置和计算机可读存储介质 |
CN113724203A (zh) * | 2021-08-03 | 2021-11-30 | 唯智医疗科技(佛山)有限公司 | 一种oct图像中目标特征的分割方法及装置 |
CN114073536A (zh) * | 2020-08-12 | 2022-02-22 | 通用电气精准医疗有限责任公司 | 灌注成像系统及方法 |
CN114638814A (zh) * | 2022-03-29 | 2022-06-17 | 华南农业大学 | 基于ct图像的结直肠癌自动分期方法、系统、介质及设备 |
CN114764811A (zh) * | 2022-03-14 | 2022-07-19 | 什维新智医疗科技(上海)有限公司 | 一种基于动态超声视频的病灶区域实时分割装置 |
CN115115577A (zh) * | 2022-05-19 | 2022-09-27 | 北京深睿博联科技有限责任公司 | 一种基于混合感知的多阶段器官分割方法及装置 |
CN113299374B (zh) * | 2021-06-03 | 2023-08-29 | 广东财经大学 | 一种基于深度学习的甲状腺结节超声图像自动分割系统 |
WO2024065343A1 (zh) * | 2022-09-29 | 2024-04-04 | 中国科学院深圳先进技术研究院 | 术前术中肝脏点云数据配准系统、方法、终端以及存储介质 |
Families Citing this family (71)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744279B (zh) * | 2021-06-09 | 2023-11-14 | 东北大学 | 一种基于FAF-Net网络的图像分割方法 |
CN113487615B (zh) * | 2021-06-29 | 2024-03-22 | 上海海事大学 | 基于残差网络特征提取的视网膜血管分割方法及终端 |
CN113538359B (zh) * | 2021-07-12 | 2024-03-01 | 北京曙光易通技术有限公司 | 一种用于指静脉图像分割的系统以及方法 |
CN113763386B (zh) * | 2021-07-13 | 2024-04-19 | 合肥工业大学 | 基于多尺度特征融合的手术器械图像智能分割方法和系统 |
CN113781410B (zh) * | 2021-08-25 | 2023-10-13 | 南京邮电大学 | 一种基于MEDU-Net+网络的医学图像分割方法和系统 |
CN113850818A (zh) * | 2021-08-27 | 2021-12-28 | 北京工业大学 | 一种混合2d和3d卷积神经网络的耳部ct影像前庭分割方法 |
CN113850760B (zh) * | 2021-08-27 | 2024-05-28 | 北京工业大学 | 一种耳部ct影像前庭检测方法 |
CN113744284B (zh) * | 2021-09-06 | 2023-08-29 | 浙大城市学院 | 脑肿瘤图像区域分割方法、装置、神经网络及电子设备 |
CN113689356B (zh) * | 2021-09-14 | 2023-11-24 | 三星电子(中国)研发中心 | 一种图像修复的方法和装置 |
CN113792862B (zh) * | 2021-09-18 | 2023-08-22 | 中国石油大学(华东) | 基于级联注意力机制的改正单图生成对抗网络的设计方法 |
CN113989297A (zh) * | 2021-09-23 | 2022-01-28 | 杭州电子科技大学 | 多模态眼睑肿瘤数据融合进行肿瘤区域分割的方法 |
CN113989605B (zh) * | 2021-09-29 | 2024-09-17 | 天津大学 | 基于自适应归一化的无监督注意力生成网络装置及方法 |
CN113870243A (zh) * | 2021-10-11 | 2021-12-31 | 烟台大学 | 一种磁共振脑图像海马分割方法 |
CN114022486B (zh) * | 2021-10-19 | 2024-07-23 | 西安工程大学 | 一种基于改进型U-net网络的医学图像分割方法 |
CN114037743B (zh) * | 2021-10-26 | 2024-01-26 | 西北大学 | 一种基于动态图注意力机制的秦俑三维点云鲁棒配准方法 |
CN114463360B (zh) * | 2021-10-27 | 2024-03-15 | 广西科技大学 | 一种基于仿生型特征增强网络的轮廓检测方法 |
CN114037714B (zh) * | 2021-11-02 | 2024-05-24 | 大连理工大学人工智能大连研究院 | 一种面向前列腺系统穿刺的3d mr与trus图像分割方法 |
