CN111242233B - 一种基于融合网络的阿尔兹海默病分类方法 - Google Patents
一种基于融合网络的阿尔兹海默病分类方法 Download PDFInfo
- Publication number
- CN111242233B CN111242233B CN202010056516.3A CN202010056516A CN111242233B CN 111242233 B CN111242233 B CN 111242233B CN 202010056516 A CN202010056516 A CN 202010056516A CN 111242233 B CN111242233 B CN 111242233B
- Authority
- CN
- China
- Prior art keywords
- network
- magnetic resonance
- training
- resonance image
- data
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于融合网络的阿尔兹海默病分类方法,包括以下步骤:1、给定被试的磁共振图像数据集,进行预处理;2、将样本划分训练集和测试集,进行图像扩增、归一化操作;3、将训练集输入训练网络;4、对样本进行特征提取及特征融合;5、对各基网络的分类决策和特征融合的分类决策进行融合;6、对输出标签进行误差计算,并通过反向传播进行参数更新;7、对分类模型评估并获得最优模型,重复第3‑7步直至迭代结束;8、训练完成的最优模型,输入通过预处理的被试磁共振影像数据,得到被试的标签。本发明使用了行卷积神经网络,实现了有效使用被试的磁共振影像数据进行阿尔兹海默病分类的方法,具有较好的鲁棒性。
Description
技术领域
本发明属于脑影像与计算机科学的交叉领域,涉及图像分类技术领域,尤其涉及一种基于融合网络的阿尔兹海默病分类方法。
背景技术
随着人工智能和神经影像技术的快速发展,医学图像处理作为与医疗科学技术相关最为密切的领域之一正在蓬勃发展。阿尔兹海默病的分类是医学图像分类领域的一个重要研究方向,在计算机辅助诊断中具有重要意义。通过机器学习对磁共振图像进行分析,能够实现阿尔茨海默症(Alzheimer's disease,AD)的快速、准确分类。在某些情况下,这种方法表现出比临床医生更好的分类准确率。基于机器学习的计算机辅助诊断发展成为一个重要的研究领域,表现出巨大的优势和发展的前景。
早期AD的分类方法依靠领域知识结合经典的机器学习方法,揭示阿尔兹海默病发生的病理细节。但是这些方法基于人为的先验假设,高度依赖于手工提取的特征,分类的效果受图像预处理步骤,如分割和配准等的影响。近年来,深度学习的成功进一步推动了AD分类的研究。深度学习作为一种先进的机器学习方法,避免了图像预处理步骤带来的负面影响,能够在大规模且复杂的高维数据中提取重要的信息,从而获得数据中隐含的层次化特征和数据的复杂结构。这些利用基于深度学习的基网络实现AD分类的模型,相较于传统的机器学习方法表现出良好的效果,但存在模型泛化性差的问题,以及准确率还有待进一步提升。
发明内容
针对以上问题,本发明提出一种基于融合网络的阿尔兹海默病分类方法,有效使用被试的结构核磁共振图像数据进行自动辅助疾病分类。
本发明的技术方案:一种基于融合网络的阿尔兹海默病分类方法,包括以下步骤:
步骤S1:给定被试的磁共振图像数据集,数据集包含磁共振图像和被试的标签,磁共振图像数据集记为C={(ai,bi)|i∈[1,R]},式中,a表示磁共振图像,b表示被试的对应标签,R表示样本数量,i表示样本下标。将磁共振图像全集C拷贝并划分成磁共振图像训练集E={(ai,bi)|i∈[1,M]}和磁共振图像测试集E={(ai,bi)|i∈[1,N]},其中N+M=R,且M和N分别表示划分后的样本数量;
步骤S2:对磁共振图像训练集依次进行数据预处理、水平翻转扩增操作和数据归一化操作,得到处理后的磁共振图像训练集E'={(ai,bi)|i∈[1,M']},经过扩增后,其数量相应的增多至M';对磁共振图像测试集F依次进行数据预处理、数据归一化操作得到归一化的磁共振图像测试集F'={(ai,bi)|i∈[1,N]};
步骤S3:将磁共振图像训练集E'作为输入,载入到计算机内存中,并将磁共振图像训练集E'={(ai,bi)|i∈[1,M']}随机打乱,为接下来的训练阶段做准备;
步骤S4:分别构建基网络G1和G2。在Pytorch框架中使用SGD优化方法,对基网络G1和G2的网络参数进行初始化,得到基网络G1和G2的初始参数,并设定相关训练超参数,用于网络模型的训练优化。通过基网络G1和G2分别对训练磁共振图像进行特征提取,得到特征H1和H2,并对分别提取的特征进行特征融合得到融合特征H3;
步骤S5:构建融合特征分类决策层P,将基网络G1和G2提取到的特征H1和H2以及融合特征H3分别输入到各网络的决策层,分别得到分类决策层的标签P1、P2和P3。对P1、P2和P3进行融合,得到对应输入样本最终的分类标签b';
