CN111242956A - 基于U-Net超声胎心和胎肺深度学习联合分割方法 - Google Patents
基于U-Net超声胎心和胎肺深度学习联合分割方法 Download PDFInfo
- Publication number
- CN111242956A CN111242956A CN202010020124.1A CN202010020124A CN111242956A CN 111242956 A CN111242956 A CN 111242956A CN 202010020124 A CN202010020124 A CN 202010020124A CN 111242956 A CN111242956 A CN 111242956A
- Authority
- CN
- China
- Prior art keywords
- image
- lung
- fetal
- network
- heart
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/30048—Heart; Cardiac
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于U‑Net超声胎心和胎肺深度学习联合分割方法。首先,构建带有不同标注信息的胎儿心脏和肺的超声图像数据集;然后,利用数据集对Faster RCNN网络进行训练,并进行目标检测,得到包含心脏和肺的感兴趣区域(Region of interest,ROI)的小尺度胎肺胎心图像;最后,设计新的分割网络模型,并采用增强后的小尺度胎肺胎心图像和预训练模型的方式,对分割网络模型进行参数训练,得到可进行胎心胎肺超声图像像素级分割的网络,实现胎儿心脏与肺的分割。本发明通过语义分割方式对胎儿心脏与肺的边缘进行联合分割,具有较好的分割效果。
Description
技术领域
本发明属属医学图像处理技术领域,具体涉及一种基于U-Net超声胎心和胎肺深度学习联合分割方法。
背景技术
在孕妇的临床超声产前检查诊断中,需要对胎儿的先天性心脏病进行筛查和对肺的成熟度进行评估,因此,对图像中的心脏组织和肺的轮廓分割显得格外重要。
目前对于胎儿超声图像中心脏和肺组织联合分割的研究相对较少,大多是针对于单独的心脏和肺进行分割,忽略了图像中心脏与肺的相互关联关系。比如,对于胎儿心脏的超声图像的分割问题,C.Shobana Nageswari等人在文献“S.Nageswari,and P.Helen,Preserving the border and curvature of fetal heart chambers through TDyWTperspective geometry wrap segmentation.Multimedia Tools and Applications,77,8,10235-10250,2018.”中采用了横向二进小波变换的方法对胎儿心室超声图像进分割分析。Vargas-Quintero等人在文献“L.Vargas-Quintero,B.Escalante-Ramírez,L.Marín,M.Huerta,F.Cosio,and H.Olivares,Left ventricle segmentation in fetalechocardiography using a multi-texture active appearance model based on thesteered Hermite transform.computer methods and programs in biomedicine,137,231-245,2016.”中采用了基于Hermite变换的多纹理主动外观模型,对左心室超声心动图像进行了分割。在关于胎儿肺的超声图像的分割研究中,L.Xiaomin等人在文献“L.Xiaomin.,W.Yuanyuan,Y.Jinhua,and C.Ping,Fetal lung segmentation usingtexture-based boundary enhancement and active contour models,In 2010 3rdInternational Conference on Biomedical Engineering and Informatics,1,pp.264-268,2010.”中,通过对胸腔超声图像进行降噪和纹理增强,采用The ExpectationMaximization(EM)边界分割算法获取简化的边缘,然后通过the vector fieldconvolution model(VFC)模型获取到实际边缘。
以上是对于胎肺或胎心超声图像进行分割的方法,均是针对于单个组织的分割,忽略了对象之间相互关系;此外,这些方法多数通过提取手工设计的图像特征进行超声图像分割,需要借助大量经验知识,在模型中选取一个合适的阈值对于方法的效果影响很大,且分割过程是通过排除胸腔中其余组织的位置进行分割的,属于间接分割而非端到端的方法,因此,方法泛化能力不足,难以推广。
