CN111161278A - 一种基于深层网络聚合的眼底图像病灶分割方法 - Google Patents
一种基于深层网络聚合的眼底图像病灶分割方法 Download PDFInfo
- Publication number
- CN111161278A CN111161278A CN201911275910.XA CN201911275910A CN111161278A CN 111161278 A CN111161278 A CN 111161278A CN 201911275910 A CN201911275910 A CN 201911275910A CN 111161278 A CN111161278 A CN 111161278A
- Authority
- CN
- China
- Prior art keywords
- focus
- fundus image
- model
- segmentation
- fundus
- 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
- G06T7/10—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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30041—Eye; Retina; Ophthalmic
Abstract
本发明公开了一种基于深层网络聚合的眼底图像病灶分割方法,包括以下步骤:1)获取若干眼底病灶图像,对每个眼底病灶图像中的病灶轮廓进行人工分割,得真值标签,构建训练集及测试集;2)在U‑Net模型的骨干网络中添加深层聚合网络模块;3)将步骤2)得到的U‑Net模型迁移至眼底图像的病灶分割中,对U‑Net模型进行训练,并将训练后的U‑Net模型作为眼底图像病灶分割模型;4)利用眼底图像病灶分割模型对待分割眼底图像进行分割,该方法能够有效的解决现有技术中基于深度卷积神经网络的眼底图像病灶分割效果差的问题。
Description
技术领域
本发明属于图像处理领域,涉及一种基于深层网络聚合的眼底图像病灶分割方法。
背景技术
图像分割是计算机视觉领域研究的热点,其旨在根据颜色、亮度、纹理等特征将的给定图像划分为若干个互不相交的区域。图像分割技术为医学影像等应用提供了丰富的视觉感知信息,特别是使糖尿病视网膜病变患者的眼底图像病灶分割成为可能。眼底图像的病灶分割和自然图像的分割有较大的差异,首先,眼底图像的图片尺寸往往较大,但是对应的病灶区域比较小,而且病灶在图像中的位置相对比较分散;所以,眼底图像的病灶分割一直是图像分割领域的一个难点。随着深度学习技术的兴起与不断发展,基于深度学习的眼底图像病灶分割渐渐表现出很好的性能。因而,基于深层网络聚合的眼底图像病灶分割方法应运而生。
深度学习是一种特定类型的机器学习,通过较简单的表示来表达复杂的表示。深度学习模型由称为隐藏层的多个处理层组成,相较于传统的机器学习方法,具有更高的灵活性和自主学习能力,显著地提高了计算机视觉、模式识别、图像处理和许多其他领域如生物领域的最新技术的性能。
随着深度学习技术的发展和成熟,深度卷积神经网络作为深度学习的重要分支被广泛应用于医学图像分割领域。J.Long等人在2015年提出了全卷积网络模型FCN,这是卷积神经网络用于图像语义分割的开山之作。该方法的出色之处在于,其利用了现存的CNN网络作为其模块之一来产生层次化的特征。将现存的知名的分类模型包括AlexNet、VGG-16、GoogLeNet和ResNet等均转化为全卷积模型,将其全连接层均替换为卷积层,输出为空间映射而不是分类分数。这些映射由小步幅卷积上采样(又称反卷积)得到,来产生密集的像素级别的标签。语义分割需要对多种空间尺度的信息予以整合,也需要对局部与全局信息进行平衡。在医学图像分割领域最负盛名的U-Net系列就是通过多尺度聚合来对分割结果进行调优。O.Ronneberger等人在2015年提出的U-Net建立在FCN的网络架构上,作者修改并扩大了这个网络框架。首先,对解码器进行了加卷积加深处理;其次,采用了跳跃连接的操作,在FCN中,跳跃连接的联合是通过对应像素的求和,而U-Net则是对其的通道的拼接过程,U-Net使其能够使用很少的训练图像就得到很精确的分割结果。由于眼底图像的图片尺寸较大,但是病灶区域比较小,而且病灶在图像中的位置比较分散。所以经典的医学图像分割模型如U-Net等在眼底图像上面的分割效果不是特别好,并不能够做准确的预测。
