CN111145181A - 一种基于多视角分离卷积神经网络的骨骼ct图像三维分割方法 - Google Patents

一种基于多视角分离卷积神经网络的骨骼ct图像三维分割方法 Download PDF

Info

Publication number
CN111145181A
CN111145181A CN201911361300.1A CN201911361300A CN111145181A CN 111145181 A CN111145181 A CN 111145181A CN 201911361300 A CN201911361300 A CN 201911361300A CN 111145181 A CN111145181 A CN 111145181A
Authority
CN
China
Prior art keywords
image
neural network
view separation
convolution
view
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
Application number
CN201911361300.1A
Other languages
English (en)
Other versions
CN111145181B (zh
Inventor
彭佳林
罗峥嵘
袁直敏
王文怀
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.)
Huaqiao University
Original Assignee
Huaqiao University
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 Huaqiao University filed Critical Huaqiao University
Priority to CN201911361300.1A priority Critical patent/CN111145181B/zh
Publication of CN111145181A publication Critical patent/CN111145181A/zh
Application granted granted Critical
Publication of CN111145181B publication Critical patent/CN111145181B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • 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

本发明属于图像处理技术领域，提供了一种基于多视角分离卷积神经网络的三维CT图像分割方法，主要涉及利用一种新型卷积神经网络对CT图像中骨骼进行三维自动分割。针对使用三维卷积的神经网络存在模型过大、运行内存占用量过高、无法在小显存容量显卡或嵌入式设备上运行的问题，同时为了提高卷积神经网络利用三维空间上下文信息的能力，本发明提出引入一种多视角分离卷积模块，利用多个二维卷积分别在三维图像的多视角子图像上提取上下文信息并进行多层级融合，实现多视角和多尺度上下文信息的提取和融合，提高三维CT图像中骨骼的分割精度。经本发明改进后的网络结构在平均精准度上得到明显提升，模型参数数量得到明显降低。