步骤S6:通过损失函数计算,计算训练数据通过网络分类得到的标签b'和训练真实标签b之间的误差,得出损失值。利用得出的损失值进行反向传播,对基网络G1和G2,以及融合网络分别进行网络参数调整;
步骤S7:利用测试集F'对融合网络模型进行评估,保留网络模型G。同时在参数更新结束阶段进行判断,判断训练迭代次数是否已达到最大迭代次数,若已经达到最大迭代次数,则训练阶段结束,进入下一步骤。反之,将进入步骤S3进行循环迭代训练;
步骤S8:训练完成的网络模型,输入一个通过数据预处理的被试磁共振图像数据,得到被试的输出标签。
可选地,所述步骤S1中,对给定被试的磁共振图像数据集进行样本划分的具体方式为:根据被试的样本标签进行样本的随机划分,将被试对应的样本数据分为训练集和测试集。
可选地,所述步骤S2中,对被试的磁共振图像数据预处理、水平翻转扩增操作和数据归一化操作具体为:使用基于体素的形态测量(VBM)对所有数据进行预处理,将图像归一化到一个标准模版空间中,然后提取数据的灰质信息,并对其进行平滑操作,最后通过水平翻转进行数据扩增。
可选地,所述步骤S3中,输入模型训练的数据进行随机打乱。
可选地,所述步骤S4中,在Pytorch框架中采用SGD优化方法对训练超参数动态调整,优化训练。基网络G1和G2分别对训练磁共振图像进行特征提取,得到的特征H1和H2,通过对特征H1和H2进行通道拼接,得到一个融合的特征H3。
可选地,所述步骤S5中,对于基网络提取的特征H1和H2,以及融合的特征H3,在通过对应的决策层后,分别得到分类决策层的标签P1、P2和P3。对P1、P2和P3进行拼接,得到对应输入样本最终的分类标签b'。
可选地,所述步骤S6中,对分类得到的标签b'和训练真实标签b进行误差计算,得出损失值,利用网络的反向传播,对模型进行参数调整。
可选地,所述步骤S7中,通过输入磁共振图像测试样本计算模型分类的准确率,对训练的分类模型进行评估,保留最优模型参数。
有益效果:本发明使用了新颖的行卷积神经网络,定义了行卷积操作,不同于传统方格卷积,该卷积操作可以有效获取图结构数据上的局部信息;定义了特征融合方法和决策融合方法,构造的基于深度融合网络的分类模型,能够有效利用多层次多分类器不同尺度的特征信息,从而获得更好的阿尔兹海默病分类效果。
附图说明
图1是本发明的总体流程图;
图2是本发明的预处理流程图;
图3是本发明的总体框架图;
图4是本发明的网络结构框架图。
具体实施方式
为了将本发明实施例中的技术方案描述的完整、清楚,下面将结合本发明实施例中的附图展开进一步详细说明。应当理解,此处所描述的具体实施例仅用于解释本发明,并不限定本发明。
请参阅图1,本发明提供了一种技术方案:一种基于融合网络的阿尔兹海默病分类方法,包括以下步骤:
步骤S1:从ADNI(http://adni.loni.usc.edu/)公开数据集获取被试的磁共振图像数据集,该数据集为t1加权的结构MRI扫描,经过特定的图像预处理步骤,包括多平面重建(MPR)、灰度偏差(GradWarp)、B1非均匀性校正和N3强度归一化。数据集包含磁共振图像和被试的标签,其中标签是根据受教育程度和其他标准修正的记忆任务的得分来提取的。这些标签分别是AD(诊断为AD的轻度痴呆患者)、MCI(AD前驱期轻度认知障碍患者)和NC(老年对照组参与者)。磁共振图像数据集记为C={(ai,bi)|i∈[1,R]},式中,a表示磁共振图像,b表示被试的对应标签,R表示样本数量,i表示样本下标。将磁共振图像全集C拷贝并划分成磁共振图像训练集E={(ai,bi)|i∈[1,M]}和磁共振图像测试集E={(ai,bi)|i∈[1,N]},其中N+M=R,且M和N分别表示划分后的样本数量;
步骤S2:使用基于体素的形态测量(VBM),对磁共振图像集进行数据预处理和数据归一化操作,数据处理流程如图2所示。利用Matlab平台的医学影像预处理工具SPM12中的cat12包,将图像归一化到一个标准模版空间中,然后将数据分割为灰质、白质和脑脊液,提取包含丰富信息的灰质图像作为后续神经网络训练的输入图像。灰质图像的输出维度为121*145*121。在得到灰质图像后,使用SPM12中的smooth模块对灰质图像进行平滑(FMWH=4mm)以得到更高的信噪比和减小个体间的解剖差异。得到处理后的磁共振图像训练集E'={(ai,bi)|i∈[1,M']},经过水平翻转的数据扩增后,其数量相应的增多至M';得到磁共振图像测试集F'={(ai,bi)|i∈[1,N]};
以VGG11和ResNet18的网络结构为基础,构建基于特征融合和决策融合的深度融合网络架构,网络结构如图3所示。编写深度卷积神经网络代码,并利用深度学习框架工具Pytorch实现算法。
步骤S3:将磁共振图像训练集E'作为输入,载入到计算机内存中,并使用python编程语言中的shuffle语句,将磁共振图像训练集E'={(ai,bi)|i∈[1,M']}随机打乱;
