CN111028243A - Ct扫描图像的儿童神经母细胞瘤分割方法、系统及装置 - Google Patents
Ct扫描图像的儿童神经母细胞瘤分割方法、系统及装置 Download PDFInfo
- Publication number
- CN111028243A CN111028243A CN201911206067.XA CN201911206067A CN111028243A CN 111028243 A CN111028243 A CN 111028243A CN 201911206067 A CN201911206067 A CN 201911206067A CN 111028243 A CN111028243 A CN 111028243A
- Authority
- CN
- China
- Prior art keywords
- morphological
- segmentation
- neural network
- neuroblastoma
- image
- 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.)
- Pending
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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/30016—Brain
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种CT扫描图像的儿童神经母细胞瘤分割方法、系统及装置,系统包括编码器模块,形态学特征提取模块,解码器模块。编码器模块使用深度神经网络从扫描图像中提取固定大小的视觉特征向量,形态学特征提取模块利用形态学工具将肿瘤的形状,大小信息提取为特征向量,解码器模块,解码视觉特征向量和形态学特征向量,得到神经母细胞瘤的分割掩膜。本发明对实际病例CT扫描图像进行神经母细胞瘤的检测和精细分割,比常规基于深度神经网络的分割方法在准确度上有明显提升,同时计算时间没有增加。
Description
技术领域
本发明涉及一种图像处理技术,特别是涉及一种CT扫描图像的神经母细胞瘤分割方法、系统及装置。
背景技术
神经母细胞瘤是儿童最常见的颅外肿瘤,是婴幼儿最常见的肿瘤。有将近一半的神经母细胞瘤发生在2岁以内的婴幼儿。神经母细胞瘤约占6-10%的儿童肿瘤,15%的儿童肿瘤死亡率。对于4岁以下儿童,每一百万人口的死亡率为10;对于4-9岁儿童,每一百万人口的死亡率为4例。神经母细胞瘤属于神经内分泌性肿瘤,可以起源于交感神经系统的任意神经脊部位。其最常见的发生部位是肾上腺,但也可以发生在颈部、胸部、腹部以及盆腔的神经组织。目前已知有少数几种人类肿瘤,可自发性地从未分化的恶性肿瘤退变为完全良性肿瘤。神经母细胞瘤就属于其中之一。
CT,即电子计算机断层扫描,它是利用精确准直的X线束、γ射线、超声波等,与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描,具有扫描时间快,图像清晰等特点,可用于多种疾病的检查。
传统的图像处理技术主要包括特征提取和分类器两部分,特征提取算法的设计复杂性与应用局限性、稳定性,以及特定的特征提取算法与特定的分类器相结合的多样性限制着图像处理技术的发展。神经网络的出现,使端到端的图像处理成为可能,当网络的隐藏层发展到多层时便称之为深度学习,但同时需要用逐层初始化技术解决深层次网络训练难度大的问题。卷积神经网络便是深度学习与图像处理技术相结合所产生的经典模型,实现该模型的网络实例在特定的图像问题处理上都卓有成效。卷积神经网络自从在手写字体识别领域获得巨大突破后,逐渐开始应用在图像处理领域中。卷积神经网络网络在ImageNet比赛中的杰出表现表明其在图像特征提取、图像分类等图像处理领域拥有巨大的潜能。目前,卷积神经网络网络已广泛应用于医学图像分割中。
经检索,中国发明专利申请号为201810104847.2,公开号为108447063A,该发明提出一种脑胶质母细胞瘤的多模态核磁共振图像分割方法,采用了随机森林和区域生长法相融合的分割策略,将区域生长分割脑胶质瘤多模态磁共振图像的结果替换相应置信度低的随机森林粗分割结果,生成再训练数据再次训练随机森林模型,精分割脑胶质瘤多模态磁共振图像,将脑部核磁共振图像分割为脑部正常组织区、坏死区、活动肿瘤区、T1异常区以及FLAIR异常区5部分。
中国发明专利申请号为201710162702.3,公开号为107016395A,该发明公开一种基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤鉴别方法,首先利用基于卷积神经网络的图像分割方法分割T1增强和T2加权MRI图像肿瘤区域;然后设计字典学习和稀疏表示方法提取肿瘤区域纹理特征;最后,基于特征态融合的思想,建立同时包含T1增强或T2加权两个模态的联合稀疏表示分类模型提高肿瘤鉴别精度。
上述专利均采用多阶段处理的分割方法,每一步的效果都受上一步处理结果的影响,容易累积误差;其采用多个机器学习模型分别训练后串联的结构,模型直接相关度弱,扩展性不如一步训练的模型。
发明内容
针对现有技术的不足,本发明提供一种CT扫描图像的神经母细胞瘤分割方法及系统,其利用了深度可分离卷积神经网络,使用了编码器-解码器结构与形态学特征提取网络,实现了在不降低编码质量的前提下,快速进行多路视频编码。
本发明是通过下述技术方案来解决上述技术问题的。
根据本发明的第一方面,提供一种CT扫描图像的神经母细胞瘤分割系统,包括:
