CN111192266A - 一种2d导丝尖端分割方法及装置 - Google Patents
一种2d导丝尖端分割方法及装置 Download PDFInfo
- Publication number
- CN111192266A CN111192266A CN201911373959.9A CN201911373959A CN111192266A CN 111192266 A CN111192266 A CN 111192266A CN 201911373959 A CN201911373959 A CN 201911373959A CN 111192266 A CN111192266 A CN 111192266A
- Authority
- CN
- China
- Prior art keywords
- network
- connectivity
- pixel
- layer
- output
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000011218 segmentation Effects 0.000 title claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000004891 communication Methods 0.000 claims abstract description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013146 percutaneous coronary intervention Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000001105 femoral artery Anatomy 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000002321 radial artery Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000005077 saccule Anatomy 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
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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]
Abstract
一种2D导丝尖端分割方法及装置，其提升了网络训练速度和精度，能够满足实时性的要求，提升了导丝尖端分割的精度。方法包括：(1)使用dense‑block替换掉U‑Net中的卷积层；(2)将原始图像进行了zero‑padding操作，采用8连通构建连通性矩阵；(3)采用U‑Net作为基础结构，网络的输入是一张X射线图像，输出是一张像素值为0到1的概率图，越接近1表示该像素是导丝尖端的概率越大；网络的结构包含四个下采样和四个上采样过程，同时包含跳连接将网络低层特征和高层特征相结合；(4)进行网络训练，损失函数的定义分为两个部分：一部分用来优化整体的分割结果，另一部分用来优化关于连接性特征的结果。
Description
技术领域
本发明涉及医学图像处理的技术领域，尤其涉及一种2D(即二维)导丝尖端分割方法，还涉及一种2D导丝尖端分割装置。
背景技术
冠心病是全球死亡率最高的疾病之一，目前临床上最主要的治疗方法是经皮冠状动脉介入治疗(PCI)。PCI手术中，医生首先使用导管通过股动脉或桡动脉获得动脉通路，然后将导丝经皮插入导管的内腔并前进达到目标位置，进而将支架或球囊置于病变位置达到治疗目的。在PCI手术过程中，追踪导丝位置信息并获取到其在血管中的位置对术中导航十分重要。Pierre等人开发了一套基于预处理图像的术中三维导航系统，此方法依赖于导丝的自动跟踪。导丝的跟踪是一个极具挑战性的问题，因为：(1)X射线图像具有极低的信噪比，背景噪声很容易影响导丝跟踪。(2)导丝形状多样，在X射线图像中是一种极细且弯曲的深色曲线，这和人体的很多器官组织十分类似，比如肋骨和脊椎边缘。(3)在手术中，导丝是运动的，并且由于导丝十分柔软，在运动过程中会产生不规则的形变。
有很多学者针对导丝跟踪做了大量的研究。传统的跟踪方法是使用曲线模型对导丝进行建模，然后在后面的帧中不断更新曲线的控制点以达到跟踪导丝运动的目的。Wang等人通过在贝叶斯框架中最大化后验概率实现控制点的优化。此外，也可以通过最小化一个能量函数达到优化的目的，Baert等人和Slabaugh等人分别在连续空间和离散空间定义能量函数。然而这些方法通常需要手动标记序列图像第一帧中导丝的位置。Fazlali等人通过使用霍夫变换在第一帧图像的特征图上找到导丝位置。在使用这些方法时，原始图像中不能有太多噪声，因为控制点的选择非常容易受到影响，而且这些方法不能用于跟踪导丝形变较大的情况，这是由B-Spline模型本身的特性决定的。Vandini等人设计了类段特征(SegLets)，通过使用离散化的特征来实现对较大形变的导丝跟踪。但是手动设计的特征的泛化性和鲁棒性不够好，而且极易受到背景噪声的影响。