由于眼底医学图像本身的复杂性,训练出高鲁棒性且高精度的病灶分割模型一直是一个挑战。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供了一种基于深层网络聚合的眼底图像病灶分割方法,该方法能够有效的解决现有技术中基于深度卷积神经网络的眼底图像病灶分割效果差的问题。
为达到上述目的,本发明所述的基于深层网络聚合的眼底图像病灶分割方法包括以下步骤:
1)获取若干眼底病灶图像,对每个眼底病灶图像中的病灶轮廓进行人工分割,得真值标签,然后通过一部分眼底病灶图像构建训练集,通过另一部分眼底病灶图像构建测试集;
2)在U-Net模型的骨干网络中添加深层聚合网络模块;
3)将步骤2)得到的U-Net模型迁移至眼底图像的病灶分割中,再将训练集中的各眼底图像及其对应的病灶轮廓输入到U-Net模型中对U-Net模型进行训练,并将训练后的U-Net模型作为眼底图像病灶分割模型;
4)将测试集中的眼底图像输入到步骤3)得到的眼底图像病灶分割模型中,并将眼底图像病灶分割模型输出的病灶分割轮廓与人工分割得到的真值标签进行比较,得相应的AUPR值,然后利用眼底图像病灶分割模型对待分割眼底图像进行分割。
在对U-Net模型训练的过程中,采用指数对数损失函数来避免病灶区域和背景之间的不平衡引发的训练问题,该指数对数损失函数的表达式为:
LEXP=wdice*LDice+wcross*LCross。
将训练集中的各眼底图像及其对应的病灶轮廓输入到U-Net模型中对U-Net模型进行训练,使得指数对数损失函数达到最小,完成U-Net模型的训练,并将训练后的U-Net模型作为眼底图像病灶分割模型。
步骤4)的具体操作为:
41)将测试集中的眼底图像输入到步骤3)得到的眼底图像病灶分割模型中,得模型自动分割的病灶分割轮廓;
42)将模型自动分割的病灶分割轮廓与人工分割得到的真值标签进行对比,得AUPR值,然后利用眼底图像病灶分割模型对待分割眼底图像进行分割。
深层聚合网络模块包括1路特征图的输入及1路特征图的输出;输入由3个卷积层、3个批归一化层及1个激活层组成。
眼底图像病灶分割模型由6个卷积层、4个池化层、4个上采样层及4个反卷积层构成,其中,4个池化层分别连接在前4个卷积层后面,后面2个卷积层为1×1卷积,用于降低计算量和促进通道间的信息融合,4个上采样层分别连接在4个反卷积层的后面。
本发明具有以下有益效果:
本发明所述的基于深层网络聚合的眼底图像病灶分割方法在具体操作时,通过深层聚合网络模块将U-Net模型的低分辨率信息和高分辨率信息进行可学习性的特征融合;将U-Net模型中的普通卷积层替换为深层聚合网络模块中的迭代层次聚合模块,以更加充分的提取不同尺度的特征信息,加强对特征的重用,从而能够更好地解决眼底图像的病灶区域较小和病灶位置比较分散等问题,继而提高眼底图像病灶分割效果。
附图说明
图1是本发明的流程图;
图2是本发明中眼底图像病灶分割模型的网络结构图;
图3是本发明中Deep Layer Aggregation(DLA)的结构图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
参考图1,本发明所述的基于深层网络聚合的眼底图像病灶分割方法包括以下步骤:
1)获取若干眼底病灶图像,对每个眼底病灶图像中的病灶轮廓进行人工分割,得真值标签,然后通过一部分眼底病灶图像构建训练集,通过另一部分眼底病灶图像构建测试集;
步骤1)的具体操作为:
11)获取眼底病灶图像,勾画出眼底病灶图像中每个病灶的边缘轮廓,即感兴趣区域(ROI),作为真值标签;
12)对步骤11)处理后的眼底图像和真值标签通过图像翻转、图片缩放及明暗变化,以扩充眼底病灶图像的数量,再通过各眼底病灶图像构建数据集,进而提升测试集的鲁棒性和精度,
13)将步骤12)构建的数据集划分为训练集及测试集。
2)在U-Net模型的骨干网络中添加深层聚合网络模块(DLA module);
深层聚合网络模块包括1路特征图的输入及1路特征图的输出;输入由3个卷积层、3个批归一化层及1个激活层组成;眼底图像病灶分割模型由6个卷积层、4个池化层、4个上采样层及4个反卷积层构成,其中,4个池化层分别连接在前4个卷积层后面,后面2个卷积层为1×1卷积,用于降低计算量和促进通道间的信息融合,4个上采样层分别连接在4个反卷积层的后面,其中,前4个卷积层的卷积核尺寸均为3×3,步长为1,填充为1,后2个卷积层的卷积核尺寸为1×1;4个池化层的卷积核尺寸均为2×2,步长为2;4个上采样层的卷积核尺寸依次为3×3,3×3,5×5和7×7,步长依次为1,1,2,4;激活函数均为ReLU激活函数。