Description

一种基于多视角分离卷积神经网络的骨骼CT图像三维分割 方法
技术领域
本发明涉及一种骨骼CT扫描图像分割方法，特别一种基于多视角分离卷积神经网络的骨骼CT图像三维分割方法。
背景技术
图像分割是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，它是由图像处理到图像分析的关键步骤。骨骼CT图像三维分割是骨科学家应用于辅助骨骼疾病诊断的关键和必要的任务。但是骨骼CT影像中存在大量的冗余信息，因此高效地筛选出最有效的特征指标变得非常有意义。然而手工描绘这种超大规模的高分辨率数据费时、繁琐而且再现性也有限。并且大多数现有的自动分割方法依赖于大量标注的数据，在大多数情况下都是不可用的。
在早期的骨骼CT图像分割中，普遍采用无监督图像处理方法进行图像分割，例如：自适应阈值处理、区域生长和边界调整等，其缺陷在于分割精度较低。得益于深度学习的快速发展，卷积神经网络逐步适用于医学图像的处理中。首先有人使用U-Net来细分生物医学图像；接着，又有人提出一种改进的3D U-Net，来学习稀疏注解的密集体积分割；在此基础上，进一步提出一种用于体积医学图像分割的完全卷积神经网络V-Net。但上述方法在用于骨骼CT图像三维分割中，存在收敛速度慢、模型过大、运行内存占用量过高、无法在小显存容量显卡或嵌入式设备上运行的问题。
发明内容
本发明的主要目的在于解决现有模型中存在的收敛速度慢、模型过大、运行内存占用量过高、无法在小显存容量显卡或嵌入式设备上运行的问题，从而实现在使用较少标注训练样本的情况下亦能保证分割网络的准确性和鲁棒性。提出一种多视角分离卷积神经网络的骨骼CT图像三维分割方法，采用多视角分离卷积模块在骨骼CT图像的多视角子图像上提取上下文信息并进行多层级融合，实现分割网络的自动化、轻量化，提升分割结果的准确性。
本发明采用如下技术方案：
S1.骨骼CT图像预处理，其具体包括：
S11.对训练集样本进行数据扩充，即随机旋转、随机镜像和随机裁剪；
S12.对步骤S11中所述训练集样本和待分割骨骼CT图像进行图像预处理，得到预处理图像样本和预处理待分割骨骼CT图像。
S2.多视角分离卷积神经网络的训练，其具体包括：
S21.构建以编码-解码结构的多视角分离卷积神经网络，其由多个多视角分离卷积模块构成；
S22.利用步骤S12中所述预处理图像样本对步骤S21所述多视角分离卷积神经网络进行训练，通过反向传播优化模型参数，得到多视角分离卷积神经网络参数模型；
S3.利用步骤S22所述的多视角分离卷积神经网络参数模型对预处理待分割骨骼CT图像进行自动分割。
优选地，在步骤S12中的预处理包括：将CT图像调整至合适的窗宽窗位，使用高斯平滑对图像进行去噪，对图像零均值一方差标准化后获得预处理图像。
优选地，在步骤S21中的多视角分离卷积模块作为多视角分离卷积神经网络基础模块，由两个同样的多视角分离卷积子模块构成，前一子模块的输出作为后一子模块的输入，多视角分离卷积模块的输入通过残差路径连接到后一子模块的输出形成多视角分离卷积模块的整体输出。
上述多视角分离卷积子模块的运行方法包括：
(1)子模块将输入特征图划分为四组，四个分支以串行方式卷积；
(2)通过1×3×3,3×1×3,3×3×1三种不同视角的2D卷积核对三维图像的三个正交视图信息进行编码，捕获不同视野下的三维图像内部切片特征；
(3)将上一个分支卷积的特征映射作为残差添加到下一个分支，加强图像多尺度上下文信息融合；
(4)对执行到第四个分支的输入特征图使用最大池化下采样，接着使用1×3 ×3卷积核对特征图进行卷积，然后使用三线性插值上采样恢复图像分辨率；
(5)通过级联的方法将四组卷积特征提取框架提取的特征联合起来；
(6)最后使用1×1×1卷积核对来自不同分支的特征进行信息融合获得三维图像的多尺度和多视角上下文信息作为子模块的输出。
优选地，在步骤S22中的多视角分离卷积神经网络训练包括包括：构建基于轮廓区域相似程度的损失函数度量训练样本输出损失，通过样本的预测结果与真实标记之间产生的误差反向传播指导网络参数学习与表示学习，使用梯度下降法进行迭代优化模型参数；本方法使用了如下基于Jaccard的损失函数：
Figure RE-GDA0002431177530000031
其中，Lseg为输出损失，Pi是体素i的预测概率；Yi是与真实数据一致的独热编码标签；ε为小常数防止分母为0。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
1)能够充分发挥深度学习的自我学习优势，以及神经网络自动学习良好的特征，当输入图像时能够快速准确地提取特征，并行抽取多种特征融合分类，避免了人工提取特征的局限性。
2)该网络模型结构模块化，简单紧凑，只有少量的参数使得模型的求解方法简单容易实现，不用占用大量的计算资源。
3)在三维空间内构造多层次多视角的特征学习，提取和融合多视角和多尺度上下文信息，实现对骨骼CT图像精准三维分割。
4)多视角分离卷积模块运用了分组卷积的思想，能够增加滤波器之间的对角相关性，而且能够减少训练参数，不容易过拟合，达到类似于正则化的效果。
5)该网络模结构具有较强的鲁棒性，使用较少的有标注训练集训练模型依然能获得较好的分割性能。
附图说明
图1为本发明的基于多视角分离卷积神经网络的骨骼CT图像三维分割方法及系统示例性流程图；