近几年来，卷积神经网络在图像处理领域发展迅速，在图像分割等方面达到了非常好的效果。一些学者开始使用神经网络分割导丝来达到导丝跟踪的目的。神经网络的使用通常需要大量的数据集以及标注，在医学图像领域，由于专业知识门槛较高，带标注的数据通常需要具有一定经验的医师手动标注，所以标注数据很难获得。Ronnerberger等人提出了一种称为U-Net的端到端的神经网络结构，独特的编码器-解码器结构使得在具有较小数据集的情况下，神经网络也能取得较好的效果。Pierre等人将U-Net应用在整个导丝的分割任务上，取得了较好的结果。在PCI手术中使用的导丝通常只有尖端部分和导管部分可见，导丝尖端的位置对手术导航具有重要意义。因此，更关注导丝尖端而不是整个导丝。Wang等人通过使用一种基于神经网络的方法实现了对导丝尖端区域的探测，但是并没有进行导丝尖端的分割。YuDong等人采取了先探测目标区域后分割的方法实现了导丝尖端的分割。这种方法具有一定的精度,但是模型比较复杂,导致时间效率较低。
发明内容
为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种2D导丝尖端分割方法，其提升了网络训练速度和精度，能够满足实时性的要求，提升了导丝尖端分割的精度。
本发明的技术方案是：这种2D导丝尖端分割方法，其包括以下步骤：
(1)使用dense-block(密集连接块)替换掉U-Net中的卷积层；
(2)将原始图像进行了zero-padding(零填充)操作，采用8连通构建连通性矩阵；
(3)采用U-Net作为基础结构，网络的输入是一张X射线图像，输出是一张像素值为0到1的概率图，越接近1表示该像素是导丝尖端的概率越大；网络的结构包含四个下采样和四个上采样过程，同时包含跳连接将网络低层特征和高层特征相结合；
(4)进行网络训练，损失函数的定义分为两个部分：一部分用来优化整体的分割结果，另一部分用来优化关于连接性特征的结果。
本发明将dense block加入到U-Net网络结构中，提升了网络训练速度和精度，能够满足实时性的要求，针对导丝尖端的连通性构建像素连通性矩阵监督网络的训练，提升了导丝尖端分割的精度。
还提供了一种2D导丝尖端分割装置，其包括：
卷积层替换模块，其配置来使用dense-block替换掉U-Net中的卷积层；
连通性矩阵构建模块，其配置来将原始图像进行了zero-padding操作，采用8连通构建连通性矩阵；
网络架构设计模块，其配置来采用U-Net作为基础结构，网络的输入是一张X射线图像，输出是一张像素值为0到1的概率图，越接近1表示该像素是导丝尖端的概率越大；网络的结构包含四个下采样和四个上采样过程，同时包含跳连接将网络低层特征和高层特征相结合；
网络训练模块，其配置来进行网络训练，损失函数的定义分为两个部分：一部分用来优化整体的分割结果，另一部分用来优化关于连接性特征的结果。
附图说明
图1是根据本发明的2D导丝尖端分割方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了使本揭示内容的叙述更加详尽与完备，下文针对本发明的实施方式与具体实施例提出了说明性的描述；但这并非实施或运用本发明具体实施例的唯一形式。实施方式中涵盖了多个具体实施例的特征以及用以建构与操作这些具体实施例的方法步骤与其顺序。然而，亦可利用其它具体实施例来达成相同或均等的功能与步骤顺序。
如图1所示，这种2D导丝尖端分割方法，其包括以下步骤：
这种2D导丝尖端分割方法，其包括以下步骤：
(1)使用dense-block(密集连接块)替换掉U-Net中的卷积层；
(2)将原始图像进行了zero-padding(零填充)操作，这保证了在图像边缘的像素也能够完整的构建连接性矩阵，采用8连通构建连通性矩阵；
(3)采用U-Net作为基础结构，网络的输入是一张X射线图像，输出是一张像素值为0到1的概率图，越接近1表示该像素是导丝尖端的概率越大；网络的结构包含四个下采样和四个上采样过程，同时包含跳连接将网络低层特征和高层特征相结合；
(4)进行网络训练，损失函数的定义分为两个部分：一部分用来优化整体的分割结果，另一部分用来优化关于连接性特征的结果。
本发明将dense-block加入到U-Net网络结构中，提升了网络训练速度和精度，能够满足实时性的要求，针对导丝尖端的连通性构建像素连通性矩阵监督网络的训练，提升了导丝尖端分割的精度。
为了提升神经网络层与层之间的信息连接，使用dense-block替换掉U-Net中的卷积层。Huang等人在2016年首次提出了dense-net的概念并将其应用于图像分类，达到了state-of-art的效果。Dense-net的特点是将前面的每一层都与后面直接相连，这使得网络中每一层的信息都完整的传递到了之后的层。并且，在反向传播过程中，每一层都直接受到损失loss值的影响，这将加速网络的训练。优选地，所述步骤(1)中，dense-block具有五个卷积层，根据公式(1)，在第l层，接受所有之前层的输出作为输入：