编码器模块,该模块使用深度神经网络,从CT图像中提取固定长度的视觉特征;
形态学特征提取模块,该模块利用数学形态学工具,提取肿瘤的几何特征;
解码器模块,该模块对所述编码器模块提取的视觉特征与和所述形态学特征提取模块提取的几何特征进行向量解码,得到分割结果。
可选地,所述编解码器模块采用的是深度可分离卷积神经网络,在卷积中将通道域与空间域解耦合,深度可分离卷积是对输入特征分通道分别卷积,再以1x1卷积结构融合不同的通道。所述编解码器模块采用的是深度可分离卷积神经网络,在卷积中将通道域与空间域解耦合,在减少分割肿瘤所需的计算的同时增强了分割的性能。
可选地,所述形态学特征提取模块采用数学形态学工具对实际肿瘤与初步分割结果进行特征提取,同时利用深度神经网络从编码器输出的视觉特征中提取抽象的形态学特征,从而改进分割的结果。
可选地,所述解码器模块,对所述视觉特征与和所述几何特征进行向量解码,向量解码使用人工分割结果训练得到的神经网络,解码后直接得到分割结果。
根据本发明的第二方面,提供一种CT扫描图像的神经母细胞瘤分割方法,包括:
使用深度神经网络,从CT图像中提取固定长度的视觉特征;
利用数学形态学工具,提取肿瘤的几何特征;
对所述视觉特征与和所述几何特征进行向量解码得到分割结果。
可选地,所述使用深度神经网络,从CT图像中提取固定长度的视觉特征,包括:
采用所述编码器模块,所述编码器模块使用深度神经网络,将CT扫描图像输入编码器模块,得到固定长度的视觉特征。
可选地,所述利用数学形态学工具,提取肿瘤的几何特征(形态学特征),包括:
对分割标注与掩膜以像素为单位求和,得到第一结果,所述第一结果为形态学面积;
对分割标注与掩膜作形态学膨胀后以像素为单位求和,得到第二结果;
将所述第一结果与所述第二结果求差,得到标注和掩膜的形态学周长,终得到肿瘤的几何特征,所述肿瘤的几何特征包括形态学面积和形态学周长。
可选地,所述形态学特征,其提取是基于一种对二值图与灰度图统一定义的几何学层面特征。
可选地,对所述视觉特征与和所述几何特征进行向量解码,包括:
对所述视觉特征与和所述几何特征,采用编解码器进行向量解码,向量解码使用人工分割结果训练得到的神经网络,解码后直接得到分割结果。
根据本发明第三方面,提供一种CT扫描图像的神经母细胞瘤分割装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时可用于执行权利要求任一所述的CT扫描图像的神经母细胞瘤分割方法。
与现有技术相比,本发明具有以下至少一种有益效果:
本发明上述系统和方法,利用了深度可分离卷积神经网络以缩短训练过程与实际分割过程所需要的时间,减弱了神经网络结构引起的过拟合现象;使用形态学特征来约束编解码网络,使网络的训练过程更可控,同时使分割结果更精细。实现了速度更快,结果更精确的基于CT图的肿瘤分割。
本发明上述系统和方法,对实际病例CT扫描图像进行神经母细胞瘤的检测和精细分割,比常规基于深度神经网络的分割方法在准确度上有明显提升,同时计算时间没有增加。
附图说明
图1为本发明一实施例中CT扫描图像的神经母细胞瘤分割系统模块框图;
图2为本发明一实施例中CT扫描图像的神经母细胞瘤分割方法流程图;
图3为本发明一实施例中采用的神经网络结构图;
图4为本发明一实施例中对CT扫描图像进行神经母细胞瘤的预测和分割图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
如图1所示,为本发明一实施例提供的CT扫描图像的神经母细胞瘤分割系统模块框图。参照图所示,该系统包括一个编码器模块、一个解码器模块以及一个形态学特征提取模块。其中:编码器模块,该模块使用深度神经网络,从CT图像中提取固定长度的视觉特征;形态学特征提取模块,该模块利用数学形态学工具,提取肿瘤的几何特征;解码器模块,该模块对所述编码器模块提取的视觉特征与和所述形态学特征提取模块提取的几何特征进行向量解码。
上述实施例中,编解码器模块采用的是深度可分离卷积神经网络,在卷积中将通道域与空间域解耦合,在减少分割肿瘤所需的计算的同时增强了分割的性能。
具体的,如图3所示,为本发明一实施例中采用的深度可分离卷积神经网络,其中:图示中所有卷积操作均采用深度可分离卷积;空间压缩通过最大池化实现;通道压缩通过1x1卷积实现;形态学特征约束采用欧氏距离之和作为损失函数。此部分没有详细说明的部分,可以采用现有技术实现。
上述实施例中,形态学特征提取模块采用数学形态学工具对实际肿瘤与的初步分割结果进行形态学特征提取,其包括:对分割标注与掩膜以像素为单位求和(形态学面积);对分割标注与掩膜作形态学膨胀后以像素为单位求和;在与直接求和的结果求差(形态学周长);同时利用深度神经网络从编码器输出的视觉特征中提取抽象的形态学特征,在神经网络的训练过程中引入形态学特征的一致性约束,用使用形态学方法提取的特征来训练特征提取网络,从而加强网络的泛化能力和可解释性,改进分割的结果。这里所述标注和掩膜是神经网络中的术语,分割标注是对肿瘤的人工分割结果,主要用于训练神经网络,掩膜是指神经网络对分割结果的预测,即神经网络的输出。
如图2所示,在另一实施例中,本发明的CT扫描图像的神经母细胞瘤分割的方法,包括:
S1,使用深度神经网络,从CT图像中提取固定长度的视觉特征;
S2,利用数学形态学工具,提取肿瘤的几何特征;
S3,对所述视觉特征与和所述几何特征进行向量解码得到分割结果。
进一步的,在一具体实施例中,采用上述的CT扫描图像的神经母细胞瘤分割系统进行神经母细胞瘤分割,可以按照如下步骤进行:
步骤一:初始化编码器模块,解码器模块以及形态学特征提取模块;
步骤二:读取一个CT扫描图像,将其输入编码器得到固定长度的视觉特征;视觉特征是神经网络提取到的,由网络自己学习到的;