发明内容
为了克服现有胎儿心脏和肺超声图像分割技术的分割精度低、方法鲁棒性差的不足,本发明提供一种基于U-Net超声胎心和胎肺深度学习联合分割方法。首先,构建带有不同标注信息的胎儿心脏和肺的超声图像数据集;然后,利用数据集对Faster RCNN网络进行训练,并进行目标检测,得到包含心脏和肺的感兴趣区域(Region of interest,ROI)的小尺度胎肺胎心图像;最后,设计新的分割网络模型,并采用增强后的小尺度胎肺胎心图像和预训练模型的方式,对分割网络模型进行参数训练,得到可进行胎心胎肺超声图像像素级分割的网络,实现胎儿心脏与肺的分割。本发明通过语义分割的方式分割胎儿心脏与肺的边缘,提供定量化分割结果,有助于后续进行胎儿心脏与肺的健康评估。
一种基于U-Net超声胎心和胎肺深度学习联合分割方法,其特征在于包括以下步骤:
步骤1:分别构建得到超声胎心胎肺图像语义分割数据集和目标检测数据集,其中,语义分割数据集包括胎儿心脏和肺的超声图像及图像中心脏边缘与肺边缘的坐标点标注信息,目标检测数据集包括胎儿心脏和肺的超声图像及包络心脏和肺的矩形框标注信息,每个数据集中的图像数量不少于500幅;所述的超声图像为对原始的医疗数位影像传输协定格式的超声图像进行脱敏处理后,再存储为数字图像格式的图像。
步骤2:以目标检测数据集中超声胎心胎肺的图像为输入,对Faster RCNN网络进行训练,得到训练好的网络;然后,利用训练好的网络对语义分割数据集中的超声胎心胎肺图像进行目标检测,得到包络心脏和肺的矩形框坐标信息,按照矩形框坐标对语义分割数据集中的图像进行裁剪处理,保留矩形框坐标对应的矩形图像,得到小尺度的胎肺胎心图像语义分割数据集。
步骤3:分别对小尺度的语义分割数据集中的每一幅图像进行几何变换和颜色变换,得到图像增强后的小尺度语义分割数据集;所述的几何变换包括对图像进行翻转、旋转、裁剪、缩放、变形中的一种或者若干种组合的变换;所述的颜色变换,是指依次对图像进行噪声添加、模糊、擦除和填充处理。
步骤4:以U-Net网络模型为骨干网络,分别添加Resnet模块到其左侧编码网络的4个卷积部分之前,并将左侧编码网络与右侧解码网络输出的相应同尺度的特征图同时输入到注意力模块,得到RA_U-Net网络模型;采用ImageNet数据集对RA_U-Net网络进行训练,以训练后得到的网络参数作为迁移学习的预训练参数。
步骤5:以图像增强后的小尺度语义分割数据集作为训练集输入到RA_U-Net网络模型进行训练,其中,以步骤4得到的预训练参数作为网络初始化参数,以交叉熵函数作为损失函数最小化网络预测的分割结果与数据集中的真实标记之间的差距,采用随机梯度下降法进行优化,当网络的损失函数达到最小值,网络训练结束,得到训练好的RA_U-Net网络。
步骤6:采用训练好的RA_U-Net网络对待分割的胎心胎肺超声图像进行处理,输出即为心脏和肺部组织的分割轮廓。
本发明的有益效果:由于构建了胎心胎肺超声图像的语义分割数据集和目标检测数据集,以小尺度的语义分割数据集为网络输入,可以使的分割结果精确;由于构建了新的RA_U-Net网络模型,具有多尺度的细节特征提取以及注意力机制,利用其进行分割,具有更加精确的边缘信息提取。
附图说明
图1是本发明的基于U-Net超声胎心和胎肺深度学习联合分割方法流程图;
图2是本发明实施例的超声胎心胎肺图像语义分割数据集中的图像示例;
图中,(a)-原始超声胎心与胎肺图像,(b)-标记数据,1-胎心区域,2-胎肺区域;
图3是本发明实施例的超声胎心胎肺图像目标检测数据集中的图像示例;
图4是本发明的RA_U-Net网络模型示意图;
图5是采用本发明方法进行胎心胎肺超声图像分割实验图像;
图中,(a)-原始超声胎心与胎肺图像,(b)-分割结果图像,1-胎心组织,2-胎肺组织。
具体实施方式
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
如图1所示,本发明提供了一种基于U-Net超声胎心和胎肺深度学习联合分割方法,其具体实现过程如下:
1、通过对原始的医疗数位影像传输协定(DICOM)格式的超声图像进行脱敏处理,即包括去掉数据中的病人姓名、年龄、医院信息等隐私信息,同时将其中的图像数据存储成无损的常见图片格式(如tif、bmp、png等),并分别进行信息标注,即通过专业的超声医生对图像中的胎儿心脏和肺组织分别进行边界勾画,同时在胎儿心脏和肺的共同区域进行组织包含框的标记,构建得到原始的超声胎心胎肺图像语义分割数据集和目标检测数据集。其中,语义分割数据集包括胎儿心脏和肺的超声图像及其图像中心脏边缘与肺边缘的坐标点标注信息,图2给出了数据集中单一图像示例,左侧为原始超声图像,右侧为标记信息;目标检测数据集包括胎儿心脏和肺的超声图像及其图像中包络心脏和肺的矩形框标注信息,图3给出了数据集中单一图像示例。语义分割数据集和目标检测数据集中的图像数量均不少于500幅。
