CN111210416A - 一种解剖结构先验引导的大脑感兴趣区域快速分割方法及系统 - Google Patents
一种解剖结构先验引导的大脑感兴趣区域快速分割方法及系统 Download PDFInfo
- Publication number
- CN111210416A CN111210416A CN202010012569.5A CN202010012569A CN111210416A CN 111210416 A CN111210416 A CN 111210416A CN 202010012569 A CN202010012569 A CN 202010012569A CN 111210416 A CN111210416 A CN 111210416A
- Authority
- CN
- China
- Prior art keywords
- network
- sub
- anatomical
- segmentation
- anatomical structure
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 101
- 210000003484 anatomy Anatomy 0.000 title claims abstract description 73
- 210000004556 brain Anatomy 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005481 NMR spectroscopy Methods 0.000 claims abstract description 24
- 238000013507 mapping Methods 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000013598 vector 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
- G06T7/0002—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
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种解剖结构先验引导的大脑感兴趣区域快速分割方法及系统,该方法包括以下步骤:步骤一,通过分割子网络学习大脑核磁共振图像特征;步骤二,通过解剖结构注意力子网络学习大脑解剖结构信息;步骤三,通过解剖结构门将分割子网络学习到的图像特征和解剖结构注意力子网络学习到的解剖结构信息融合;步骤四,利用分割子网络的输出分割大脑核磁共振图像。本发明使用卷积网络学习到特征,并利用解剖结构先验信息指导网络进行大脑图像分割,本发明提供的方法能够更加快速准确的对大脑核磁共振图像进行分割。
Description
技术领域
本发明涉及一种解剖结构先验引导的大脑感兴趣区域快速分割方法及系统,属于医学图像分析技术领域。
背景技术
近年来,深度学习方法在医学图像分割和计算机辅助诊断中取得巨大的成功。特别是一些基于端到端网络结构的方法,常被用于自动分割图像。端到端网络通常包含两部分:(1)编码部分和(2)解码部分。具体来说,编码部分用于提取输入图像的高级纹理特征,而解码部分通过上采样方法将图像的高级纹理特征转换成稠密的标签集合,用于预测待分割图像的标签。在早期的端到端网络结构中,全连接层用于将高维度特征转换为1维特征向量。由于全连接层的参数是由输入图像的大小决定的,因此这些网络只能处理固定大小的图像。全卷积网络(Fully Convolutional Networks,FCN)是目前比较常用的一种网络结构,由于FCN只有卷积层,因此FCN可以处理任意大小的图像。除此之外,去除全卷积层可以使FCN的参数数目减少,从而加快FCN训练和测试阶段的速度。虽然FCN中的池化操作可以提取输入图像的高级纹理特征,但也会丢失输入图像的空间信息,导致在稠密分割时影响分割的效果。为了有效的刻画图像的高级纹理特征和高分辨率的空间特征,有研究者提出U-Net结构用于生物医学图像分割。与FCN结构类似,U-Net也由编码和解码两部分构成,并且在编码部分和解码部分之间存在跳连接。由于跳连接的存在,高级的纹理特征和高分辨率的空间特征可以融合到U-Net网络中提高分割的效果。但是人类大脑有复杂的解剖结构,并且大脑MR图像的感兴趣区域边缘的图像灰度对比度极低,不同个体之间差异性较大,这些原因使得大脑感兴趣区域分割十分困难。而且,现有的一些深度学习方法通常忽略了大脑的解剖结构信息,导致对大脑感兴趣区域的分割产生了次优的结果。
