CN111292270A - 基于深度学习网络的三维影像血管增强方法 - Google Patents
基于深度学习网络的三维影像血管增强方法 Download PDFInfo
- Publication number
- CN111292270A CN111292270A CN202010098377.0A CN202010098377A CN111292270A CN 111292270 A CN111292270 A CN 111292270A CN 202010098377 A CN202010098377 A CN 202010098377A CN 111292270 A CN111292270 A CN 111292270A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- enhancement
- generator
- deep learning
- learning network
- 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
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 94
- 238000013135 deep learning Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012952 Resampling Methods 0.000 claims abstract description 11
- 239000002473 artificial blood Substances 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 10
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 210000000056 organ Anatomy 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000002601 radiography Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims 1
- 230000002792 vascular Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供一种基于深度学习网络的三维影像血管增强方法，该方法包括以下步骤：步骤S1：采集医疗影像三维影像数据，并进行人工血管边界勾画得到其相应的血管标注图；步骤S2：对采集到的三维影像数据及其血管标注图进行预处理、重采样；步骤S3：对所有候选感区域的三维数据进行数据增强操作；步骤S4：对生成器深度学习网络和判别器深度学习网络进行训练；步骤S5：采集新的医疗三维影像数据并进行预处理、重采样，得到多个候选的感兴趣区域的三维数据；步骤S6：将所有候选的感兴趣区域的三维数据输入生成器深度学习网络，得到每一个感兴趣区域的血管增强图。该三维影像血管增强方法能够提高血管提取的效果。
Description
技术领域
本发明涉及医疗图像领域，尤其涉及一种基于深度学习网络的三维影像血管增强方法。
背景技术
在血管疾病的诊断与治疗过程中，血管的精准三维重建具有重要的临床意义。但临床获取的医疗影像数据，由于设备差异、成像机理等原因，医疗影像差异大，往往存在对比度低、伪影、背景区域复杂及噪声等问题。针对这种情况，在血管三维重建之前，需要通过血管增强算法优化医疗影像前景背景的对比度及对其噪声抑制。
目前血管增强算法主要分为两类：第一类是固定某一尺度，通过构造由不同的微分算子组合的滤波器进行血管增强，该方法由于尺度固定，对于血管尺度变化范围大的区域存在问题，从而影响疾病的诊断与治疗；第二类是基于特征函数的多尺度迭代方法，通过分析Hessian矩阵的特征值来识别边界，该方法忽略了血管的方向，对噪声敏感，同样影响疾病的诊断与治疗。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
针对现有技术存在的问题，本发明实施例提供一种基于深度学习网络的三维影像血管增强方法。
本发明实施例提供一种基于深度学习网络的三维影像血管增强方法，包括以下步骤：
步骤S1：采集医疗影像三维影像数据，并进行人工血管边界勾画得到其相应的血管标注图；
步骤S2：对采集到的三维影像数据及其血管标注图进行预处理、重采样，以生成多个候选的感兴趣区域的三维数据及其相应的血管标注图；