2、利用构建得到的超声胎心胎肺图像目标检测数据集,训练目标检测网络模型,实现对图像中胎儿心肺同时存在的感兴趣区域(Region of interest,ROI)进行检测。其中,目标检测网络采用现有的Faster RCNN网络。在网络模型训练完成后,通过在目标检测数据集上进行检测,得到感兴趣区域坐标,与原始的语义分割数据集进行裁剪处理,按照矩形框坐标原始图像中选择相应矩形图像,得到小尺度的胎肺和胎心语义分割数据集。
3、构建面向胎肺与胎心联合分割的深度学习网络模型,利用前面得到的小尺度的语义分割数据集,挖掘图像中的胎肺与胎心的位置关系,通过图像中学到的胎肺组织特征促进胎心区域的分割,同时胎心组织的特征也可以在学习中促进胎肺的分割,最终胎心与胎肺组织都可以达到一个良好的分割效果。
考虑到超声图像数据规模不够庞大的现状,拟采用两种方式提升模型的能力。首先,对图像进行增强处理,以提升模型的泛化能力。本发明采用的图像增强方式有:图像的几何变换和颜色变换,其中,图像的几何变换,包括对图像进行翻转(水平或者是竖直方向)、旋转(以一定范围的角度进行旋转)、裁剪、缩放、变形等多种形变方式单个或者组合的方式;图像的颜色变换,包括对图像进行噪声添加(如高斯白噪声),模糊、擦除(图像中随机区域的小块像素)和填充(图像中擦除的像素值以0值进行填充,也可以采取别的方式进行缺失区域的填充)。
4、采用迁移学习的方法,使用预训练模型加速训练过程解决问题。当前迁移学习常用的大型数据集有Google的ImageNet数据集,也可以采用相似度更高的数据集LITSLiver Tumor Segmentation Dataset等。在预训练模型的选取上,借鉴VGGNet、ResNet、Inception Model、U-Net等优秀的模型设计,本发明采用U-Net作为网络模型的骨干网络。在网络中加入ResNet模块实现网络更高层语义的抽取,同时设计可以提取更加丰富特征的网络模块,并加入Attention机制,得到新的RA_U-Net网络模型,以确保对于胎心和胎肺关系的提取。图4给出了网络结构示意图。RA_U-Net网络中包含卷积块(即图中方块)、残差块(即图中连线)、注意力模块(即图中圆圈),卷积核大小为3*3,步长为1。网络共分为9层,左侧网络(即图中左侧4层及最下层),主要负责编码特征进行提取,右侧网络负责模型特征的还原以及特征解码,实现组织边界的精确分割。
本发明将构建好的RA_U-Net网络模型先通过ImageNet数据集进行训练,并以训练后得到的网络参数作为迁移学习的预训练参数。然后,通过迁移学习的方式将参数作为胎儿心肺联合分割的预训练参数,这样就不必从零开始训练,加速模型的训练。
5、以图像增强后的小尺度语义分割数据集作为训练集输入到RA_U-Net网络模型进行正式训练,其中,网络的初始化参数设置为前面得到预训练参数,并以交叉熵函数作为损失函数最小化网络预测的分割结果与数据集中的真实标记之间的差距,采用随机梯度下降法进行优化,当网络的损失函数达到最小值,网络训练结束,得到训练好的RA_U-Net网络。
6、采用训练好的RA_U-Net网络对待分割的胎心胎肺超声图像进行处理,即完成对胎儿心脏和肺部组织的轮廓分割。
图5给出了采用本发明方法进行分割实验的原始图像和分割结果图像,可以看出,能够较好地分割出胎心组织和胎肺组织。本发明方法很好地解决了现有的胎儿心脏、肺的组织边缘分割难点问题,包括针对单个组织分割需要训练特定模型和现有的方法未考虑到组织间的相互关系的问题等,从而解决了对于组织的边缘轮廓分割效果并不理想的问题。本发明基于U-Net模型设计联合分割模型,对胎心和胎肺组织进行语义分割,能够识别准备分割心脏与肺,并得到它们的彼此的组织边缘轮廓,起到较好的联合分割的效果。
Claims (1)
1.一种基于U-Net超声胎心和胎肺深度学习联合分割方法,其特征在于包括以下步骤:
步骤1:分别构建得到超声胎心胎肺图像语义分割数据集和目标检测数据集,其中,语义分割数据集包括胎儿心脏和肺的超声图像及图像中心脏边缘与肺边缘的坐标点标注信息,目标检测数据集包括胎儿心脏和肺的超声图像及包络心脏和肺的矩形框标注信息,每个数据集中的图像数量不少于500幅;所述的超声图像为对原始的医疗数位影像传输协定格式的超声图像进行脱敏处理后,再存储为数字图像格式的图像;
步骤2:以目标检测数据集中超声胎心胎肺的图像为输入,对Faster RCNN网络进行训练,得到训练好的网络;然后,利用训练好的网络对语义分割数据集中的超声胎心胎肺图像进行目标检测,得到包络心脏和肺的矩形框坐标信息,按照矩形框坐标对语义分割数据集中的图像进行裁剪处理,保留矩形框坐标对应的矩形图像,得到小尺度的胎肺胎心图像语义分割数据集;
步骤3:分别对小尺度的语义分割数据集中的每一幅图像进行几何变换和颜色变换,得到图像增强后的小尺度语义分割数据集;所述的几何变换包括对图像进行翻转、旋转、裁剪、缩放、变形中的一种或者若干种组合的变换;所述的颜色变换,是指依次对图像进行噪声添加、模糊、擦除和填充处理;