3)将步骤2)得到的U-Net模型迁移至眼底图像的病灶分割中,再将训练集中的各眼底图像及其对应的病灶轮廓输入到U-Net模型中对U-Net模型进行训练,并将训练后的U-Net模型作为眼底图像病灶分割模型;
在对U-Net模型训练的过程中,采用指数对数损失函数来避免病灶区域和背景之间的不平衡引发的训练问题,该指数对数损失函数的表达式为:
LEXP=wdice*LDice+wcross*LCross。
其中,wdice是dice loss的权重,LDice即为对应的dice loss;wcross是crossentropy loss的权重,LCross即为对应的cross entropy loss。
将训练集中的各眼底图像及其对应的病灶轮廓输入到U-Net模型中对U-Net模型进行训练,使得指数对数损失函数达到最小,完成U-Net模型的训练,并将训练后的U-Net模型作为眼底图像病灶分割模型。
4)将测试集中的眼底图像输入到步骤3)得到的眼底图像病灶分割模型中,并将眼底图像病灶分割模型输出的病灶分割轮廓与人工分割得到的真值标签进行比较,得相应的AUPR值,然后利用眼底图像病灶分割模型对待分割眼底图像进行分割。
步骤4)的具体操作为:
41)将测试集中的眼底图像输入到步骤3)得到的眼底图像病灶分割模型中,得模型自动分割的病灶分割轮廓;
42)将模型自动分割的病灶分割轮廓与人工分割得到的真值标签进行对比,得AUPR值,然后利用眼底图像病灶分割模型对待分割眼底图像进行分割。
以AUPR(Area Under P-R Curve)值作为眼底图像病灶分割模型的评估指标,结果如表1所示。
表1
Model | Params | Loss | AUPR |
U-Net | 7.76M | WCE+Dice | 0.6659 |
DLA_Dilated_UNet | 15.77M | WCE+Dice | 0.8182 |
DLA_Dilated_UNet1 | 15.77M | WCE+ELDice | 0.8241 |
本发明提出的空洞卷积(Dilation Conv)可以在不增加模型额外参数的情况下增大感受野,将空洞卷积模块引入到U-Net模型中,可以更加充分地利用上下文信息,从而提高模型的分割效果。
本发明将基于深层网络聚合的U-Net模型迁移到眼底图像的病灶分割领域,并在训练过程中使用指数对数损失函数,解决了训练过程中待分割病灶区域类别不平衡的问题,使得训练过程更快的收敛,模型效果更加精确与鲁棒,避免病灶和背景之间的不平衡引发的训练收敛慢等问题。
以上结合附图对本发明的具体实施方式进行了描述。本行业的技术人员应该了解,本发明不受上述实施例的限制。在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围之内。
Claims (5)
1.一种基于深层网络聚合的眼底图像病灶分割方法,其特征在于,包括以下步骤:
1)获取若干眼底病灶图像,对每个眼底病灶图像中的病灶轮廓进行人工分割,得真值标签,然后通过一部分眼底病灶图像构建训练集,通过另一部分眼底病灶图像构建测试集;
2)在U-Net模型的骨干网络中添加深层聚合网络模块;
3)将步骤2)得到的U-Net模型迁移至眼底图像的病灶分割中,再将训练集中的各眼底图像及其对应的病灶轮廓输入到U-Net模型中对U-Net模型进行训练,并将训练后的U-Net模型作为眼底图像病灶分割模型;
4)将测试集中的眼底图像输入到步骤3)得到的眼底图像病灶分割模型中,并将眼底图像病灶分割模型输出的病灶分割轮廓与人工分割得到的真值标签进行比较,得相应的AUPR值,然后利用眼底图像病灶分割模型对待分割眼底图像进行分割。
2.根据权利要求1所述的基于深层网络聚合的眼底图像病灶分割方法,其特征在于,在对U-Net模型训练的过程中,采用指数对数损失函数来避免病灶区域和背景之间的不平衡引发的训练问题,该指数对数损失函数的表达式为:
LEXP=wdice*LDice+wcross*LCross
其中,wdice是dice loss的权重,LDice即为对应的dice loss;wcross是cross entropyloss的权重,LCross即为对应的cross entropy loss;
将训练集中的各眼底图像及其对应的病灶轮廓输入到U-Net模型中对U-Net模型进行训练,使得指数对数损失函数达到最小,完成U-Net模型的训练,并将训练后的U-Net模型作为眼底图像病灶分割模型。