xl＝x1+x2+…+xl-1 (1)
使用逐元素的相加将每个层的输出结合起来，其中xi表示第i层的输出。
在图像处理领域，连通性是描述区域和边界的重要概念。Michael等人分别介绍了4连通和8连通结构如何构建连通性矩阵。优选地，所述步骤(2)中，对于8连通，采用棋盘格距离来计算像素之间距离，点P(x,y)和Q(u,v)的距离表示为公式(2)：
d(P,Q)＝max(|(x-u)|,|(y-v)|) (2)
对于每个像素，需要考虑它周围的8个像素，给定一副H×W的图像，创建一个H×W×C的矩阵，其中，H和W分别是输入图像的高度和宽度，C表示对每一个像素而言需要考虑的周围像素的个数，这里C＝8；针对给定的标签图像，定义如果两个像素都是1，则这两个像素是相连的，所有的背景像素都是不相连的，对于连接性矩阵P，Pi,j,c表示一个像素和它在指定方向的像素的连接关系，其中，i,j表示在标签图像中的位置，c表示当前像素的指定方向，Pi,j,c的值有0和1两种情况，0代表不相连，1代表相连，通过检查标签图像中每个像素和它的所有邻居的连接关系，构建一个连接性矩阵的金标准。
可以将连通性矩阵的每一个通道看作是一个分割的标签。连接性矩阵可以看作是多个子分割任务，每个分割任务是为了解决在一个特定的方向对像素分类的问题。同时，将其与总体的分割任务相结合，可以更好的让网络学习到关于连接性的特征，提升网络的性能。
优选地，所述步骤(3)中，为了加速网络的收敛，在每个卷积层之后加入了bn(批量标准化)层。
优选地，所述步骤(3)中，在每个dense-block之后加入了dropout(随机丢弃)层，以避免过拟合。
优选地，所述步骤(3)中，在输出的前一层加入一个连接性特征的输出，连接性特征的输出为八个通道，代表八个方向的像素连通性特征。通过根据金标准图像构建的连通性矩阵对网络输出的连通性特征进行监督，可以使网络更好的学习到导丝尖端的连通性结构的特征。
优选地，所述步骤(4)中，损失函数为公式(3)
其中，
代表约束连接性特征在整个损失函数中所占的权重，将其设为0.1。
优选地，所述步骤(4)中，对于整体分割的部分，采取基于dice(重叠)系数的损失函数，给定金标准图像Bi和网络的输出图像
，损失函数为公式(4)
其中，Bik和
分别是金标准图像Bi和网络输出图像
像素值。
优选地，所述步骤(4)中，根据公式(5)，通过计算网络输出的连通性矩阵和金标准的连通性矩阵的交叉熵来优化训练结果：
其中，N表示连通性矩阵中一个H×W大小的切片的元素个数，C代表的是每个像素需要考虑的相邻像素的个数，为连通性立方体的通道数，
表示在位置i处的像素和它在c方向的邻域像素的连通关系的金标准，
表示相对应的网络的输出。
本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，而所述的存储介质可以是：ROM/RAM、磁碟、光盘、存储卡等。因此，与本发明的方法相对应的，本发明还同时包括一种2D导丝尖端分割装置，该装置通常以与方法各步骤相对应的功能模块的形式表示。该装置包括：
卷积层替换模块，其配置来使用dense-block替换掉U-Net中的卷积层；
连通性矩阵构建模块，其配置来将原始图像进行了zero-padding操作，采用8连通构建连通性矩阵；
网络架构设计模块，其配置来采用U-Net作为基础结构，网络的输入是一张X射线图像，输出是一张像素值为0到1的概率图，越接近1表示该像素是导丝尖端的概率越大；网络的结构包含四个下采样和四个上采样过程，同时包含跳连接将网络低层特征和高层特征相结合；
网络训练模块，其配置来进行网络训练，损失函数的定义分为两个部分：一部分用来优化整体的分割结果，另一部分用来优化关于连接性特征的结果。以下更详细地说明本发明。
本发明采取了一种基于U-Net的神经网络模型来进行导丝尖端的分割，并在其中加入了dense block和连通性的约束。本发明的数据集由25个X射线图像序列组成，20个序列用来训练，5个序列用来测试。根据Hausdorff(霍斯多夫)距离和F1-score(F1分数)系数来评估网络的性能。在测试集中，该方法的平均F1-score为91.35％，平均Hausdorff距离为0.531mm。实验结果表明，连通性的约束能够使网络学习到更多的关于连通性的信息，得到更好的结果。网络分割一张图像的时间为0.02s，能够满足大多数PCI手术导航应用的需求。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。
Claims (10)
1.一种2D导丝尖端分割方法，其特征在于：其包括以下步骤：
(1)使用dense-block替换掉U-Net中的卷积层；
(2)将原始图像进行了zero-padding操作，采用8连通构建连通性矩阵；