步骤4:以U-Net网络模型为骨干网络,分别添加Resnet模块到其左侧编码网络的4个卷积部分之前,并将左侧编码网络与右侧解码网络输出的相应同尺度的特征图同时输入到注意力模块,得到RA_U-Net网络模型;采用ImageNet数据集对RA_U-Net网络进行训练,以训练后得到的网络参数作为迁移学习的预训练参数;
步骤5:以图像增强后的小尺度语义分割数据集作为训练集输入到RA_U-Net网络模型进行训练,其中,以步骤4得到的预训练参数作为网络初始化参数,以交叉熵函数作为损失函数最小化网络预测的分割结果与数据集中的真实标记之间的差距,采用随机梯度下降法进行优化,当网络的损失函数达到最小值,网络训练结束,得到训练好的RA_U-Net网络;
步骤6:采用训练好的RA_U-Net网络对待分割的胎心胎肺超声图像进行处理,输出即为心脏和肺部组织的分割轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010020124.1A CN111242956A (zh) | 2020-01-09 | 2020-01-09 | 基于U-Net超声胎心和胎肺深度学习联合分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010020124.1A CN111242956A (zh) | 2020-01-09 | 2020-01-09 | 基于U-Net超声胎心和胎肺深度学习联合分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111242956A true CN111242956A (zh) | 2020-06-05 |
Family
ID=70865897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010020124.1A Pending CN111242956A (zh) | 2020-01-09 | 2020-01-09 | 基于U-Net超声胎心和胎肺深度学习联合分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242956A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709424A (zh) * | 2020-06-28 | 2020-09-25 | 北京航空航天大学 | 基于多病种胎儿四腔心切面的多部件语义分割方法 |
CN111768382A (zh) * | 2020-06-30 | 2020-10-13 | 重庆大学 | 一种基于肺结节生长形态的交互式分割方法 |
CN112116625A (zh) * | 2020-08-25 | 2020-12-22 | 澳门科技大学 | 基于矛盾标记法的心脏ct图像自动分割方法、装置及介质 |
CN112164447A (zh) * | 2020-10-20 | 2021-01-01 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备及存储介质 |
CN112614123A (zh) * | 2020-12-29 | 2021-04-06 | 深圳开立生物医疗科技股份有限公司 | 一种超声图像识别方法及相关装置 |
WO2022161192A1 (zh) * | 2021-02-01 | 2022-08-04 | 之江实验室 | 一种spect三维重建图像左心室自动分割的方法 |
US11734800B2 (en) | 2020-12-07 | 2023-08-22 | Samsung Electronic Co., Ltd. | Method and apparatus for restoring an image by using a neural network including multi-scale residual blocks |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180276825A1 (en) * | 2017-03-23 | 2018-09-27 | Petuum, Inc. | Structure Correcting Adversarial Network for Chest X-Rays Organ Segmentation |
CN109087327A (zh) * | 2018-07-13 | 2018-12-25 | 天津大学 | 一种级联全卷积神经网络的甲状腺结节超声图像分割方法 |
CN109598734A (zh) * | 2018-12-29 | 2019-04-09 | 上海联影智能医疗科技有限公司 | 心脏与肺叶分割的方法和系统 |