图2为本发明的基于多视角分离卷积神经网络的骨骼CT图像三维分割方法及系统网络模型；附图2(a)为网络模型具体结构，附图2(b)为多视角分离卷积子模块具体结构。
图3为本发明方法的骨骼CT图像三维分割效果图；
图4为本发明方法的骨骼CT图像某一二维层面分割效果对比图；
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
下面结合附图和具体实施例对本发明进行进一步说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
如下采用骨骼CT数据作为具体实施例，该数据包含46个个体的图像数据。该图像数据集包括两部分，其中一部分为X线束对人体骨骼检查部位一定厚度的层面扫描三维CT图像，另一部分为已手动标注的骨骼轮廓的三维CT图像。
如图1所示是按照本发明的一个实施方式示例性流程图，具体步骤如下：
1.预处理：对训练集进行随机正负10°旋转、随机镜像和随机裁剪获得数据扩充，然后获取以数字表征的图像灰度矩阵，接着将CT图像窗宽调整为1000Hu，窗位调整为500Hu，将像素灰度值变换到0-255之间，使用高斯平滑对图像进行去噪，对图像零均值一方差标准化后获得预处理图像。
2.构建多视角分离卷积模块：多视角分离卷积模块作为多视角分离卷积神经网络基础模块由两个同样的子模块构成，前一子模块的输出作为后一子模块的输入，多视角分离卷积模块的输入通过残差路径连接到后一子模块的输出形成多视角分离卷积模块的整体输出；多视角分离卷积子模块具体结构如附图2(b) 所示；
3.构建多视角分离卷积神经网络：本发明的网络模型具体结构如附图2(a) 所示，由编码路径和解码路径构成，除首尾卷积层分别为尺寸3×3×3、1×1 ×1步长为1的卷积操作外每一层的卷积操作都是采用改进后的多视角分离卷积子模块来代替；网络的左半部分是四层的编码器结构，层与层之间采用Max Pooling下采样缩减特征图的大小；右半部分是一个四层的解码器的结构，层与层之间采用三线性插值操作进行上采样，逐步恢复特征图的大小；将编码器与解码器之间相同特征图大小的特征图进行逐元素相加，增强特征图的上下文信息，提高分割的精度。
4.参数设置：本实例的训练过程一共迭代40000次，基础学习率为0.0001，每迭代800次学习率乘以0.9，每400次迭代结束保存一次模型，训练过程中使用Adam优化器，momentum设置为0.9。
5.训练模型：构建基于轮廓区域相似程度的损失函数度量训练样本输出损失，通过样本的预测结果与真实标记之间产生的误差反向传播指导网络参数学习与表示学习，使用梯度下降法进行迭代优化模型参数；本实例使用了如下基于 Jaccard的损失函数：
Figure RE-GDA0002431177530000061
其中，Pi是体素i的预测概率；Yi是与真实数据一致的独热编码标签；ε为小常数防止分母为0。
6.分割：使用步骤1对待分割骨骼CT图像预处理，然后使用步骤5保存的多视角分离卷积神经网络参数模型对待分割骨骼CT图像进行自动分割。
如图3是表示骨骼CT图像三维分割结果，图4是三维图像沿径向切片图，其中图4(a)是分割后的切片图，图4(b)是分割前的切片图，通过对比切片图可以很明显的观察到我们在二维平面上已经很好地将骨头给分割出来了。
将本申请提出的CT图像三维分割方法的评估结果与3D U-Net方法对比，如下表对比结果表。
网络模型 DSC(％) JAC(％) 参数(M) FLOPs(G)
本申请方法(46个样本量) 95.7 91.4 2.9 73
3D U-Net((46个样本量)) 94.3 89.3 25.1 788
本申请方法(23个样本量) 95.2 91.0 2.9 73
3D U-Net(23个样本量) 93.0 87.6 25.1 788
其中“DSC”表示“Dice系数”、“JAC”表示“Jaccard系数”，用以衡量预测结果与标签的相似程度，其值越高表明分割结果越好；参数：表示多视角分离卷积神经网络的所有参数量，M是million百万的缩写，参数越小表示网络模型越简单越容易计算。FLOPs浮点数运算量：是floating point operations的缩写，意指浮点运算数，理解为计算量，可以用来衡量算法/模型的复杂度。G代表十亿，FLOPs 越小占用的显存越小越容易在小显存容量显卡或嵌入式设备上运行。
以上结果表明，与现有技术相比，本发明具有如下有益效果：
1)能够充分发挥深度学习的自我学习优势，以及神经网络自动学习良好的特征，当输入图像时能够快速准确地提取特征，并行抽取多种特征融合分类，避免了人工提取特征的局限性。
2)该网络模型结构模块化，简单紧凑，只有少量的参数使得模型的求解方法简单容易实现，不用占用大量的计算资源。
3)在三维空间内构造多层次多视角的特征学习，提取和融合多视角和多尺度上下文信息，实现对骨骼CT图像精准三维分割。
4)多视角分离卷积模块运用了分组卷积的思想，能够增加滤波器之间的对角相关性，而且能够减少训练参数，不容易过拟合，达到类似于正则化的效果。
5)该网络模结构具有较强的鲁棒性，使用较少的有标注训练集训练模型依然能获得较好的分割性能。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (6)