基于多图谱的分割方法在大脑感兴趣区域分割上展现出优越的性能。多图谱方法假设体素之间如果具有相似的局部结构,则体素应该具有相同的标签。为了减少配准误差对分割结果的影响,有研究者提出了一些基于非局部的方法用于标签融合。例如,非局部均值图像块方法(non-local mean Patch-Based Method,PBM)不仅在待分割体素的同一位置传播标签,而且根据一个特定的局部区域内体素之间的相似性传播标签。最近,一些基于学习的方法被提出用于自动的学习投票权重。例如,联合标签融合方法(Joint LabelFusion,JLF)通过最小化相似的图像块之间标签错误的期望,联合学习图像块的投票权重。除此之外,稀疏字典方法也被用于学习投票权重。在稀疏图像块方法(Sparse Patch-BasedMethod,SPBM)中,首先将搜索区域中的图像块构建成一个区域特定的字典,然后利用字典重建目标图像块。在l1范数的约束下,仅有少量的图像块被选中用于决定待分割体素的标签。有研究证明,使用多图谱图像解剖结构的先验信息能够有效的提高对大脑MR图像感兴趣区域分割的效果。由于这些多谱图方法使用图像灰度作为特征,而后续的标签传播算法不能有效的使用这些特征,从而降低了多图谱分割算法的性能。因此,设计一个基于任务驱动特征提取的大脑感兴趣区域分割方法十分重要。此外,由于多图谱方法是逐体素进行分割图像,其分割效率通常很低。
发明内容
本发明的目的是提供一种解剖结构先验引导的大脑感兴趣区域快速分割方法及系统,以解决现有技术中深度网络分割精度不高、多图谱分割方法速度较慢,特征难以人工定义等问题。
为实现上述目的,本发明采用的技术方案为:
一种解剖结构先验引导的大脑感兴趣区域快速分割方法,包括以下步骤:
步骤一,通过分割子网络学习大脑核磁共振图像特征;
步骤二,通过解剖结构注意力子网络学习大脑解剖结构信息;
步骤三,通过解剖结构门将分割子网络学习到的图像特征和解剖结构注意力子网络学习到的解剖结构信息融合;
步骤四,通过步骤一中分割子网络的输出获得大脑核磁共振图像的分割结果。
所述步骤一中,分割子网络的输入为待分割的大脑核磁共振图像,分割子网络使用U-Net结构;在分割子网络中,编码部分包含六个卷积层和两个最大池化层;每个卷积操作后紧跟批归一化操作和一个ReLU单元;此外,每个最大池化层后紧跟一个解剖结构门用于融合分割子网络和解剖结构注意力子网络特征;在解码部分中,反卷积层用于上采样特征映射;然后反卷积层特征和对应的编码部分特征进行通道级联,在级联操作后紧跟一个解剖结构门,用于融合分割子网络和解剖结构注意力子网络学习到的特征;在解剖结构门后紧跟两个卷积层,然后紧跟一个解卷积层,并级联其对应的编码网络学习到的特征;在之后紧跟一个解剖结构门用于融合两个子网络特征;然后紧跟两个卷积层和一个卷积层;最终使用softmax非线性单元预测体素属于不同区域的概率。
所述步骤二中,解剖结构注意力子网络的输入为多张配准到待分割图像空间的图谱图像标签图;解剖结构注意力子网络为一个没有输出的U-Net结构;解剖结构注意力子网络中每一个模块具有同分割子网络中相同的卷积层和最大池化层;在解码部分中,每一个模块同样具有同分割子网络中结构相同的反卷积层和卷积层,在解剖结构注意力子网络中,每一个最大池化层和反卷积层学习到的特征通过解剖结构门融合到分割子网络中。
所述步骤三中,在解剖结构门中,分割子网络和解剖结构注意力子网络的输出特征首先被通道级联,然后级联的特征映射分别作为两个核大小为1×1×1卷积层输入,每个卷积层后紧跟一个sigmoid非线性映射单元学习每个输入特征映射的权重张量;每个权重张量进一步通过元素点乘与输入特征组合得到带权重特征映射;最终,分割子网络和解剖结构注意力子网络对应的带权重特征映射通过元素加法得到权重加和的特征映射。
所述步骤四中,根据分割子网络输出,使用最大后验准则获得分割图像。
一种解剖结构先验引导的大脑感兴趣区域快速分割系统,包括分割子网络、解剖结构注意力子网络和解剖结构门,其中:
所述分割子网络用于学习大脑核磁共振图像的特征;
所述解剖结构注意力子网络用于学习大脑解剖结构信息;
所述解剖结构门用于融合通过分割子网络学习到的图像特征和解剖结构注意力子网络学习到的解剖结构信息。
所述分割子网络的输入为待分割的大脑核磁共振图像,分割子网络使用U-Net结构;在分割子网络中,编码部分包含六个卷积层和两个最大池化层;每个卷积操作后紧跟批归一化操作和一个ReLU单元;此外,每个最大池化层后紧跟一个解剖结构门用于融合分割子网络和解剖结构注意力子网络特征;在解码部分中,反卷积层用于上采样特征映射;然后反卷积层特征和对应的编码部分特征进行通道级联,在级联操作后紧跟一个解剖结构门,用于融合分割子网络和解剖结构注意力子网络学习到的特征;在解剖结构门后紧跟两个卷积层,然后紧跟一个解卷积层,并级联其对应的编码网络学习到的特征;在之后紧跟一个解剖结构门用于融合两个子网络特征;然后紧跟两个卷积层和一个卷积层;最终使用softmax非线性单元预测体素属于不同区域的概率。