步骤S3：对所有候选感区域的三维数据进行数据增强操作；
步骤S4：对生成器深度学习网络和判别器深度学习网络进行训练，将数据增强后的三维数据输入生成器深度学习网络，得到每一个感兴趣区域内的生成图，并计算生成器目标函数误差；并将每个感兴趣区域的生成图与其对应的血管标注图一起输入判别器深度学习网络，计算判别器目标函数误差；再利用梯度反向传播算法更新判别器深度学习网络的权值、生成器深度学习网络的权值，直到二者的误差达到稳定的状态；
步骤S5：采集新的医疗三维影像数据并进行预处理、重采样，得到多个候选的感兴趣区域的三维数据；
步骤S6：将所有候选的感兴趣区域的三维数据输入生成器深度学习网络，得到每一个感兴趣区域的血管增强图，将所有的血管增强图拼接组合在一起的到完整的血管增强结果。
进一步地，步骤S2、S5中，对三维图像数据的预处理包括：像素值规范化，所述像素值规范化的方法为：
min＝c-w/2
max＝c+w/2
ifx<min then x＝0
ifx>max then x＝1
其中c为窗位，w为窗宽，x为像素值。
进一步地，重采样的方法为：将像素值规范化后的三维数据，按照步长为16×512×512，提取大小为32×512×512且有相互重叠的局部片块三维图像。
进一步地，步骤S3中的数据增强操作包括：旋转、反转、仿射变换、灰度变换。
5、根据权利要求1所述的基于深度学习网络的三维影像血管增强方法，其特征在于，所述生成器深度学习网络包括：增强生成器和重构生成器，所述步骤S1中采集的三维影像数据类型包括：未经增强造影的影像数据和经增强造影的影像数据；所述步骤S4中的生成器深度学习网络和判别器深度学习网络的训练过程为：
将每一个经数据增强后的未经造影增强的候选的感兴趣区域输入到增强生成器，得到该候选区域的血管增强图，将该血管增强图输入重构生成器，得到该候选区域的重构图，并计算重构生成器的重构误差；
将每一个经数据增强后的经造影增强的候选的感兴趣区域输入到重构生成器，得到该候选区域的重构图，将该血管增强图输入增强生成器，得到该候选区域的血管增强图，计算增强生成器的重构误差；将未经造影增强的候选的感兴趣区域输入到增强生成器得到的血管增强图与该区域对应的血管标注图一起输入判别器，计算该生成的血管增强图的判别误差；随机选取尺寸一致的经造影增强的候选的感兴趣区域输入到重构生成器得到的重构图，与该区域对应的血管标注图一起输入判别器，计算真实增强图像的判别误差。
进一步地，增强生成器与重构生成器的网络结构一致，均利用卷积残差块和降采样交替进行4次，提取高维特征，然后再通过卷积残差块和上采样交替进行4次，恢复到原来输入图像的分辨率。
进一步地，增强生成器与重构生成器均将上采样后的特征图与低层次同分辨率的特征图进行融合。
进一步地，增强生成器与重构生成器均将不同深度的目标器官特征图利用上采样进行特征融合。
进一步地，判别器深度学习网络利用卷积残差块和降采样交替进行2次，提取高维特征，输出的尺寸大小为原来的1/4。
本发明实施例提供的一种基于深度学习网络的三维影像血管增强方法具有如下优点：该基于深度学习网络的三维影像血管增强方法利用无监督学习策略，无须配对的两种的影像数据，即可学习到血管增强特征，并引入血管标注信息，加强了血管区域的关注，能够自动识别血管位置识别并进行血管增强，抑制噪声，提高了血管提取的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于深度学习网络的三维影像血管增强方法流程图；
图2为本发明实施例提供的方法中生成器深度学习网络结构示意图；
图3为本发明实施例提供的方法中判别器深度学习网络结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
图1为本发明实施例提供的一种基于深度学习网络的三维影像血管增强方法流程图，如图1所示，本发明提出的一种基于深度学习网络的三维影像血管增强方法，包括下述步骤：
步骤S1：采集医疗影像三维影像数据，并进行人工血管边界勾画得到其相应的血管标注图；
步骤S2：对采集到的三维影像数据及其血管标注图进行预处理、重采样，以生成多个候选的感兴趣区域的三维数据及其相应的血管标注图；
步骤S3：对所有候选感区域的三维数据进行数据增强操作；
本发明实施例的步骤S3中，数据增强操作包括：旋转、反转、仿射变换、灰度变换等。
步骤S4：对生成器深度学习网络和判别器深度学习网络进行训练，将数据增强后的三维数据输入生成器深度学习网络，得到每一个感兴趣区域内的生成图，并计算生成器目标函数误差；并将每个感兴趣区域的生成图与其对应的血管标注图一起输入判别器深度学习网络，计算判别器目标函数误差；再利用梯度反向传播算法更新判别器深度学习网络的权值、生成器深度学习网络的权值，直到二者的误差达到稳定的状态；