1.一种基于多视角分离卷积神经网络的骨骼CT图像三维分割方法，其特征在于，包括以下步骤：
S1.骨骼CT图像预处理，其具体包括：
S11.对训练集样本进行数据扩充，即随机旋转、随机镜像和随机裁剪；
S12.对步骤S11中所述训练集样本和待分割骨骼CT图像进行图像预处理，得到预处理图像样本和预处理待分割骨骼CT图像。
S2.多视角分离卷积神经网络的训练，其具体包括：
S21.构建以编码-解码结构的多视角分离卷积神经网络，其由多个多视角分离卷积模块构成；
S22.利用步骤S12中所述预处理图像样本对步骤S21所述多视角分离卷积神经网络进行训练，通过反向传播优化模型参数，得到多视角分离卷积神经网络参数模型；
S3.利用步骤S22所述的多视角分离卷积神经网络参数模型对预处理待分割骨骼CT图像进行自动分割。
2.根据权利要求1所述的基于多视角分离卷积神经网络的骨骼CT图像三维分割方法，其特征在于步骤S12所述预处理包括：将CT图像调整至合适的窗宽窗位，使用高斯平滑对图像进行去噪，对图像零均值一方差标准化后获得预处理图像。
3.根据权利要求1所述的基于多视角分离卷积神经网络的骨骼CT图像三维分割方法，其特征在于步骤S21所述的多视角分离卷积模块：多视角分离卷积模块作为多视角分离卷积神经网络基础模块，由两个同样的多视角分离卷积子模块构成。
4.根据权利要求3所述的多视角分离卷积神经网络的骨骼CT图像三维分割方法，其特征在于：所述多视角分离卷积子模块的前一子模块的输出作为后一子模块的输入，多视角分离卷积模块的输入通过残差路径连接到后一子模块的输出形成多视角分离卷积模块的整体输出。
5.根据权利要求3或4所述的所述的基于多视角分离卷积神经网络的骨骼CT图像三维分割方法，其特征在于，所述多视角分离卷积子模块运行方法为：
(1)所述子模块将输入特征图划分为四组，四个分支以串行方式卷积；
(2)通过1×3×3，3×1×3，3×3×1三种不同视角的2D卷积核对三维图像的三个正交视图信息进行编码；
(3)上一个分支卷积的特征映射作为残差添加到下一个分支；
(4)对执行到第四个分支的输入特征图使用最大池化下采样，接着使用1×3×3卷积核对特征图进行卷积，然后使用三线性插值上采样恢复图像分辨率；
(5)通过级联的方法将四组卷积特征提取框架提取的特征联合起来；
(6)最后使用1×1×1卷积核对来自不同分支的特征进行信息融合获得三维图像的多尺度和多视角上下文信息作为子模块的输出。
6.根据权利要求1所述的基于多视角分离卷积神经网络的骨骼CT图像三维分割方法，其特征在于，步骤S22中多视角分离卷积神经网络训练包括：构建基于轮廓区域相似程度的损失函数度量训练样本输出损失，通过样本的预测结果与真实标记之间产生的误差反向传播指导网络参数学习与表示学习，使用梯度下降法进行迭代优化模型参数；所述Jaccard的损失函数，公式如(1)所示：
Figure FDA0002336161580000021
公式(1)中，Lseg为输出损失，Pi是体素i的预测概率，Yi是与真实数据一致的独热编码标签，ε为小常数防止分母为0。
CN201911361300.1A 2019-12-25 2019-12-25 基于多视角分离卷积神经网络的骨骼ct图像三维分割方法 Active CN111145181B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911361300.1A CN111145181B (zh) 2019-12-25 2019-12-25 基于多视角分离卷积神经网络的骨骼ct图像三维分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911361300.1A CN111145181B (zh) 2019-12-25 2019-12-25 基于多视角分离卷积神经网络的骨骼ct图像三维分割方法