步骤S4:分别以VGG11和ResNet18为基础,构建基网络G1和G2,网络模型具体结构如图4,网络具体参数如表1。
表1本发明的实例网络参数表
在Pytorch框架中使用SGD优化方法,对基网络G1和G2的网络参数进行初始化,得到基网络G1和G2的初始参数,并设定相关训练超参数(迭代次数、批大小、学习率、衰减动量等),用于网络模型的训练优化。通过基网络G1和G2分别对训练磁共振图像进行特征提取,得到特征H1和H2,并对提取的特征进行特征通道拼接得到融合特征H3;
步骤S5:构建融合特征分类决策层P,将基网络G1和G2提取到的特征以及融合特征H3分别输入到各网络的决策层,分别得到分类决策层的标签P1、P2和P3。对P1、P2和P3进行决策通道拼接融合,得到对应输入样本最终的分类标签b';
步骤S6:通过损失函数计算,计算训练数据通过网络分类得到的标签b'和训练真实标签b之间的误差,得出损失值。利用得出的损失值进行反向传播,对基网络G1和G2,以及融合网络分别进行网络参数调整;
步骤S7:利用测试集F'对融合网络模型进行评估,保留网络模型G。同时在参数更新结束阶段进行判断,判断训练迭代次数是否已达到最大迭代次数,若已经达到最大迭代次数,则训练阶段结束,进入下一步骤。反之,将进入步骤S3进行循环迭代训练;
融合网络结合VGG11和ResNet18结构的优点,使得网络在上采样的同时结合图像不同深度的特征,从而更加全面地利用了特征图信息,也防止了深层网络中的网络退化问题,并且融合的网络避免了单个基网络的误差领域,提升网络的分类精度和泛化能力。
步骤S8:训练完成的网络模型,输入一个通过数据预处理的被试磁共振图像数据,得到被试的输出标签,是AD、MCI或是NC。
综上所述,本发明采用一种基于融合网络的阿尔兹海默病分类方法,融合网络结构在多个深度卷积神经网络的基础上加入特征融合和决策融合操作,使得网络更加全面地捕捉到图像的特征,并且避免了单个基网络的误差领域,提升网络的分类精度和泛化能力,可以更好地对阿尔兹海默病进行快速、准确的分类。
对于本领域的技术人员,本发明不限于上述实施例的细节,在不背离本发明的精神和范围的情况下,能够以其它具体形式实现本发明。此外,本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的精神和范围,这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.一种基于融合网络的阿尔兹海默病分类方法,其特征在于,所述方法包括以下步骤:
步骤S1:给定被试的磁共振图像数据集,数据集包含磁共振图像和被试的标签,磁共振图像数据集记为C={(ai,bi)|i∈[1,R]},式中,a表示磁共振图像,b表示被试的对应标签,R表示样本数量,i表示样本下标,将磁共振图像全集C拷贝并划分成磁共振图像训练集E={(ai,bi)|i∈[1,M]}和磁共振图像测试集E={(ai,bi)|i∈[1,N]},其中N+M=R,且M和N分别表示划分后的样本数量;
步骤S2:对磁共振图像训练集依次进行数据预处理、水平翻转扩增操作和数据归一化操作,得到处理后的磁共振图像训练集E'={(ai,bi)|i∈[1,M']},经过扩增后,其数量相应的增多至M';对磁共振图像测试集F依次进行数据预处理、数据归一化操作得到归一化的磁共振图像测试集F'={(ai,bi)|i∈[1,N]};
步骤S3:将磁共振图像训练集E'作为输入,载入到计算机内存中,并将磁共振图像训练集E'={(ai,bi)|i∈[1,M']}随机打乱,为接下来的训练阶段做准备;
步骤S4:分别构建基网络G1和G2,在Pytorch框架中使用SGD优化方法,对基网络G1和G2的网络参数进行初始化,得到基网络G1和G2的初始参数,并设定相关训练超参数,用于网络模型的训练优化,通过基网络G1和G2分别对训练磁共振图像进行特征提取,得到特征H1和H2,并对分别提取的特征进行特征融合得到融合特征H3;
步骤S5:构建融合特征分类决策层P,将基网络G1和G2提取到的特征H1和H2以及融合特征H3分别输入到各网络的决策层,分别得到分类决策层的标签P1、P2和P3,对P1、P2和P3进行融合,得到对应输入样本最终的分类标签b';
步骤S6:通过损失函数计算,计算训练数据通过网络分类得到的标签b'和训练真实标签b之间的误差,得出损失值,利用得出的损失值进行反向传播,对基网络G1和G2,以及融合网络分别进行网络参数更新;
步骤S7:利用测试集F'对融合网络模型进行评估,保留网络模型G,同时在网络参数更新结束阶段进行判断,判断训练迭代次数是否已达到最大迭代次数,若已经达到最大迭代次数,则训练阶段结束,进入下一步骤,反之,将进入步骤S3进行循环迭代训练;
步骤S8:训练完成的网络模型,输入一个通过数据预处理的被试磁共振图像数据,得到被试的输出标签;