所述解剖结构注意力子网络的输入为多张配准到待分割图像空间的图谱图像标签图;解剖结构注意力子网络为一个没有输出的U-Net结构;解剖结构注意力子网络中每一个模块具有同分割子网络中相同的卷积层和最大池化层;在解码部分中,每一个模块同样具有同分割子网络中结构相同的反卷积层和卷积层,在解剖结构注意力子网络中,每一个最大池化层和反卷积层学习到的特征通过解剖结构门融合到分割子网络中。
所述解剖结构门中,分割子网络和解剖结构注意力子网络的输出特征首先被通道级联,然后级联的特征映射分别作为两个核大小为1×1×1卷积层输入,每个卷积层后紧跟一个sigmoid非线性映射单元学习每个输入特征映射的权重张量;每个权重张量进一步通过元素点乘与输入特征组合得到带权重特征映射;最终,分割子网络和解剖结构注意力子网络对应的带权重特征映射通过元素加法得到权重加和的特征映射。
有益效果:本发明使用卷积网络学习到特征,并利用解剖结构先验信息指导网络进行大脑图像分割,本发明提供的方法能够更加快速准确的对大脑核磁共振图像进行分割。本发明设计了一种近似对称网络分别用于学习核磁共振图像特征和大脑解剖结构特征,使用解剖结构门对两个子网络学习的特征进行融合。本发明通过有效利用端到端神经网络的速度优势和大脑解剖结构的先验信息,提高对大脑感兴趣区域分割的时间效率,并达到较高的分割精度。
附图说明
图1为网络结构示意图;
图2为解剖结构门示意图;
图3为采用本发明提出方法得到的结果示意图。
具体实施方式
下面结合附图和实施方式对本发明作更进一步的说明。
本具体实施方式中实验数据均来自人类大脑核磁共振扫描的真实数据集。
首先对本发明的一种解剖结构先验引导的大脑感兴趣区域快速分割系统进行说明。
图1展示了本发明提到的一种解剖结构先验引导的大脑感兴趣区域快速分割系统的网络结构,具体结构如下所述:
本发明中提出的系统为端到端的网络结构,并且包含两个子网络:分割子网络和解剖结构注意力子网络。其中分割子网络的输入为核磁共振图像,输出为分割结果图。解剖结构注意力子网络的输入为多张图谱图像的标签图。
分割子网络中,编码部分包含六个卷积层(核大小为:3×3×3,步长为:1)和两个最大池化层(核大小为:2×2×2,步长为:2)。每个卷积操作后紧跟批归一化操作和一个ReLU单元。此外,每个最大池化层后紧跟一个解剖结构门用于融合分割子网络和解剖结构注意力子网络特征。在解码部分中,反卷积层(核大小为:2×2×2)用于上采样解码部分特征。然后反卷积层和对应编码部分的卷积层特征级联,在级联后紧跟一个解剖结构门,用于融合分割子网络和解剖结构注意力子网络特征。在之后紧跟两个卷积层(核大小为:3×3×3,步长为:1),然后紧跟一个解卷积层(核大小为:2×2×2),并级联其对应的编码网络特征。在之后紧跟一个解剖结构门用于融合两个子网络特征。然后紧跟两个卷积层(核大小为:3×3×3,步长为:1)和一个卷积层(核大小为:1×1×1,步长为:1)。最终使用softmax非线性单元预测体素属于不同类的概率。
解剖结构注意力子网络中,每一个模块具有同分割子网络中相同的卷积层和最大池化层。在解码部分中,每一个模块同样具有同分割子网络中结构相同的反卷积层和卷积层。在解剖结构注意力子网络中,每一个最大池化层和反卷积层特征通过解剖结构门融合到分割子网络中。
图2展示了本发明提到的解剖结构门示意图,具体结构如下所述:
在解剖结构门中,分割子网络和解剖结构注意力子网络输出的特征首先被级联。然后级联特征映射分别作为两个卷积核为1×1×1卷积层的输入,每个卷积层后紧跟一个sigmoid非线性映射单元,学习每个输入特征映射的权重张量。每个权重张量进一步通过元素点乘与输入特征组合得到带权重特征映射。最终,分割子网络和解剖结构注意力子网络对应的带权重特征映射通过元素加法得到权重加和的特征映射。
本发明的一种解剖结构先验引导的大脑感兴趣区域快速分割方法,包括以下步骤:
步骤一,通过分割子网络学习大脑核磁共振图像特征;
步骤二,通过解剖结构注意力子网络学习大脑解剖结构信息;
步骤三,通过解剖结构门将分割子网络学习到的图像特征和解剖结构注意力子网络学习到的解剖结构信息融合;
步骤四,通过分割子网络的输出,使用最大后验准则获得大脑核磁共振图像的分割结果。