Publications (2)

Publication Number Publication Date
CN111145181A true CN111145181A (zh) 2020-05-12
CN111145181B CN111145181B (zh) 2023-04-07

Family

ID=70520255

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911361300.1A Active CN111145181B (zh) 2019-12-25 2019-12-25 基于多视角分离卷积神经网络的骨骼ct图像三维分割方法

Country Status (1)

Country Link
CN (1) CN111145181B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102337A (zh) * 2020-09-16 2020-12-18 哈尔滨工程大学 一种超声成像下的骨骼表面分割方法
CN112365498A (zh) * 2020-12-10 2021-02-12 南京大学 一种针对二维图像序列中多尺度多形态目标的自动检测方法
CN112561871A (zh) * 2020-12-08 2021-03-26 中国医学科学院北京协和医院 一种基于平扫ct图像的主动脉夹层分割方法和装置
CN112750131A (zh) * 2021-01-31 2021-05-04 南京信息工程大学 基于尺度和序列关系的骨盆核磁共振图像肌肉骨骼分割方法
CN113436200A (zh) * 2021-07-27 2021-09-24 西安电子科技大学 基于轻量分割卷积网络的rgb图像分类方法
CN115223023A (zh) * 2022-09-16 2022-10-21 杭州得闻天下数字文化科技有限公司 基于立体视觉和深度神经网络的人体轮廓估计方法及装置
CN115482248A (zh) * 2022-09-22 2022-12-16 推想医疗科技股份有限公司 图像分割方法、装置、电子设备及存储介质
WO2023066364A1 (zh) * 2021-10-21 2023-04-27 苏州微创畅行机器人有限公司 三维图像处理方法、装置、计算机设备和存储介质
WO2023160157A1 (zh) * 2022-02-28 2023-08-31 腾讯科技（深圳）有限公司 三维医学图像的识别方法、装置、设备、存储介质及产品