所述步骤S7中,通过输入磁共振图像测试样本计算模型分类的准确率,对训练的分类模型进行评估,保留最优模型参数。
2.根据权利要求1所述的一种基于融合网络的阿尔兹海默病分类方法,其特征在于,所述步骤S1中,对给定被试的磁共振图像数据集进行样本划分的具体方式为:根据被试的样本标签进行样本的随机划分,将被试对应的样本数据分为训练集和测试集。
3.根据权利要求1所述的一种基于融合网络的阿尔兹海默病分类方法,其特征在于,所述步骤S2中,对被试的磁共振图像数据预处理、水平翻转扩增操作和数据归一化操作具体为:使用基于体素的形态测量(VBM)对所有数据进行预处理,将图像归一化到一个标准模版空间中,然后提取数据的灰质信息,并对其进行平滑操作,最后通过水平翻转进行数据扩增。
4.根据权利要求1所述的一种基于融合网络的阿尔兹海默病分类方法,其特征在于,所述步骤S3中,输入模型训练的数据进行随机打乱。
5.根据权利要求1所述的一种基于融合网络的阿尔兹海默病分类方法,其特征在于,所述步骤S4中,在Pytorch框架中采用SGD优化方法对训练超参数动态调整,优化训练,基网络G1和G2分别对训练磁共振图像进行特征提取,得到的特征H1和H2,通过对特征H1和H2进行通道拼接,得到一个融合的特征H3。
6.根据权利要求1所述的一种基于融合网络的阿尔兹海默病分类方法,其特征在于,所述步骤S5中,对于基网络提取的特征H1和H2,以及融合的特征H3,在通过对应的决策层后,分别得到分类决策层的标签P1、P2和P3,对P1、P2和P3进行拼接,得到对应输入样本最终的分类标签b'。
7.根据权利要求1所述的一种基于融合网络的阿尔兹海默病分类方法,其特征在于,所述步骤S6中,对分类得到的标签b'和训练真实标签b进行误差计算,得出损失值,利用网络的反向传播,对模型进行参数调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010056516.3A CN111242233B (zh) | 2020-01-18 | 2020-01-18 | 一种基于融合网络的阿尔兹海默病分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010056516.3A CN111242233B (zh) | 2020-01-18 | 2020-01-18 | 一种基于融合网络的阿尔兹海默病分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242233A CN111242233A (zh) | 2020-06-05 |
CN111242233B true CN111242233B (zh) | 2021-03-16 |
Family
ID=70879559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010056516.3A Active CN111242233B (zh) | 2020-01-18 | 2020-01-18 | 一种基于融合网络的阿尔兹海默病分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242233B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348083A (zh) * | 2020-11-06 | 2021-02-09 | 北京钠纬智能科技有限公司 | 一种图像分类方法和装置 |
CN112465058A (zh) * | 2020-12-07 | 2021-03-09 | 中国计量大学 | 改进GoogLeNet神经网络下多模态医学图像分类方法 |
CN112908466B (zh) * | 2021-01-13 | 2023-08-04 | 中国科学院计算技术研究所 | 基于迁移学习的阿尔兹海默病智能决策支持方法及系统 |
CN112767341A (zh) * | 2021-01-14 | 2021-05-07 | 广州中医药大学第一附属医院 | 一种基于深度学习的2型糖尿病患者脑结构认知障碍分类方法 |
CN113222001B (zh) * | 2021-05-07 | 2022-06-28 | 天津医科大学 | 神经影像标记物形态学融合分类指数的构建方法及应用 |
CN113962930B (zh) * | 2021-09-07 | 2022-09-09 | 北京邮电大学 | 阿尔茨海默病风险评估模型建立方法和电子设备 |
CN113989551B (zh) * | 2021-10-25 | 2024-05-03 | 哈尔滨理工大学 | 一种基于改进ResNet网络的阿尔茨海默病分类方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506797A (zh) * | 2017-08-25 | 2017-12-22 | 电子科技大学 | 一种基于深度神经网络和多模态影像阿尔兹海默病分类方法 |