(3)采用U-Net作为基础结构，网络的输入是一张X射线图像，输出是一张像素值为0到1的概率图，越接近1表示该像素是导丝尖端的概率越大；网络的结构包含四个下采样和四个上采样过程，同时包含跳连接将网络低层特征和高层特征相结合；
(4)进行网络训练，损失函数的定义分为两个部分：一部分用来优化整体的分割结果，另一部分用来优化关于连接性特征的结果。
2.根据权利要求1所述的2D导丝尖端分割方法，其特征在于：所述步骤(1)中，dense-block具有五个卷积层，根据公式(1)，在第l层，接受所有之前层的输出作为输入：
xl＝x1+x2+…+xl-1 (1)
使用逐元素的相加将每个层的输出结合起来，其中xi表示第i层的输出。
3.根据权利要求2所述的2D导丝尖端分割方法，其特征在于：所述步骤(2)中，对于8连通，采用棋盘格距离来计算像素之间距离，点P(x,y)和Q(u,v)的距离表示为公式(2)：
d(P,Q)＝max(|(x-u)|,|(y-v)|) (2)
对于每个像素，需要考虑它周围的8个像素，给定一副H×W的图像，创建一个H×W×C的矩阵，其中，H和W分别是输入图像的高度和宽度，C表示对每一个像素而言需要考虑的周围像素的个数，这里C＝8；针对给定的标签图像，定义如果两个像素都是1，则这两个像素是相连的，所有的背景像素都是不相连的，对于连接性矩阵P，Pi,j,c表示一个像素和它在指定方向的像素的连接关系，其中，i,j表示在标签图像中的位置，c表示当前像素的指定方向，Pi,j,c的值有0和1两种情况，0代表不相连，1代表相连，通过检查标签图像中每个像素和它的所有邻居的连接关系，构建一个连接性矩阵的金标准。
4.根据权利要求3所述的2D导丝尖端分割方法，其特征在于：所述步骤(3)中，为了加速网络的收敛，在每个卷积层之后加入了bn层。
5.根据权利要求4所述的2D导丝尖端分割方法，其特征在于：所述步骤(3)中，在每个dense-block之后加入了dropout层，以避免过拟合。
6.根据权利要求5所述的2D导丝尖端分割方法，其特征在于：所述步骤(3)中，在输出的前一层加入一个连接性特征的输出，连接性特征的输出为八个通道，代表八个方向的像素连通性特征。
7.根据权利要求6所述的2D导丝尖端分割方法，其特征在于：所述步骤(4)中，损失函数为公式(3)
其中，
代表约束连接性特征在整个损失函数中所占的权重，将其设为0.1。
8.根据权利要求7所述的2D导丝尖端分割方法，其特征在于：所述步骤(4)中，对于整体分割的部分，采取基于dice系数的损失函数，给定金标准图像Bi和网络的输出图像
损失函数为公式(4)
其中，Bik和
分别是金标准图像Bi和网络输出图像
像素值。
9.根据权利要求8所述的2D导丝尖端分割方法，其特征在于：所述步骤(4)中，根据公式(5)，通过计算网络输出的连通性矩阵和金标准的连通性矩阵的交叉熵来优化训练结果：
其中，N表示连通性矩阵中一个H×W大小的切片的元素个数，C代表的是每个像素需要考虑的相邻像素的个数，为连通性立方体的通道数，
表示在位置i处的像素和它在c方向的邻域像素的连通关系的金标准，
表示相对应的网络的输出。
10.一种2D导丝尖端分割装置，其特征在于：其包括：
卷积层替换模块，其配置来使用dense-block替换掉U-Net中的卷积层；
连通性矩阵构建模块，其配置来将原始图像进行了zero-padding操作，采用8连通构建连通性矩阵；
网络架构设计模块，其配置来采用U-Net作为基础结构，网络的输入是一张X射线图像，输出是一张像素值为0到1的概率图，越接近1表示该像素是导丝尖端的概率越大；网络的结构包含四个下采样和四个上采样过程，同时包含跳连接将网络低层特征和高层特征相结合；
网络训练模块，其配置来进行网络训练，损失函数的定义分为两个部分：一部分用来优化整体的分割结果，另一部分用来优化关于连接性特征的结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911373959.9A CN111192266A (zh) | 2019-12-27 | 2019-12-27 | 一种2d导丝尖端分割方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911373959.9A CN111192266A (zh) | 2019-12-27 | 2019-12-27 | 一种2d导丝尖端分割方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111192266A true CN111192266A (zh) | 2020-05-22 |
Family
ID=70709980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911373959.9A Pending CN111192266A (zh) | 2019-12-27 | 2019-12-27 | 一种2d导丝尖端分割方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111192266A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111784751A (zh) * | 2020-06-16 | 2020-10-16 | 北京理工大学 | 基于3d/2d配准的导丝3d模拟跟踪方法及装置 |