步骤S5：采集新的医疗三维影像数据并进行预处理、重采样，得到多个候选的感兴趣区域的三维数据；
步骤S6：将所有候选的感兴趣区域的三维数据输入生成器深度学习网络，得到每一个感兴趣区域的血管增强图，将所有的血管增强图拼接组合在一起的到完整的血管增强结果。
本发明实施例的步骤S2、S5中，对三维图像数据的预处理包括：像素值规范化，该像素值规范化的方法为：
min＝c-w/2
max＝c+w/2
ifx<min then x＝0
ifx>max then x＝1
其中c为窗位，w为窗宽，x为像素值。
重采样的方法为：将像素值规范化后的三维数据，按照步长为16×512 ×512，提取大小为32×512×512且有相互重叠的局部片块三维图像。
如图2所示，本发明实施例的步骤S4中，生成器深度学习网络采用了生成对抗网络框架，包括：增强生成器AB和重构生成器BA，增强生成器AB 与重构生成器BA的网络结构一致，均利用卷积残差块和降采样交替进行4 次，提取高维特征，然后再通过卷积残差块和上采样交替进行4次，恢复到原来输入图像的分辨率。为了能够补充低层次的与位置相关的信息，增强生成器与重构生成器均将上采样后的特征图与低层次同分辨率的特征图进行融合。为了加强不同尺寸的目标器官的关注，增强生成器与重构生成器均将不同深度的目标器官特征图利用上采样进行特征融合。
如图3所示，判别器深度学习网络利用卷积残差块和降采样交替进行2 次，提取高维特征，输出的尺寸大小为原来的1/4。
本发明实施例的步骤S1中采集的三维影像数据类型包括：未经增强造影的影像数据和经增强造影的影像数据；本发明实施例的步骤S4中的生成器深度学习网络和判别器深度学习网络的训练过程为：
将每一个经数据增强后的未经造影增强的候选的感兴趣区域输入到增强生成器AB，得到该候选区域的血管增强图，将该血管增强图输入重构生成器 BA，得到该候选区域的重构图，并计算重构生成器BA的重构误差；
将每一个经数据增强后的经造影增强的候选的感兴趣区域输入到重构生成器BA，得到该候选区域的重构图，将该血管增强图输入增强生成器AB，得到该候选区域的血管增强图，计算增强生成器AB的重构误差；
重构误差的计算方法为：
L重构＝Ex～Pdata(x)[||GBA(GAB(x))-x||1]+Ey～Pdata(y)[||GAB(GBA(y))-y||1]
其中GAB、GBA分别为增强生成器AB、重构生成器BA，x为未造影增强的数据,y为造影增强的数据。
将未经造影增强的候选的感兴趣区域输入到增强生成器AB得到的血管增强图与该区域对应的血管标注图一起输入判别器，计算该生成的血管增强图的判别误差。随机选取尺寸一致的经造影增强的候选的感兴趣区域输入到重构生成器BA得到的重构图，与该区域对应的血管标注图一起输入判别器，计算真实增强图像的判别误差。
判别误差的计算方法为：
L判别＝Ey～Pdata(y)[log(D(y，y‘))]+Ex～Pdata(x)[log(1-D(GAB(x)，y‘))]
其中D为判别器，y是经增强造影的数据，x为未经造影增强的数据，y‘为对应的血管标注图。
因此，所述生成器深度学习网络和判别器深度学习网络整体的损失函数为：
L＝γ*L重构+L判别
其中γ为重构误差的调整系数。
即在训练过程中，增强生成器AB输出血管增强图，重构生成器BA输出重构图，在利用梯度反向传播算法更新生成器的权值时，添加判别器的判别误差，引导血管增强图更符合真实情况。待训练达到稳定的状态后，停止更新增强生成器AB、重构生成器BA的权值，此时增强生成器AB可以用来进行血管增强。
所述生成器深度学习网络的推理过程为：
将新采集的医疗三维影像数据，经预处理操作后，得到多个候选的感兴趣区域的三维数据。将所有候选的感兴趣区域的三维数据输入所述生成器深度学习网络的增强生成器AB，得到每一个感兴趣区域的血管增强图，将所有的血管增强图经过简单后处理，拼接组合在一起的到完整的血管增强结果。
综上所述，该基于深度学习网络的三维影像血管增强方法利用无监督学习策略，无须配对的两种的影像数据，即可学习到血管增强特征，并引入血管标注信息，加强了血管区域的关注，能够自动识别血管位置识别并进行血管增强，抑制噪声，提高了血管提取的效果。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于深度学习网络的三维影像血管增强方法，其特征在于，包括以下步骤：
步骤S1：采集医疗影像三维影像数据，并进行人工血管边界勾画得到其相应的血管标注图；
步骤S2：对采集到的三维影像数据及其血管标注图进行预处理、重采样，以生成多个候选的感兴趣区域的三维数据及其相应的血管标注图；