CN114119515B (zh) * | 2021-11-14 | 2024-08-02 | 北京工业大学 | 一种基于注意力机制和mri多模态融合的脑肿瘤检测方法 |
CN114066904B (zh) * | 2021-11-19 | 2024-08-13 | 西安交通大学医学院第二附属医院 | 一种基于深度学习的皮肤病变图像分割方法、设备及存储介质 |
CN114066866B (zh) * | 2021-11-23 | 2024-04-26 | 湖南科技大学 | 一种基于深度学习的医学图像自动分割方法 |
CN114066959B (zh) * | 2021-11-25 | 2024-05-10 | 天津工业大学 | 基于Transformer的单幅条纹图深度估计方法 |
CN114187275B (zh) * | 2021-12-13 | 2024-07-02 | 贵州大学 | 一种基于多阶段和多尺度注意力融合网络及图像去雨方法 |
CN114170202B (zh) * | 2021-12-13 | 2024-08-23 | 常熟理工学院 | 基于面阵结构光3d视觉的焊缝分割与铣削判别方法及装置 |
CN114299018B (zh) * | 2021-12-29 | 2024-07-05 | 福州大学 | 基于中心线拓扑连通和多视角信息的ct图像血管分割方法 |
CN114511573B (zh) * | 2021-12-29 | 2023-06-09 | 电子科技大学 | 一种基于多层级边缘预测的人体解析装置及方法 |
CN114332122B (zh) * | 2021-12-30 | 2024-06-07 | 福州大学 | 基于注意力机制分割并回归的细胞计数方法 |
CN114332462B (zh) * | 2021-12-31 | 2024-07-26 | 福州大学 | 一种针对大脑病变融入注意力机制的mri分割方法 |
CN114299053B (zh) * | 2021-12-31 | 2024-08-09 | 陕西科技大学 | 一种并行多分辨率编解码网络模型及医学图像分割方法 |
CN114332133B (zh) * | 2022-01-06 | 2024-07-30 | 福州大学 | 基于改进CE-Net的肺炎CT图像感染区分割方法及系统 |
CN114419056B (zh) * | 2022-01-24 | 2024-08-06 | 重庆邮电大学 | 一种逐步精细的医学图像分割系统 |
CN114511540A (zh) * | 2022-01-25 | 2022-05-17 | 北京大学 | 一种基于多模态mri图像的肌肉分割模型方法 |
CN114677325B (zh) * | 2022-01-25 | 2024-08-16 | 安徽农业大学 | 水稻茎秆截面分割模型的构建方法及基于该模型的检测方法 |
CN114445373B (zh) * | 2022-01-27 | 2024-09-10 | 南京医工交叉创新研究院有限公司 | 一种基于DR-UNet的脑肿瘤模糊边缘分割方法 |
CN114581662B (zh) * | 2022-02-17 | 2024-04-09 | 华南理工大学 | 一种脑肿瘤图像的分割方法、系统、装置及存储介质 |
CN114841914B (zh) * | 2022-03-03 | 2024-07-23 | 北京深睿博联科技有限责任公司 | 一种胰腺囊性病变的检测方法及装置 |
CN114913325B (zh) * | 2022-03-24 | 2024-05-10 | 北京百度网讯科技有限公司 | 语义分割方法、装置及计算机程序产品 |
CN114912575B (zh) * | 2022-04-06 | 2024-04-09 | 西安交通大学 | 基于连接Swin Transformer通路的医学图像分割模型及方法 |
CN114882047B (zh) * | 2022-04-19 | 2024-07-12 | 厦门大学 | 一种基于半监督与Transformers的医学图像分割方法及系统 |
CN114821645B (zh) * | 2022-04-20 | 2024-04-05 | 南京邮电大学 | 融合残差Inception与双向ConvGRU的皮肤病变分割方法 |
CN114842029B (zh) * | 2022-05-09 | 2024-06-18 | 江苏科技大学 | 一种融合通道和空间注意力的卷积神经网络息肉分割方法 |
CN114882282A (zh) * | 2022-05-16 | 2022-08-09 | 福州大学 | 基于mri和ct图像的结直肠癌治疗效果的神经网络预测方法 |
CN114897870B (zh) * | 2022-05-31 | 2024-08-02 | 福州大学 | 基于级联结构注意力机制网络的结肠息肉分割方法 |
CN114973244B (zh) * | 2022-06-12 | 2023-04-11 | 桂林电子科技大学 | 一种乳腺癌h&e染色病理图像有丝分裂自动识别系统和方法 |