步骤三:将得到的视觉特征输入解码器模块,获得初步分割概率掩膜,其中:
若处于实际测试阶段,转步骤六,经过步骤六的进一步修正之后,得到最终的分割结果;
若处于训练阶段,则按照以下步骤四~步骤六进行;
步骤四:使用形态学特征提取模块从实际肿瘤分割金标准、初步分割概率掩膜和提取到的视觉特征中进一步提取形态学特征,并计算三种不同来源的形态学特征之间的欧氏距离,利用反向传播算法对编码器模块、解码器模块产生梯度反馈;
步骤五:根据编码器模块采用的深度神经网络与反向传播算法计算出全部神经网络层的梯度,并据此更新编码器模块、解码器模块与形态学特征提取模块,转到步骤二;
步骤六:使用形态学特征提取模块从初步分割概率掩膜和提取到的视觉特征中进一步提取形态学特征,比较二者形态学上的的相似程度,并向使相似程度增加的方向修正分割概率掩膜,修正之后得到最终结果。
上述步骤四中所述形态学特征的提取是基于一种对二值图与灰度图统一定义的几何学层面特征,其包括肿瘤分割结果的周长,面积等信息。首先将概率灰度图归一化,以像素之和作为概率掩膜的面积;对概率掩膜做灰度膨胀,计算膨胀后的面积与原本面积之差为概率掩膜的周长。这种技术避免了阈值化的操作,保留了模型的可微性,因此可以直接与神经网络耦合训练。
本发明实施例上述概率掩膜,神经网络解码器的输出是概率值,分割实质上是判断图像中每一个点在肿瘤内还是在肿瘤外,神经网络解码器的输出结果不是简单的判断,而是每一个点在肿瘤内的概率。
基于上述的系统和方法,本发明另一实施例还提供了一种CT扫描图像的神经母细胞瘤分割装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时可用于执行权利要上述的CT扫描图像的神经母细胞瘤分割方法。具体的。存储器用于存储程序;存储器,可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM),如静态随机存取存储器(英文:static random-access memory,缩写:SRAM),双倍数据率同步动态随机存取存储器(英文:Double Data Rate Synchronous Dynamic Random Access Memory,缩写:DDR SDRAM)等;存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory)。存储器用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等,上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
处理器,用于执行存储器存储的计算机程序,以实现上述实施例涉及的方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。处理器和存储器可以是独立结构,也可以是集成在一起的集成结构。当处理器和存储器是独立结构时,存储器、处理器可以通过总线耦合连接。
如图4所示,本发明一实施例对CT扫描图像进行神经母细胞瘤的预测和分割,比相同网络参数量和计算复杂度情况下的图像分割方法效果有明显提升。其中线条a是实际肿瘤,中间图像的线条b表示已有技术的分割结果,右边线条b表示本发明实施例的分割结果。
需要说明的是,本发明提供的所述方法中的步骤,可以利用所述装置中对应的单元等予以实现,本领域技术人员可以参照所述装置的技术方案实现所述方法的步骤流程,即,所述装置中的实施例可理解为实现所述方法的优选例,在此不予赘述。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的装置以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的装置及其各个单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的装置可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上所述的具体实施例,对本发明的解决的技术问题、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种CT扫描图像的神经母细胞瘤分割系统,其特征在于,包括:
编码器模块,该模块使用深度神经网络,从CT图像中提取固定长度的视觉特征;
形态学特征提取模块,该模块利用数学形态学工具,提取肿瘤的几何特征;
解码器模块,该模块对所述编码器模块提取的视觉特征与和所述形态学特征提取模块提取的几何特征进行向量解码,得到分割结果。
2.根据权利要求1所述的基于CT图像的神经母细胞瘤分割系统,其特征在于,所述编解码器模块采用的是深度可分离卷积神经网络,在卷积中将通道域与空间域解耦合,深度可分离卷积是对输入特征分通道分别卷积,再以1x1卷积结构融合不同的通道。
3.根据权利要求1所述的基于CT图像的神经母细胞瘤分割系统,其特征在于,所述形态学特征提取模块采用数学形态学工具对实际肿瘤与初步分割结果进行特征提取,同时利用深度神经网络从编码器输出的视觉特征中提取抽象的形态学特征,从而改进分割的结果。
4.根据权利要求1所述的基于CT图像的神经母细胞瘤分割系统,其特征在于,所述解码器模块,对所述视觉特征与和所述几何特征进行向量解码,向量解码使用人工分割结果训练得到的神经网络,解码后直接得到分割结果。
5.一种CT扫描图像的神经母细胞瘤分割方法,其特征在于,包括:
使用深度神经网络,从CT图像中提取固定长度的视觉特征;
利用数学形态学工具,提取肿瘤的几何特征;
对所述视觉特征与和所述几何特征进行向量解码得到分割结果。