3.根据权利要求1所述的基于深层网络聚合的眼底图像病灶分割方法,其特征在于,步骤4)的具体操作为:
41)将测试集中的眼底图像输入到步骤3)得到的眼底图像病灶分割模型中,得模型自动分割的病灶分割轮廓;
42)将模型自动分割的病灶分割轮廓与人工分割得到的真值标签进行对比,得AUPR值,然后利用眼底图像病灶分割模型对待分割眼底图像进行分割。
4.根据权利要求1所述的基于深层网络聚合的眼底图像病灶分割方法,其特征在于,深层聚合网络模块包括1路特征图的输入及1路特征图的输出;输入由3个卷积层、3个批归一化层及1个激活层组成。
5.根据权利要求1所述的基于深层网络聚合的眼底图像病灶分割方法,其特征在于,眼底图像病灶分割模型由6个卷积层、4个池化层、4个上采样层及4个反卷积层构成,其中,4个池化层分别连接在前4个卷积层后面,后面2个卷积层为1×1卷积,用于降低计算量和促进通道间的信息融合,4个上采样层分别连接在4个反卷积层的后面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911275910.XA CN111161278B (zh) | 2019-12-12 | 2019-12-12 | 一种基于深层网络聚合的眼底图像病灶分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911275910.XA CN111161278B (zh) | 2019-12-12 | 2019-12-12 | 一种基于深层网络聚合的眼底图像病灶分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111161278A true CN111161278A (zh) | 2020-05-15 |
CN111161278B CN111161278B (zh) | 2023-04-18 |
Family
ID=70557029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911275910.XA Active CN111161278B (zh) | 2019-12-12 | 2019-12-12 | 一种基于深层网络聚合的眼底图像病灶分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111161278B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150449A (zh) * | 2020-09-29 | 2020-12-29 | 太原理工大学 | 一种脑卒中病灶分割方法和系统 |
CN112435264A (zh) * | 2020-10-30 | 2021-03-02 | 西安交通大学 | 一种基于深度学习的42CrMo单相金相组织分割方法及系统 |
CN113112465A (zh) * | 2021-03-31 | 2021-07-13 | 上海深至信息科技有限公司 | 一种颈动脉内中膜分割模型的生成系统及方法 |
CN113793301A (zh) * | 2021-08-19 | 2021-12-14 | 首都医科大学附属北京同仁医院 | 基于稠密卷积网络模型的眼底影像分析模型的训练方法 |
CN114066871A (zh) * | 2021-11-19 | 2022-02-18 | 江苏科技大学 | 一种新冠肺炎病灶区域分割模型训练的方法 |
CN114283143A (zh) * | 2022-03-04 | 2022-04-05 | 北京鹰瞳科技发展股份有限公司 | 对眼底疾病的治疗效果进行预测的方法及其相关产品 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2948499A1 (en) * | 2016-11-16 | 2018-05-16 | The Governing Council Of The University Of Toronto | System and method for classifying and segmenting microscopy images with deep multiple instance learning |
CN109242845A (zh) * | 2018-09-05 | 2019-01-18 | 北京市商汤科技开发有限公司 | 医疗影像处理方法及装置、电子设备及存储介质 |