步骤S3：对所有候选感区域的三维数据进行数据增强操作；
步骤S4：对生成器深度学习网络和判别器深度学习网络进行训练，将数据增强后的三维数据输入生成器深度学习网络，得到每一个感兴趣区域内的生成图，并计算生成器目标函数误差；并将每个感兴趣区域的生成图与其对应的血管标注图一起输入判别器深度学习网络，计算判别器目标函数误差；再利用梯度反向传播算法更新判别器深度学习网络的权值、生成器深度学习网络的权值，直到二者的误差达到稳定的状态；
步骤S5：采集新的医疗三维影像数据并进行预处理、重采样，得到多个候选的感兴趣区域的三维数据；
步骤S6：将所有候选的感兴趣区域的三维数据输入生成器深度学习网络，得到每一个感兴趣区域的血管增强图，将所有的血管增强图拼接组合在一起的到完整的血管增强结果。
2.根据权利要求1所述的基于深度学习网络的三维影像血管增强方法，其特征在于，所述步骤S2、S5中，对三维图像数据的预处理包括：像素值规范化，所述像素值规范化的方法为：
min＝c-w/2
max＝c+w/2
ifx<min then x＝0
ifx>max then x＝1
其中c为窗位，w为窗宽，x为像素值。
3.根据权利要求2所述的基于深度学习网络的三维影像血管增强方法，其特征在于，所述重采样的方法为：将像素值规范化后的三维数据，按照步长为16×512×512，提取大小为32×512×512且有相互重叠的局部片块三维图像。
4.根据权利要求3所述的基于深度学习网络的三维影像血管增强方法，其特征在于，所述步骤S3中的数据增强操作包括：旋转、反转、仿射变换、灰度变换。
5.根据权利要求1所述的基于深度学习网络的三维影像血管增强方法，其特征在于，所述生成器深度学习网络包括：增强生成器和重构生成器，所述步骤S1中采集的三维影像数据类型包括：未经增强造影的影像数据和经增强造影的影像数据；所述步骤S4中的生成器深度学习网络和判别器深度学习网络的训练过程为：
将每一个经数据增强后的未经造影增强的候选的感兴趣区域输入到增强生成器，得到该候选区域的血管增强图，将该血管增强图输入重构生成器，得到该候选区域的重构图，并计算重构生成器的重构误差；
将每一个经数据增强后的经造影增强的候选的感兴趣区域输入到重构生成器，得到该候选区域的重构图，将该血管增强图输入增强生成器，得到该候选区域的血管增强图，计算增强生成器的重构误差；将未经造影增强的候选的感兴趣区域输入到增强生成器得到的血管增强图与该区域对应的血管标注图一起输入判别器，计算该生成的血管增强图的判别误差；随机选取尺寸一致的经造影增强的候选的感兴趣区域输入到重构生成器得到的重构图，与该区域对应的血管标注图一起输入判别器，计算真实增强图像的判别误差。
6.根据权利要求5所述的基于深度学习网络的三维影像血管增强方法，其特征在于，所述增强生成器与重构生成器的网络结构一致，均利用卷积残差块和降采样交替进行4次，提取高维特征，然后再通过卷积残差块和上采样交替进行4次，恢复到原来输入图像的分辨率。
7.根据权利要求6所述的基于深度学习网络的三维影像血管增强方法，其特征在于，所述增强生成器与重构生成器均将上采样后的特征图与低层次同分辨率的特征图进行融合。
8.根据权利要求7所述的基于深度学习网络的三维影像血管增强方法，其特征在于，所述增强生成器与重构生成器均将不同深度的目标器官特征图利用上采样进行特征融合。
9.根据权利要求8所述的基于深度学习网络的三维影像血管增强方法，其特征在于，所述判别器深度学习网络利用卷积残差块和降采样交替进行2次，提取高维特征，输出的尺寸大小为原来的1/4。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010098377.0A CN111292270A (zh) | 2020-02-18 | 2020-02-18 | 基于深度学习网络的三维影像血管增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010098377.0A CN111292270A (zh) | 2020-02-18 | 2020-02-18 | 基于深度学习网络的三维影像血管增强方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111292270A true CN111292270A (zh) | 2020-06-16 |
Family