CN114972293B (zh) * | 2022-06-14 | 2023-08-01 | 深圳市大数据研究院 | 基于半监督时空注意力网络的视频息肉分割方法、装置 |
CN115272369B (zh) * | 2022-07-29 | 2023-07-11 | 苏州大学 | 动态聚合变换器网络及视网膜血管分割方法 |
CN115147404B (zh) * | 2022-08-06 | 2024-07-16 | 河南大学 | 一种双重特征融合mra图像的颅内动脉瘤分割方法 |
CN115239688B (zh) * | 2022-08-09 | 2024-03-12 | 四川大学华西医院 | 基于磁共振对比增强3d-t1wi图像的脑转移瘤识别方法与系统 |
CN115690844A (zh) * | 2022-10-31 | 2023-02-03 | 哈尔滨商业大学 | 一种基于深度学习模型的少数民族服饰分类方法和系统 |
CN115937423B (zh) * | 2022-12-13 | 2023-08-15 | 西安电子科技大学 | 肝脏肿瘤医疗影像的三维智能重建方法 |
CN116188492B (zh) * | 2023-02-21 | 2024-04-26 | 北京长木谷医疗科技股份有限公司 | 髋关节分割方法、装置、电子设备及计算机可读存储介质 |
CN116188501B (zh) * | 2023-03-02 | 2024-02-13 | 江南大学 | 基于多尺度交叉注意力的医学图像分割方法 |
CN116030260B (zh) * | 2023-03-27 | 2023-08-01 | 湖南大学 | 一种基于长条状卷积注意力的手术全场景语义分割方法 |
CN116205928B (zh) * | 2023-05-06 | 2023-07-18 | 南方医科大学珠江医院 | 腹腔镜手术视频的图像分割处理方法、装置和设备、介质 |
CN117021435B (zh) * | 2023-05-12 | 2024-03-26 | 浙江闽立电动工具有限公司 | 修边机的修边控制系统及其方法 |
CN116630386B (zh) * | 2023-06-12 | 2024-02-20 | 新疆生产建设兵团医院 | Cta扫描图像处理方法及其系统 |
CN116612142B (zh) * | 2023-07-19 | 2023-09-22 | 青岛市中心医院 | 一种肺癌ct样本数据智能分割方法及装置 |
CN117409019B (zh) * | 2023-09-15 | 2024-08-30 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种基于集成学习的多模态脑肿瘤图像分割方法及系统 |
CN117078941B (zh) * | 2023-09-22 | 2024-03-01 | 齐鲁工业大学(山东省科学院) | 一种基于上下文级联注意力的心脏mri分割方法 |
CN117036984B (zh) * | 2023-10-09 | 2024-01-09 | 武汉大学 | 一种融合注意力机制的级联u型网络云检测方法及系统 |
CN117132606B (zh) * | 2023-10-24 | 2024-01-09 | 四川大学 | 用于肺部病变图像的分割方法 |
CN117649579B (zh) * | 2023-11-20 | 2024-09-20 | 南京工业大学 | 基于注意力机制的多模态融合地面污迹识别方法及系统 |
CN117611610B (zh) * | 2023-12-11 | 2024-05-24 | 苏州大学 | 一种基于多尺度特征补偿的微动脉瘤分割方法 |
CN117392137B (zh) * | 2023-12-13 | 2024-02-13 | 山东科技大学 | 一种颅内动脉瘤图像检测方法、系统、设备及介质 |
CN117456289B (zh) * | 2023-12-25 | 2024-03-08 | 四川大学 | 一种基于深度学习的颌骨病变分割分类系统 |
CN117495882B (zh) * | 2023-12-28 | 2024-07-19 | 无锡学院 | 一种基于AGCH-Net和多尺度融合的肝脏肿瘤CT图像分割方法 |
CN117635952A (zh) * | 2024-01-25 | 2024-03-01 | 英瑞云医疗科技(烟台)有限公司 | 一种多模态脑瘤图像分割方法 |
CN117745745B (zh) * | 2024-02-18 | 2024-05-10 | 湖南大学 | 一种基于上下文融合感知的ct图像分割方法 |
CN118038450A (zh) * | 2024-03-01 | 2024-05-14 | 山东省农业科学院 | 一种基于遥感影像的玉米病虫害检测方法 |