CN109671086A (zh) * | 2018-12-19 | 2019-04-23 | 深圳大学 | 一种基于三维超声的胎儿头部全自动分割方法 |
CN109801276A (zh) * | 2019-01-14 | 2019-05-24 | 沈阳联氪云影科技有限公司 | 一种计算心胸比的方法及装置 |
CN110047081A (zh) * | 2019-03-26 | 2019-07-23 | 清华大学 | 胸部x光图像的实例分割方法、装置、设备及介质 |
CN110060235A (zh) * | 2019-03-27 | 2019-07-26 | 天津大学 | 一种基于深度学习的甲状腺结节超声图像分割方法 |
CN110337669A (zh) * | 2017-01-27 | 2019-10-15 | 爱克发医疗保健公司 | 多类图像分割方法 |
CN110428431A (zh) * | 2019-07-12 | 2019-11-08 | 广东省人民医院(广东省医学科学院) | 一种心脏医学图像的分割方法、装置、设备及存储介质 |
-
2020
- 2020-01-09 CN CN202010020124.1A patent/CN111242956A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110337669A (zh) * | 2017-01-27 | 2019-10-15 | 爱克发医疗保健公司 | 多类图像分割方法 |
US20180276825A1 (en) * | 2017-03-23 | 2018-09-27 | Petuum, Inc. | Structure Correcting Adversarial Network for Chest X-Rays Organ Segmentation |
CN109087327A (zh) * | 2018-07-13 | 2018-12-25 | 天津大学 | 一种级联全卷积神经网络的甲状腺结节超声图像分割方法 |
CN109671086A (zh) * | 2018-12-19 | 2019-04-23 | 深圳大学 | 一种基于三维超声的胎儿头部全自动分割方法 |
CN109598734A (zh) * | 2018-12-29 | 2019-04-09 | 上海联影智能医疗科技有限公司 | 心脏与肺叶分割的方法和系统 |
CN109801276A (zh) * | 2019-01-14 | 2019-05-24 | 沈阳联氪云影科技有限公司 | 一种计算心胸比的方法及装置 |
CN110047081A (zh) * | 2019-03-26 | 2019-07-23 | 清华大学 | 胸部x光图像的实例分割方法、装置、设备及介质 |
CN110060235A (zh) * | 2019-03-27 | 2019-07-26 | 天津大学 | 一种基于深度学习的甲状腺结节超声图像分割方法 |
CN110428431A (zh) * | 2019-07-12 | 2019-11-08 | 广东省人民医院(广东省医学科学院) | 一种心脏医学图像的分割方法、装置、设备及存储介质 |
Non-Patent Citations (5)
Title |
---|
ALEXEY A. NOVIKOV等: "Fully Convolutional Architectures for Multiclass Segmentation in Chest Radiographs", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
MAKSYM MANKO: "Segmentation of Organs at Risk in Chest Cavity Using 3D Deep Neural Network", 《2019 SIGNAL PROCESSING SYMPOSIUM (SPSYMPO)》 * |
QIANGGUO JIN等: "RA-UNet: A hybrid deep attention-aware network to extract liver and tumor in CT scans", 《ARXIV》 * |
尹航: "基于深度学习的心室核磁共振图像分割研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
朱锴等: "基于自适应均值漂移的超声心动图左心室分割方法", 《生物医学工程学杂志》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709424A (zh) * | 2020-06-28 | 2020-09-25 | 北京航空航天大学 | 基于多病种胎儿四腔心切面的多部件语义分割方法 |