6.根据权利要求5所述的CT扫描图像的神经母细胞瘤分割方法,其特征在于,所述使用深度神经网络,从CT图像中提取固定长度的视觉特征,包括:
采用所述编码器模块,所述编码器模块使用深度神经网络,将CT扫描图像输入编码器模块,得到固定长度的视觉特征。
7.根据权利要求5所述的CT扫描图像的神经母细胞瘤分割方法,其特征在于,所述利用数学形态学工具,提取肿瘤的几何特征,包括:
对分割标注与掩膜以像素为单位求和,得到第一结果,所述第一结果为形态学面积;
对分割标注与掩膜作形态学膨胀后以像素为单位求和,得到第二结果;
将所述第一结果与所述第二结果求差,得到标注和掩膜的形态学周长,终得到肿瘤的几何特征,所述肿瘤的几何特征包括形态学面积和形态学周长。
8.根据权利要求7所述的CT扫描图像的神经母细胞瘤分割方法,其特征在于,所述形态学特征,其提取是基于一种对二值图与灰度图统一定义的几何学层面特征。
9.根据权利要求5所述的CT扫描图像的神经母细胞瘤分割方法,其特征在于,对所述视觉特征与和所述几何特征进行向量解码得到分割结果,包括:
对所述视觉特征与和所述几何特征,采用编解码器进行向量解码,向量解码使用人工分割结果训练得到的神经网络,解码后直接得到分割结果。
10.一种CT扫描图像的神经母细胞瘤分割装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时可用于执行权利要求5-9任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911206067.XA CN111028243A (zh) | 2019-11-29 | 2019-11-29 | Ct扫描图像的儿童神经母细胞瘤分割方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911206067.XA CN111028243A (zh) | 2019-11-29 | 2019-11-29 | Ct扫描图像的儿童神经母细胞瘤分割方法、系统及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111028243A true CN111028243A (zh) | 2020-04-17 |
Family
ID=70203903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911206067.XA Pending CN111028243A (zh) | 2019-11-29 | 2019-11-29 | Ct扫描图像的儿童神经母细胞瘤分割方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111028243A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754530A (zh) * | 2020-07-02 | 2020-10-09 | 广东技术师范大学 | 一种前列腺超声图像分割分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101999138A (zh) * | 2008-04-11 | 2011-03-30 | 汤姆森许可贸易公司 | 增强数字图像中对象的可见性的系统和方法 |
CN104574378A (zh) * | 2014-12-24 | 2015-04-29 | 中国科学院深圳先进技术研究院 | 一种超声图像分割方法及系统 |
CN109886971A (zh) * | 2019-01-24 | 2019-06-14 | 西安交通大学 | 一种基于卷积神经网络的图像分割方法及系统 |
CN109889839A (zh) * | 2019-03-27 | 2019-06-14 | 上海交通大学 | 基于深度学习的感兴趣区域图像编码、解码系统及方法 |
-
2019
- 2019-11-29 CN CN201911206067.XA patent/CN111028243A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101999138A (zh) * | 2008-04-11 | 2011-03-30 | 汤姆森许可贸易公司 | 增强数字图像中对象的可见性的系统和方法 |
CN104574378A (zh) * | 2014-12-24 | 2015-04-29 | 中国科学院深圳先进技术研究院 | 一种超声图像分割方法及系统 |
CN109886971A (zh) * | 2019-01-24 | 2019-06-14 | 西安交通大学 | 一种基于卷积神经网络的图像分割方法及系统 |
CN109889839A (zh) * | 2019-03-27 | 2019-06-14 | 上海交通大学 | 基于深度学习的感兴趣区域图像编码、解码系统及方法 |
Non-Patent Citations (1)
Title |
---|
SHENGYANG LI,ET.AT: ""Children"s Neuroblastoma Segmentation Using Morphological Features"", 《INTERNATIONAL WORKSHOP ON MACHINE LEARNING IN MEDICAL IMAGING》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754530A (zh) * | 2020-07-02 | 2020-10-09 | 广东技术师范大学 | 一种前列腺超声图像分割分类方法 |