CN117911705B (zh) * | 2024-03-19 | 2024-05-28 | 成都理工大学 | 一种基于GAN-UNet变体网络的脑部MRI肿瘤分割方法 |
CN118229981B (zh) * | 2024-05-23 | 2024-07-23 | 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) | 一种结合卷积网络和Transformer的CT图像肿瘤分割方法、装置和介质 |
CN118297941A (zh) * | 2024-06-03 | 2024-07-05 | 中国科学院自动化研究所 | 三维腹主动脉瘤及脏器血管管腔提取方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118491A (zh) * | 2018-07-30 | 2019-01-01 | 深圳先进技术研究院 | 一种基于深度学习的图像分割方法、系统及电子设备 |
CN109754403A (zh) * | 2018-11-29 | 2019-05-14 | 中国科学院深圳先进技术研究院 | 一种ct图像内的肿瘤自动分割方法及系统 |
WO2019183584A1 (en) * | 2018-03-23 | 2019-09-26 | Memorial Sloan Kettering Cancer Center | Deep encoder-decoder models for reconstructing biomedical images |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109087318A (zh) * | 2018-07-26 | 2018-12-25 | 东北大学 | 一种基于优化U-net网络模型的MRI脑肿瘤图像分割方法 |
CN109801272B (zh) * | 2019-01-07 | 2021-01-15 | 华南师范大学 | 肝脏肿瘤自动分割定位方法、系统及存储介质 |
CN111028242A (zh) * | 2019-11-27 | 2020-04-17 | 中国科学院深圳先进技术研究院 | 一种肿瘤自动分割系统、方法及电子设备 |
-
2019
- 2019-11-27 CN CN201911181162.9A patent/CN111028242A/zh not_active Withdrawn
-
2020
- 2020-11-13 WO PCT/CN2020/128844 patent/WO2021104056A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019183584A1 (en) * | 2018-03-23 | 2019-09-26 | Memorial Sloan Kettering Cancer Center | Deep encoder-decoder models for reconstructing biomedical images |
CN109118491A (zh) * | 2018-07-30 | 2019-01-01 | 深圳先进技术研究院 | 一种基于深度学习的图像分割方法、系统及电子设备 |
CN109754403A (zh) * | 2018-11-29 | 2019-05-14 | 中国科学院深圳先进技术研究院 | 一种ct图像内的肿瘤自动分割方法及系统 |
Non-Patent Citations (3)
Title |
---|
FABIAN ISENSEE ET AL: ""nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation"" * |
OZAN OKTAY ET AL: ""Attention U-Net:Learning Where to Look for the Pancreas"" * |
SIMON GRAHAM AT AL: ""MILD-Net: Minimal information loss dilated network for gland instance segmentation in colon histology images"" * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751621A (zh) * | 2019-09-05 | 2020-02-04 | 五邑大学 | 基于深度卷积神经网络的乳腺癌辅助诊断方法及装置 |
WO2021104056A1 (zh) * | 2019-11-27 | 2021-06-03 | 中国科学院深圳先进技术研究院 | 一种肿瘤自动分割系统、方法及电子设备 |
CN111652886A (zh) * | 2020-05-06 | 2020-09-11 | 哈尔滨工业大学 | 一种基于改进U-net网络的肝肿瘤分割方法 |