CN110097545A (zh) * | 2019-04-29 | 2019-08-06 | 南京星程智能科技有限公司 | 基于深度学习的眼底图像生成方法 |
CN110097559A (zh) * | 2019-04-29 | 2019-08-06 | 南京星程智能科技有限公司 | 基于深度学习的眼底图像病灶区域标注方法 |
CN110211087A (zh) * | 2019-01-28 | 2019-09-06 | 南通大学 | 可分享的半自动糖尿病眼底病变标注方法 |
CN110349162A (zh) * | 2019-07-17 | 2019-10-18 | 苏州大学 | 一种视网膜黄斑水肿多病变图像分割方法 |
CN110443813A (zh) * | 2019-07-29 | 2019-11-12 | 腾讯医疗健康(深圳)有限公司 | 血管、眼底图像的分割方法、装置、设备及可读存储介质 |
-
2019
- 2019-12-12 CN CN201911275910.XA patent/CN111161278B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2948499A1 (en) * | 2016-11-16 | 2018-05-16 | The Governing Council Of The University Of Toronto | System and method for classifying and segmenting microscopy images with deep multiple instance learning |
CN109242845A (zh) * | 2018-09-05 | 2019-01-18 | 北京市商汤科技开发有限公司 | 医疗影像处理方法及装置、电子设备及存储介质 |
CN110211087A (zh) * | 2019-01-28 | 2019-09-06 | 南通大学 | 可分享的半自动糖尿病眼底病变标注方法 |
CN110097545A (zh) * | 2019-04-29 | 2019-08-06 | 南京星程智能科技有限公司 | 基于深度学习的眼底图像生成方法 |
CN110097559A (zh) * | 2019-04-29 | 2019-08-06 | 南京星程智能科技有限公司 | 基于深度学习的眼底图像病灶区域标注方法 |
CN110349162A (zh) * | 2019-07-17 | 2019-10-18 | 苏州大学 | 一种视网膜黄斑水肿多病变图像分割方法 |
CN110443813A (zh) * | 2019-07-29 | 2019-11-12 | 腾讯医疗健康(深圳)有限公司 | 血管、眼底图像的分割方法、装置、设备及可读存储介质 |
Non-Patent Citations (3)
Title |
---|
QINGBO KANG 等: "Nuclei Segmentation in Histopathological Images Using Two-Stage Learning", 《MICCAI 2019》 * |
ZHONGYU LI 等: "Fully Automatic Segmentation Of Short-Axis Cardiac MRI Using Modified Deep Layer Aggregation", 《2019 IEEE 16TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI 2019)》 * |
吉彬 等: "改进U-Net及其在喉白斑病灶分割中的应用", 《HTTP://KNS.CNKI.NET/KCMS/DETAIL/31.1289.TP.20191105.1638.006.HTML》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150449A (zh) * | 2020-09-29 | 2020-12-29 | 太原理工大学 | 一种脑卒中病灶分割方法和系统 |
CN112435264A (zh) * | 2020-10-30 | 2021-03-02 | 西安交通大学 | 一种基于深度学习的42CrMo单相金相组织分割方法及系统 |
CN113112465A (zh) * | 2021-03-31 | 2021-07-13 | 上海深至信息科技有限公司 | 一种颈动脉内中膜分割模型的生成系统及方法 |