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107169974A (zh) * 2017-05-26 2017-09-15 中国科学技术大学 一种基于多监督全卷积神经网络的图像分割方法
EP3316217A1 (en) * 2016-10-31 2018-05-02 Siemens Healthcare GmbH Deep learning based bone removal in computed tomography angiography
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3316217A1 (en) * 2016-10-31 2018-05-02 Siemens Healthcare GmbH Deep learning based bone removal in computed tomography angiography
CN107169974A (zh) * 2017-05-26 2017-09-15 中国科学技术大学 一种基于多监督全卷积神经网络的图像分割方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
温佩芝等: "基于卷积神经网络改进的图像自动分割方法", 《计算机应用研究》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102337A (zh) * 2020-09-16 2020-12-18 哈尔滨工程大学 一种超声成像下的骨骼表面分割方法
CN112561871A (zh) * 2020-12-08 2021-03-26 中国医学科学院北京协和医院 一种基于平扫ct图像的主动脉夹层分割方法和装置
CN112365498A (zh) * 2020-12-10 2021-02-12 南京大学 一种针对二维图像序列中多尺度多形态目标的自动检测方法
CN112365498B (zh) * 2020-12-10 2024-01-23 南京大学 一种针对二维图像序列中多尺度多形态目标的自动检测方法
CN112750131A (zh) * 2021-01-31 2021-05-04 南京信息工程大学 基于尺度和序列关系的骨盆核磁共振图像肌肉骨骼分割方法
CN112750131B (zh) * 2021-01-31 2023-07-21 南京信息工程大学 基于尺度和序列关系的骨盆核磁共振图像肌肉骨骼分割方法
CN113436200A (zh) * 2021-07-27 2021-09-24 西安电子科技大学 基于轻量分割卷积网络的rgb图像分类方法
WO2023066364A1 (zh) * 2021-10-21 2023-04-27 苏州微创畅行机器人有限公司 三维图像处理方法、装置、计算机设备和存储介质
WO2023160157A1 (zh) * 2022-02-28 2023-08-31 腾讯科技（深圳）有限公司 三维医学图像的识别方法、装置、设备、存储介质及产品
CN115223023A (zh) * 2022-09-16 2022-10-21 杭州得闻天下数字文化科技有限公司 基于立体视觉和深度神经网络的人体轮廓估计方法及装置
CN115482248A (zh) * 2022-09-22 2022-12-16 推想医疗科技股份有限公司 图像分割方法、装置、电子设备及存储介质
CN115482248B (zh) * 2022-09-22 2023-12-08 推想医疗科技股份有限公司 图像分割方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111145181B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN111145181B (zh) 基于多视角分离卷积神经网络的骨骼ct图像三维分割方法
CN113077471B (zh) 一种基于u型网络的医学图像分割方法
CN110930397B (zh) 一种磁共振图像分割方法、装置、终端设备及存储介质
CN109840556B (zh) 一种基于孪生网络的图像分类识别方法
CN109949276B (zh) 一种于改进SegNet分割网络的淋巴结检测方法
CN112862830B (zh) 一种多模态图像分割方法、系统、终端及可读存储介质
CN115661144B (zh) 基于可变形U-Net的自适应医学图像分割方法
CN111582111B (zh) 一种基于语义分割的细胞各成分分割方法
CN110969632B (zh) 一种深度学习模型的训练方法、图像处理方法及装置
US20230043026A1 (en) Learning-based active surface model for medical image segmentation
CN110675411A (zh) 基于深度学习的宫颈鳞状上皮内病变识别算法
CN112446892A (zh) 一种基于注意力学习的细胞核分割方法
CN114494296A (zh) 一种基于Unet和Transformer相融合的脑部胶质瘤分割方法与系统
CN110930378B (zh) 基于低数据需求的肺气肿影像处理方法及系统
CN115496771A (zh) 一种基于脑部三维mri图像设计的脑肿瘤分割方法
CN112329871B (zh) 一种基于自校正卷积与通道注意力机制的肺结节检测方法
JP7337268B2 (ja) 三次元エッジ検出方法、装置、コンピュータプログラム及びコンピュータ機器
CN110570394A (zh) 医学图像分割方法、装置、设备及存储介质
CN114332133A (zh) 基于改进CE-Net的新冠肺炎CT图像感染区分割方法及系统
CN112750137A (zh) 基于深度学习的肝脏肿瘤分割方法及系统
CN114445715A (zh) 一种基于卷积神经网络的农作物病害识别方法
CN115661165A (zh) 基于增强注意力的编解码网络胶质瘤融合分割系统及方法
CN114399510A (zh) 结合图像和临床元数据的皮肤病灶分割和分类方法及系统
CN116563285B (zh) 一种基于全神经网络的病灶特征识别与分割方法及系统
CN113344933A (zh) 一种基于多层次特征融合网络的腺体细胞分割方法

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