| CN111798451A (zh) * | 2020-06-16 | 2020-10-20 | 北京理工大学 | 基于血管3d/2d匹配的3d导丝跟踪方法及装置 |
| CN112116608A (zh) * | 2020-10-22 | 2020-12-22 | 上海联影医疗科技股份有限公司 | 一种导丝分割方法、装置、电子设备及存储介质 |
| CN112348821A (zh) * | 2020-11-24 | 2021-02-09 | 中国科学院自动化研究所 | 基于x光图像的导丝分割和尖端点定位方法、系统和装置 |
| CN113269788A (zh) * | 2021-05-21 | 2021-08-17 | 东南大学 | 一种x射线透视图像下基于深度分割网络和最短路径算法的导丝分割方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110120033A (zh) * | 2019-04-12 | 2019-08-13 | 天津大学 | 基于改进的U-Net神经网络三维脑肿瘤图像分割方法 |
| CN110288631A (zh) * | 2019-05-15 | 2019-09-27 | 中国科学院深圳先进技术研究院 | 追踪导丝尖端的方法、系统及存储介质 |
| US20190385021A1 (en) * | 2018-06-18 | 2019-12-19 | Drvision Technologies Llc | Optimal and efficient machine learning method for deep semantic segmentation |
-
2019
- 2019-12-27 CN CN201911373959.9A patent/CN111192266A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190385021A1 (en) * | 2018-06-18 | 2019-12-19 | Drvision Technologies Llc | Optimal and efficient machine learning method for deep semantic segmentation |
| CN110120033A (zh) * | 2019-04-12 | 2019-08-13 | 天津大学 | 基于改进的U-Net神经网络三维脑肿瘤图像分割方法 |
| CN110288631A (zh) * | 2019-05-15 | 2019-09-27 | 中国科学院深圳先进技术研究院 | 追踪导丝尖端的方法、系统及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| MICHAEL KAMPFFMEYER 等: "ConnNet: A Long-Range Relation-Aware Pixel-Connectivity Network for Salient Segmentation" * |
| PIERRE AMBROSINI 等: "Fully Automatic and Real-Time Catheter Segmentation in X-Ray Fluoroscopy" * |
| STEVEN GUAN 等: "Fully Dense UNet for 2D Sparse Photoacoustic Tomography Artifact Removal" * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111784751A (zh) * | 2020-06-16 | 2020-10-16 | 北京理工大学 | 基于3d/2d配准的导丝3d模拟跟踪方法及装置 |
| CN111798451A (zh) * | 2020-06-16 | 2020-10-20 | 北京理工大学 | 基于血管3d/2d匹配的3d导丝跟踪方法及装置 |
| CN111784751B (zh) * | 2020-06-16 | 2022-12-02 | 北京理工大学 | 基于3d/2d配准的导丝3d模拟跟踪方法及装置 |
| CN111798451B (zh) * | 2020-06-16 | 2023-08-08 | 北京理工大学 | 基于血管3d/2d匹配的3d导丝跟踪方法及装置 |
| CN112116608A (zh) * | 2020-10-22 | 2020-12-22 | 上海联影医疗科技股份有限公司 | 一种导丝分割方法、装置、电子设备及存储介质 |