CN111652886B (zh) * | 2020-05-06 | 2022-07-22 | 哈尔滨工业大学 | 一种基于改进U-net网络的肝肿瘤分割方法 |
CN111724401A (zh) * | 2020-05-08 | 2020-09-29 | 华中科技大学 | 一种基于边界约束级联U-Net的图像分割方法和系统 |
CN111627024A (zh) * | 2020-05-14 | 2020-09-04 | 辽宁工程技术大学 | 一种改进U-net的肾脏肿瘤分割方法 |
CN111696082A (zh) * | 2020-05-20 | 2020-09-22 | 平安科技(深圳)有限公司 | 图像分割方法、装置、电子设备及计算机可读存储介质 |
CN111696084A (zh) * | 2020-05-20 | 2020-09-22 | 平安科技(深圳)有限公司 | 细胞图像分割方法、装置、电子设备及可读存储介质 |
CN111696084B (zh) * | 2020-05-20 | 2024-05-31 | 平安科技(深圳)有限公司 | 细胞图像分割方法、装置、电子设备及可读存储介质 |
CN111696082B (zh) * | 2020-05-20 | 2024-07-02 | 平安科技(深圳)有限公司 | 图像分割方法、装置、电子设备及计算机可读存储介质 |
CN111986210A (zh) * | 2020-07-29 | 2020-11-24 | 天津大学 | 一种医学影像小病灶分割方法 |
CN111986210B (zh) * | 2020-07-29 | 2022-11-04 | 天津大学 | 一种医学影像小病灶分割方法 |
CN114073536A (zh) * | 2020-08-12 | 2022-02-22 | 通用电气精准医疗有限责任公司 | 灌注成像系统及方法 |
CN112215850A (zh) * | 2020-08-21 | 2021-01-12 | 天津大学 | 一种带注意力机制的级联空洞卷积网络脑肿瘤分割方法 |
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 |
CN112785598A (zh) * | 2020-11-05 | 2021-05-11 | 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 |
CN112927240A (zh) * | 2021-03-08 | 2021-06-08 | 重庆邮电大学 | 一种基于改进的AU-Net网络的CT图像分割方法 |
CN112927240B (zh) * | 2021-03-08 | 2022-04-05 | 重庆邮电大学 | 一种基于改进的AU-Net网络的CT图像分割方法 |
CN112967295A (zh) * | 2021-03-10 | 2021-06-15 | 中国科学院深圳先进技术研究院 | 一种基于残差网络和注意力机制的图像处理方法及系统 |
CN112967295B (zh) * | 2021-03-10 | 2024-04-05 | 中国科学院深圳先进技术研究院 | 一种基于残差网络和注意力机制的图像处理方法及系统 |
CN113299374B (zh) * | 2021-06-03 | 2023-08-29 | 广东财经大学 | 一种基于深度学习的甲状腺结节超声图像自动分割系统 |
CN113486716A (zh) * | 2021-06-04 | 2021-10-08 | 电子科技大学长三角研究院(衢州) | 机场场面目标分割方法及其系统 |
CN113538654A (zh) * | 2021-06-11 | 2021-10-22 | 五邑大学 | 颅骨植入物图像生成方法、装置和计算机可读存储介质 |
CN113538654B (zh) * | 2021-06-11 | 2024-04-02 | 五邑大学 | 颅骨植入物图像生成方法、装置和计算机可读存储介质 |
CN113724203A (zh) * | 2021-08-03 | 2021-11-30 | 唯智医疗科技(佛山)有限公司 | 一种oct图像中目标特征的分割方法及装置 |
CN113724203B (zh) * | 2021-08-03 | 2024-04-23 | 唯智医疗科技(佛山)有限公司 | 应用于oct图像中目标特征分割的模型训练方法及装置 |
CN114764811A (zh) * | 2022-03-14 | 2022-07-19 | 什维新智医疗科技(上海)有限公司 | 一种基于动态超声视频的病灶区域实时分割装置 |
CN114638814B (zh) * | 2022-03-29 | 2024-04-16 | 华南农业大学 | 基于ct图像的结直肠癌自动分期方法、系统、介质及设备 |