US10740655B2 (en) * | 2018-07-02 | 2020-08-11 | Centre Hospitalier Universitaire Vaudois | Integrative prediction of a cognitive evolution of a subject |
CN109190683A (zh) * | 2018-08-14 | 2019-01-11 | 电子科技大学 | 一种基于注意力机制和双模态图像的分类方法 |
CN109558912A (zh) * | 2019-01-21 | 2019-04-02 | 广西师范大学 | 一种基于深度可分离卷积的阿尔兹海默病分类方法 |
CN110704662A (zh) * | 2019-10-17 | 2020-01-17 | 广东工业大学 | 一种图像分类方法及系统 |
-
2020
- 2020-01-18 CN CN202010056516.3A patent/CN111242233B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111242233A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242233B (zh) | 一种基于融合网络的阿尔兹海默病分类方法 | |
Rahman et al. | Ambiguous medical image segmentation using diffusion models | |
CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
CN108921851B (zh) | 一种基于3d对抗网络的医学ct图像分割方法 | |
Senaras et al. | Optimized generation of high-resolution phantom images using cGAN: Application to quantification of Ki67 breast cancer images | |
CN111738363B (zh) | 基于改进的3d cnn网络的阿尔茨海默病分类方法 | |
CN110070935B (zh) | 基于对抗神经网络的医学图像合成方法、分类方法及装置 | |
CN113314205B (zh) | 一种高效的医学影像标注与学习系统 | |
CN112381178B (zh) | 一种基于多损失特征学习的医学影像分类方法 | |
CN108399428A (zh) | 一种基于迹比准则的三元组损失函数设计方法 | |
CN110889852A (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
US20220114389A1 (en) | Systems and methods of automatic medical image labeling | |
Guo et al. | Accelerating diffusion models via pre-segmentation diffusion sampling for medical image segmentation | |
CN113112534A (zh) | 一种基于迭代式自监督的三维生物医学图像配准方法 | |
CN113902702A (zh) | 一种基于计算机断层扫描的肺结节良恶性辅助诊断系统 | |
CN118115507B (zh) | 基于跨域类别感知图卷积对齐的图像分割方法 | |
CN113989551A (zh) | 一种基于改进ResNet网络的阿尔茨海默病分类方法 | |
CN117392082A (zh) | 基于全尺度跳跃连接的肝脏ct图像分割方法及系统 | |
CN116091412A (zh) | 一种从pet/ct图像中分割肿瘤的方法 | |
CN112990359B (zh) | 一种影像数据处理方法、装置、计算机及存储介质 | |
Cheng et al. | Correcting and reweighting false label masks in brain tumor segmentation | |
WO2022221991A1 (zh) | 一种影像数据处理方法、装置、计算机及存储介质 | |
Gao et al. | jun Wang | |
CN117456183A (zh) | 一种多层级特征提取融合注意力机制的医学图像分割方法 | |
CN116759076A (zh) | 一种基于医疗影像的无监督疾病诊断方法及系统 |
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 |