| CN112348821A (zh) * | 2020-11-24 | 2021-02-09 | 中国科学院自动化研究所 | 基于x光图像的导丝分割和尖端点定位方法、系统和装置 |
| CN112348821B (zh) * | 2020-11-24 | 2021-06-25 | 中国科学院自动化研究所 | 基于x光图像的导丝分割和尖端点定位方法、系统和装置 |
| CN113269788A (zh) * | 2021-05-21 | 2021-08-17 | 东南大学 | 一种x射线透视图像下基于深度分割网络和最短路径算法的导丝分割方法 |
| CN113269788B (zh) * | 2021-05-21 | 2024-03-29 | 东南大学 | 一种x射线透视图像下基于深度分割网络和最短路径算法的导丝分割方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111192245B (zh) | 一种基于U-Net网络的脑肿瘤分割网络及分割方法 | |
| CN111192266A (zh) | 一种2d导丝尖端分割方法及装置 | |
| CN109035255B (zh) | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 | |
| CN112489047B (zh) | 一种基于深度学习的盆骨及其动脉血管的多层级分割方法 | |
| CN112508965B (zh) | 医学影像中正常器官的轮廓线自动勾画系统 | |
| CN109598722B (zh) | 基于递归神经网络的图像分析方法 | |
| CN111354002A (zh) | 一种基于深度神经网络的肾脏及肾脏肿瘤分割方法 | |
| CN111798462A (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
| US20230038364A1 (en) | Method and system for automatically detecting anatomical structures in a medical image | |
| US20070116332A1 (en) | Vessel segmentation using vesselness and edgeness | |
| CN110751651B (zh) | 基于多尺度迁移学习的mri胰腺图像分割方法 | |
| CN111798458B (zh) | 一种基于不确定性引导的交互式医学图像分割方法 | |
| CN113436173B (zh) | 基于边缘感知的腹部多器官分割建模、分割方法及系统 | |
| Rezaei et al. | Whole heart and great vessel segmentation with context-aware of generative adversarial networks | |
| CN112700448A (zh) | 一种脊椎图像分割与识别方法 | |
| CN112308846B (zh) | 血管分割方法、装置及电子设备 | |
| 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 | |
| CN115082493A (zh) | 基于形状引导对偶一致性的3d心房图像分割方法及系统 | |
| CN110288631B (zh) | 追踪导丝尖端的方法、系统及存储介质 | |
| CN111553882A (zh) | Mr图像股骨头缺血型坏死识别方法及装置 | |
| CN117495876B (zh) | 基于深度学习的冠状动脉图像分割方法及系统 | |
| CN112634308B (zh) | 基于不同感受野的鼻咽癌靶区和危及器官的勾画方法 | |
| CN112750131A (zh) | 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 | |
| Liu et al. | DIAS: A Comprehensive Benchmark for DSA-sequence Intracranial Artery Segmentation | |
| Asma-Ull et al. | Data efficient segmentation of various 3d medical images using guided generative adversarial networks |
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 |
Application publication date: 20200522 |
|
| RJ01 | Rejection of invention patent application after publication |