本发明的系统及方法在国际标准数据集LONI-LPBA40数据集上进行验证。图3展示了采用本发明得到的结果示意图。本发明的大脑提取精度很高,在LONI-LPBA40数据集上的结果显示,本发明的Dice指数能够达到0.8067(U-Net:0.7817,PBM:78.81,JLF:79.26,SPBM:79.65)。同时本发明相比于多图谱方法,分割一张核磁共振脑图像的速度仅为5秒左右。本发明与PBM(MATLAB)、JLF(C++)、SPBM(MATLAB)相比,在速度上能够提高1000倍以上。
表格1本发明与PBM、JLF和SPBM分割时间对比
本发明使用基于解剖结构引导的U-Net的大脑感兴趣区域快速分割方法对大脑核磁共振图像进行感兴趣区域分割,提出的网络结构包括两个子网络,分割子网络和解剖结构注意力子网络,并使用解剖结构门融合两个子网络的特征,进而得到精准的分割结果。
人类大脑有复杂的解剖结构,并且脑MR图像的感兴趣区域边缘的灰度对比度极低,不同个体之间差异性较大。现有的深度学习方法通常忽略了大脑的解剖结构信息,导致对大脑感兴趣区域的分割产生了次优的结果。由于多谱图方法使用图像灰度作为特征,而后续的标签传播算法不能有效的使用这些特征,从而降低了多图谱分割算法的性能。而且多图谱方法是逐体素进行分割,这使得其分割效率很低。于是,本发明提供一种新的解剖结构先验引导的大脑感兴趣区域快速分割方法对大脑核磁共振图像进行感兴趣区域分割,使用神经网络对大脑核磁共振图像进行快速分割。同时,针对上述问题,开发出一种融合解剖结构先验信息的网络结构,并通过解剖结构门融合网络特征,进而得到精准的大脑感兴趣区域的分割结果。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种解剖结构先验引导的大脑感兴趣区域快速分割方法,其特征在于:包括以下步骤:
步骤一,通过分割子网络学习大脑核磁共振图像特征;
步骤二,通过解剖结构注意力子网络学习大脑解剖结构信息;
步骤三,通过解剖结构门将分割子网络学习到的图像特征和解剖结构注意力子网络学习到的解剖结构信息融合;
步骤四,通过步骤一中分割子网络的输出获得大脑核磁共振图像的分割结果。
2.根据权利要求1所述的解剖结构先验引导的大脑感兴趣区域快速分割方法,其特征在于:所述步骤一中,分割子网络的输入为待分割的大脑核磁共振图像,分割子网络使用U-Net结构;在分割子网络中,编码部分包含六个卷积层和两个最大池化层;每个卷积操作后紧跟批归一化操作和一个ReLU单元;此外,每个最大池化层后紧跟一个解剖结构门用于融合分割子网络和解剖结构注意力子网络特征;在解码部分中,反卷积层用于上采样特征映射;然后反卷积层特征和对应的编码部分特征进行通道级联,在级联操作后紧跟一个解剖结构门,用于融合分割子网络和解剖结构注意力子网络学习到的特征;在解剖结构门后紧跟两个卷积层,然后紧跟一个解卷积层,并级联其对应的编码网络学习到的特征;在之后紧跟一个解剖结构门用于融合两个子网络特征;然后紧跟两个卷积层和一个卷积层;最终使用softmax非线性单元预测体素属于不同区域的概率。
3.根据权利要求1或2所述的解剖结构先验引导的大脑感兴趣区域快速分割方法,其特征在于:所述步骤二中,解剖结构注意力子网络的输入为多张配准到待分割图像空间的图谱图像标签图;解剖结构注意力子网络为一个没有输出的U-Net结构;解剖结构注意力子网络中每一个模块具有同分割子网络中相同的卷积层和最大池化层;在解码部分中,每一个模块同样具有同分割子网络中结构相同的反卷积层和卷积层,在解剖结构注意力子网络中,每一个最大池化层和反卷积层学习到的特征通过解剖结构门融合到分割子网络中。
4.根据权利要求1所述的解剖结构先验引导的大脑感兴趣区域快速分割方法,其特征在于:所述步骤三中,在解剖结构门中,分割子网络和解剖结构注意力子网络的输出特征首先被通道级联,然后级联的特征映射分别作为两个核大小为1×1×1卷积层输入,每个卷积层后紧跟一个sigmoid非线性映射单元学习每个输入特征映射的权重张量;每个权重张量进一步通过元素点乘与输入特征组合得到带权重特征映射;最终,分割子网络和解剖结构注意力子网络对应的带权重特征映射通过元素加法得到权重加和的特征映射。
5.根据权利要求1所述的解剖结构先验引导的大脑感兴趣区域快速分割方法,其特征在于:所述步骤四中,根据分割子网络输出,使用最大后验准则获得分割图像。
6.一种解剖结构先验引导的大脑感兴趣区域快速分割系统,其特征在于:包括分割子网络、解剖结构注意力子网络和解剖结构门,其中:
所述分割子网络用于学习大脑核磁共振图像的特征;
所述解剖结构注意力子网络用于学习大脑解剖结构信息;
所述解剖结构门用于融合通过分割子网络学习到的图像特征和解剖结构注意力子网络学习到的解剖结构信息。