CN111768382A (zh) * | 2020-06-30 | 2020-10-13 | 重庆大学 | 一种基于肺结节生长形态的交互式分割方法 |
CN111768382B (zh) * | 2020-06-30 | 2023-08-15 | 重庆大学 | 一种基于肺结节生长形态的交互式分割方法 |
CN112116625A (zh) * | 2020-08-25 | 2020-12-22 | 澳门科技大学 | 基于矛盾标记法的心脏ct图像自动分割方法、装置及介质 |
CN112164447A (zh) * | 2020-10-20 | 2021-01-01 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备及存储介质 |
US11734800B2 (en) | 2020-12-07 | 2023-08-22 | Samsung Electronic Co., Ltd. | Method and apparatus for restoring an image by using a neural network including multi-scale residual blocks |
CN112614123A (zh) * | 2020-12-29 | 2021-04-06 | 深圳开立生物医疗科技股份有限公司 | 一种超声图像识别方法及相关装置 |
WO2022161192A1 (zh) * | 2021-02-01 | 2022-08-04 | 之江实验室 | 一种spect三维重建图像左心室自动分割的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242956A (zh) | 基于U-Net超声胎心和胎肺深度学习联合分割方法 | |
JP7383010B2 (ja) | 医用画像認識方法及びシステム、並びに、モデルトレーニング方法、コンピュータ装置、及びプログラム | |
WO2022047625A1 (zh) | 一种图像处理方法、系统和计算机存储介质 | |
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
CN107909585B (zh) | 一种血管内超声影像的血管中内膜分割方法 | |
CN108205806B (zh) | 一种锥束ct图像三维颅面结构的自动解析方法 | |
CN112949838B (zh) | 基于四分支注意力机制的卷积神经网络及图像分割方法 | |
CN110188792A (zh) | 前列腺mri三维图像的图像特征获取方法 | |
CN110008992B (zh) | 一种用于前列腺癌辅助诊断的深度学习方法 | |
CN113516659A (zh) | 一种基于深度学习的医学影像自动分割方法 | |
CN113379773B (zh) | 基于双重注意力机制的分割模型建立、分割方法及装置 | |
CN110570394B (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN111091575B (zh) | 一种基于强化学习方法的医学图像分割方法 | |
CN112419344B (zh) | 一种基于Chan-Vese模型的无监督图像分割方法 | |
CN109003280B (zh) | 一种双通道血管内超声影像的血管中内膜分割方法 | |
CN111080591A (zh) | 基于编码解码结构结合残差模块的医学图像分割方法 | |
CN111915626B (zh) | 心脏超声图像的心室区域自动分割方法、装置及存储介质 | |
CN112634265B (zh) | 基于dnn的胰腺全自动分割模型的构建、分割方法及系统 | |
CN114897780A (zh) | 一种基于mip序列的肠系膜上动脉血管重建方法 | |
CN110334566A (zh) | 一种基于三维全卷积神经网络的oct内外指纹提取方法 | |
CN112820399A (zh) | 自动诊断甲状腺结节良恶性的方法及装置 | |
CN113159223A (zh) | 一种基于自监督学习的颈动脉超声图像识别方法 | |
CN111986216B (zh) | 一种基于神经网络改进的rsg肝脏ct图像交互式分割算法 | |
CN114612478B (zh) | 一种基于深度学习的女性盆腔mri自动勾画系统 | |
CN113538209A (zh) | 一种多模态医学影像配准方法、配准系统、计算设备和存储介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200605 |
|
WD01 | Invention patent application deemed withdrawn after publication |