CN111754530B (zh) * | 2020-07-02 | 2023-11-28 | 广东技术师范大学 | 一种前列腺超声图像分割分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10366491B2 (en) | Deep image-to-image recurrent network with shape basis for automatic vertebra labeling in large-scale 3D CT volumes | |
Yu et al. | Super-resolving very low-resolution face images with supplementary attributes | |
Solanki et al. | Brain tumor detection and classification using intelligence techniques: An overview | |
CN108921019B (zh) | 一种基于GEI和TripletLoss-DenseNet的步态识别方法 | |
CN112686898B (zh) | 一种基于自监督学习的放疗靶区自动分割方法 | |
CN107506796A (zh) | 一种基于深度森林的阿尔兹海默病分类方法 | |
CN116097302A (zh) | 用于病灶检测的利用联合训练的连接式机器学习模型 | |
WO2022127500A1 (zh) | 基于多个神经网络的mri图像分割方法、装置及设备 | |
Nie et al. | Two-dimensional extension of variance-based thresholding for image segmentation | |
Zhang et al. | ARPM‐net: A novel CNN‐based adversarial method with Markov random field enhancement for prostate and organs at risk segmentation in pelvic CT images | |
Wazir et al. | HistoSeg: Quick attention with multi-loss function for multi-structure segmentation in digital histology images | |
CN111862261B (zh) | 一种flair模态磁共振影像生成方法及系统 | |
CN112634273A (zh) | 一种基于深度神经网络的脑转移瘤分割系统及其构建方法 | |
Huang et al. | Automatic retinal vessel segmentation based on an improved U-Net approach | |
Hassan et al. | Promising deep semantic nuclei segmentation models for multi-institutional histopathology images of different organs | |
Jiang et al. | DPCFN: Dual path cross fusion network for medical image segmentation | |
CN111028243A (zh) | Ct扫描图像的儿童神经母细胞瘤分割方法、系统及装置 | |
CN113538359A (zh) | 一种用于指静脉图像分割的系统以及方法 | |
Krawczyk et al. | Segmentation of bone structures with the use of deep learning techniques | |
Dayananda et al. | A squeeze U-SegNet architecture based on residual convolution for brain MRI segmentation | |
Yong et al. | Comparative study of encoder-decoder-based convolutional neural networks in cartilage delineation from knee magnetic resonance images | |
Moftah et al. | Brain Diagnoses Detection Using Whale Optimization Algorithm Based on Ensemble Learning Classifier. | |
Suganyadevi et al. | Alzheimer’s Disease Diagnosis using Deep Learning Approach | |
Chen et al. | Thyroid nodule classification using two levels attention-based Bi-directional LSTM with ultrasound reports | |
CN113722536A (zh) | 基于双线性自适应特征交互与目标感知的视频描述方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200417 |