7.根据权利要求6所述的解剖结构先验引导的大脑感兴趣区域快速分割系统,其特征在于:所述分割子网络的输入为待分割的大脑核磁共振图像,分割子网络使用U-Net结构;在分割子网络中,编码部分包含六个卷积层和两个最大池化层;每个卷积操作后紧跟批归一化操作和一个ReLU单元;此外,每个最大池化层后紧跟一个解剖结构门用于融合分割子网络和解剖结构注意力子网络特征;在解码部分中,反卷积层用于上采样特征映射;然后反卷积层特征和对应的编码部分特征进行通道级联,在级联操作后紧跟一个解剖结构门,用于融合分割子网络和解剖结构注意力子网络学习到的特征;在解剖结构门后紧跟两个卷积层,然后紧跟一个解卷积层,并级联其对应的编码网络学习到的特征;在之后紧跟一个解剖结构门用于融合两个子网络特征;然后紧跟两个卷积层和一个卷积层;最终使用softmax非线性单元预测体素属于不同区域的概率。
8.根据权利要求6或7所述的解剖结构先验引导的大脑感兴趣区域快速分割系统,其特征在于:所述解剖结构注意力子网络的输入为多张配准到待分割图像空间的图谱图像标签图;解剖结构注意力子网络为一个没有输出的U-Net结构;解剖结构注意力子网络中每一个模块具有同分割子网络中相同的卷积层和最大池化层;在解码部分中,每一个模块同样具有同分割子网络中结构相同的反卷积层和卷积层,在解剖结构注意力子网络中,每一个最大池化层和反卷积层学习到的特征通过解剖结构门融合到分割子网络中。
9.根据权利要求6所述的解剖结构先验引导的大脑感兴趣区域快速分割系统,其特征在于:所述解剖结构门中,分割子网络和解剖结构注意力子网络的输出特征首先被通道级联,然后级联的特征映射分别作为两个核大小为1×1×1卷积层输入,每个卷积层后紧跟一个sigmoid非线性映射单元学习每个输入特征映射的权重张量;每个权重张量进一步通过元素点乘与输入特征组合得到带权重特征映射;最终,分割子网络和解剖结构注意力子网络对应的带权重特征映射通过元素加法得到权重加和的特征映射。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010012569.5A CN111210416A (zh) | 2020-01-07 | 2020-01-07 | 一种解剖结构先验引导的大脑感兴趣区域快速分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010012569.5A CN111210416A (zh) | 2020-01-07 | 2020-01-07 | 一种解剖结构先验引导的大脑感兴趣区域快速分割方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111210416A true CN111210416A (zh) | 2020-05-29 |
Family
ID=70788656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010012569.5A Pending CN111210416A (zh) | 2020-01-07 | 2020-01-07 | 一种解剖结构先验引导的大脑感兴趣区域快速分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111210416A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669327A (zh) * | 2020-12-25 | 2021-04-16 | 上海交通大学 | 磁共振图像分割系统及其分割方法 |
CN113160138A (zh) * | 2021-03-24 | 2021-07-23 | 山西大学 | 一种脑部核磁共振图像分割方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685804A (zh) * | 2019-01-04 | 2019-04-26 | 清华大学深圳研究生院 | 一种多通道头部磁共振成像组织分割方法 |
-
2020
- 2020-01-07 CN CN202010012569.5A patent/CN111210416A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685804A (zh) * | 2019-01-04 | 2019-04-26 | 清华大学深圳研究生院 | 一种多通道头部磁共振成像组织分割方法 |
Non-Patent Citations (2)
Title |
---|