CN114638814A (zh) * | 2022-03-29 | 2022-06-17 | 华南农业大学 | 基于ct图像的结直肠癌自动分期方法、系统、介质及设备 |
CN115115577A (zh) * | 2022-05-19 | 2022-09-27 | 北京深睿博联科技有限责任公司 | 一种基于混合感知的多阶段器官分割方法及装置 |
WO2024065343A1 (zh) * | 2022-09-29 | 2024-04-04 | 中国科学院深圳先进技术研究院 | 术前术中肝脏点云数据配准系统、方法、终端以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021104056A1 (zh) | 2021-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111028242A (zh) | 一种肿瘤自动分割系统、方法及电子设备 | |
Zhang et al. | Image fusion meets deep learning: A survey and perspective | |
US11551333B2 (en) | Image reconstruction method and device | |
CN112308200B (zh) | 神经网络的搜索方法及装置 | |
WO2020108562A1 (zh) | 一种ct图像内的肿瘤自动分割方法及系统 | |
WO2019037654A1 (zh) | 3d图像检测方法、装置、电子设备及计算机可读介质 | |
CN110648331B (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 | |
CN116309648A (zh) | 一种基于多注意力融合的医学图像分割模型构建方法 | |
CN111951281A (zh) | 图像分割方法、装置、设备及存储介质 | |
Shan et al. | SCA-Net: A spatial and channel attention network for medical image segmentation | |
Chen et al. | Adaptive fusion network for RGB-D salient object detection | |
CN115311194A (zh) | 一种基于transformer和SE块的CT自动肝脏图像分割方法 | |
CN116228792A (zh) | 一种医学图像分割方法、系统及电子装置 | |
Wang et al. | Densely connected swin-unet for multiscale information aggregation in medical image segmentation | |
Lv et al. | CM-MLP: Cascade multi-scale MLP with axial context relation encoder for edge segmentation of medical image | |
Qin et al. | Dynamically aggregating MLPs and CNNs for skin lesion segmentation with geometry regularization | |
Wang et al. | Global contextual guided residual attention network for salient object detection | |
Peng et al. | MShNet: Multi-scale feature combined with h-network for medical image segmentation | |
Wang et al. | A general image fusion framework using multi-task semi-supervised learning | |
CN118172372A (zh) | 基于pet-ct医学图像的跨模态肿瘤自动分割方法及存储介质 | |
CN117437423A (zh) | 基于sam协同学习和跨层特征聚合增强的弱监督医学图像分割方法及装置 | |
CN115965785A (zh) | 图像分割方法、装置、设备、程序产品及介质 | |
CN115908438A (zh) | 基于深度监督集成学习的ct影像病灶分割方法、系统和设备 | |
CN113379770B (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 | |
CN111383207A (zh) | 一种肌骨超声图像处理方法、系统、装置及可读存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200417 |