CN113793301A (zh) * | 2021-08-19 | 2021-12-14 | 首都医科大学附属北京同仁医院 | 基于稠密卷积网络模型的眼底影像分析模型的训练方法 |
CN113793301B (zh) * | 2021-08-19 | 2023-07-21 | 首都医科大学附属北京同仁医院 | 基于稠密卷积网络模型的眼底影像分析模型的训练方法 |
CN114066871A (zh) * | 2021-11-19 | 2022-02-18 | 江苏科技大学 | 一种新冠肺炎病灶区域分割模型训练的方法 |
CN114283143A (zh) * | 2022-03-04 | 2022-04-05 | 北京鹰瞳科技发展股份有限公司 | 对眼底疾病的治疗效果进行预测的方法及其相关产品 |
CN114283143B (zh) * | 2022-03-04 | 2022-05-06 | 北京鹰瞳科技发展股份有限公司 | 对眼底疾病的治疗效果进行预测的方法及其相关产品 |
Also Published As
Publication number | Publication date |
---|---|
CN111161278B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111161278B (zh) | 一种基于深层网络聚合的眼底图像病灶分割方法 | |
CN112132817B (zh) | 一种混合注意力机制的眼底图像视网膜血管分割方法 | |
CN110428432B (zh) | 结肠腺体图像自动分割的深度神经网络算法 | |
CN109325942B (zh) | 基于全卷积神经网络的眼底图像结构分割方法 | |
CN108319972B (zh) | 一种针对图像语义分割的端到端差异网络学习方法 | |
CN108776969B (zh) | 基于全卷积网络的乳腺超声图像肿瘤分割方法 | |
CN107506761B (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 | |
CN111815574B (zh) | 一种基于粗糙集神经网络的眼底视网膜血管图像分割方法 | |
CN109241982B (zh) | 基于深浅层卷积神经网络的目标检测方法 | |
CN108053417B (zh) | 一种基于混合粗分割特征的3D U-Net网络的肺分割装置 | |
CN108198184B (zh) | 造影图像中血管分割的方法和系统 | |
CN107437092A (zh) | 基于三维卷积神经网络的视网膜oct图像的分类算法 | |
CN108765430A (zh) | 一种基于心脏ct图像和机器学习的心脏左腔区域分割方法 | |
CN107633522A (zh) | 基于局部相似性活动轮廓模型的脑部图像分割方法和系统 | |
CN109800653A (zh) | 一种基于图像分析的人体特征参数提取方法及系统 | |
CN110472530B (zh) | 基于小波变换和迁移学习的视网膜oct图像分类方法 | |
CN112529839A (zh) | 一种核磁共振图像中颈动脉血管中心线的提取方法及系统 | |
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 | |
CN107909588A (zh) | 基于三维全卷积神经网络的mri皮质下分区系统 | |
CN108615229A (zh) | 基于曲率点聚类及决策树的碰撞检测优化方法 | |
Lee et al. | Tubule segmentation of fluorescence microscopy images based on convolutional neural networks with inhomogeneity correction | |
CN116563647B (zh) | 年龄相关性黄斑病变图像分类方法及装置 | |
CN112308827A (zh) | 基于深度卷积神经网络的毛囊检测方法 | |
CN106991660A (zh) | 基于改进型八叉树分解的三维超声图像数据抽样方法 | |
CN116883341A (zh) | 一种基于深度学习的肝脏肿瘤ct图像自动分割方法 |
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 |