LIANG SUN 等: "《Anatomical Attention Guided Deep Networks for ROI Segmentation of Brain MR Images》" * |
孙亮 等: "《Multi-Atlas Based Methods in Brain MR Image Segmentation》" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669327A (zh) * | 2020-12-25 | 2021-04-16 | 上海交通大学 | 磁共振图像分割系统及其分割方法 |
CN113160138A (zh) * | 2021-03-24 | 2021-07-23 | 山西大学 | 一种脑部核磁共振图像分割方法及系统 |
CN113160138B (zh) * | 2021-03-24 | 2022-07-19 | 山西大学 | 一种脑部核磁共振图像分割方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Road extraction by deep residual u-net | |
CN109711426B (zh) | 一种基于gan和迁移学习的病理图片分类装置及方法 | |
CN109829918B (zh) | 一种基于密集特征金字塔网络的肝脏图像分割方法 | |
CN111145181A (zh) | 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 | |
CN112446892A (zh) | 一种基于注意力学习的细胞核分割方法 | |
CN113705580B (zh) | 基于深度迁移学习的高光谱图像分类方法 | |
CN109214989A (zh) | 基于多方向特征预测先验的单幅图像超分辨率重建方法 | |
CN111325750B (zh) | 一种基于多尺度融合u型链神经网络的医学图像分割方法 | |
CN112364920B (zh) | 基于深度学习的甲状腺癌病理图像分类方法 | |
CN111739051A (zh) | 一种基于残差网络的多序列mri图像分割方法 | |
CN111210416A (zh) | 一种解剖结构先验引导的大脑感兴趣区域快速分割方法及系统 | |
CN116228792A (zh) | 一种医学图像分割方法、系统及电子装置 | |
CN114972378A (zh) | 一种基于掩码注意力机制的脑肿瘤mri图像分割方法 | |
CN114821052A (zh) | 基于自调节策略的三维脑肿瘤核磁共振图像分割方法 | |
Dong et al. | Holistic and Deep Feature Pyramids for Saliency Detection. | |
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 | |
CN111860668B (zh) | 一种针对原始3d点云处理的深度卷积网络的点云识别方法 | |
CN112329867B (zh) | 一种基于任务驱动的层次注意力网络的mri图像分类方法 | |
CN111986210B (zh) | 一种医学影像小病灶分割方法 | |
Zhao | Image semantic segmentation method based on GAN network and FCN model | |
CN117291935A (zh) | 一种头颈瘤病灶区域图像分割方法及计算机可读介质 | |
CN116433654A (zh) | 一种改进的U-Net网络实现脊柱整体分割方法 | |
Feng et al. | Improved deep fully convolutional network with superpixel-based conditional random fields for building extraction | |
CN115984257A (zh) | 一种基于多尺度transformer的多模态医学图像融合方法 | |
CN114782532A (zh) | 一种用于pet-ct多模态肿瘤分割的空间注意力方法及装置 |
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: 20200529 |
|
RJ01 | Rejection of invention patent application after publication |