ID=71028487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010098377.0A Pending CN111292270A (zh) | 2020-02-18 | 2020-02-18 | 基于深度学习网络的三维影像血管增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111292270A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115239891A (zh) * | 2022-09-22 | 2022-10-25 | 无锡日联科技股份有限公司 | 一种三维重建方法、装置、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190066281A1 (en) * | 2017-08-24 | 2019-02-28 | Siemens Healthcare Gmbh | Synthesizing and Segmenting Cross-Domain Medical Images |
| CN109859139A (zh) * | 2019-02-15 | 2019-06-07 | 中南大学 | 彩色眼底图像的血管增强方法 |
| CN109934832A (zh) * | 2019-03-25 | 2019-06-25 | 北京理工大学 | 基于深度学习的肝脏肿瘤分割方法及装置 |
| CN110428476A (zh) * | 2019-07-05 | 2019-11-08 | 广东省人民医院(广东省医学科学院) | 一种基于多循环生成式对抗网络的图像转换方法及装置 |
-
2020
- 2020-02-18 CN CN202010098377.0A patent/CN111292270A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190066281A1 (en) * | 2017-08-24 | 2019-02-28 | Siemens Healthcare Gmbh | Synthesizing and Segmenting Cross-Domain Medical Images |
| CN109859139A (zh) * | 2019-02-15 | 2019-06-07 | 中南大学 | 彩色眼底图像的血管增强方法 |
| CN109934832A (zh) * | 2019-03-25 | 2019-06-25 | 北京理工大学 | 基于深度学习的肝脏肿瘤分割方法及装置 |
| CN110428476A (zh) * | 2019-07-05 | 2019-11-08 | 广东省人民医院(广东省医学科学院) | 一种基于多循环生成式对抗网络的图像转换方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 姚哲维，等.: "改进型循环生成对抗网络的血管内超声图像增强", 《计算机科学》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115239891A (zh) * | 2022-09-22 | 2022-10-25 | 无锡日联科技股份有限公司 | 一种三维重建方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111784671B (zh) | 基于多尺度深度学习的病理图像病灶区域检测方法 | |
| CN110706246B (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
| Nasr-Esfahani et al. | Vessel extraction in X-ray angiograms using deep learning | |
| CN111325739B (zh) | 肺部病灶检测的方法及装置，和图像检测模型的训练方法 | |
| CN110473243B (zh) | 基于深度轮廓感知的牙齿分割方法、装置及计算机设备 | |
| CN110110808B (zh) | 一种对图像进行目标标注的方法、装置及计算机记录介质 | |
| CN110599505A (zh) | 一种器官图像分割方法、装置、电子设备和存储介质 | |
| Wang | Segmentation of multiple structures in chest radiographs using multi-task fully convolutional networks | |
| CN113393446B (zh) | 基于注意力机制的卷积神经网络医学图像关键点检测方法 | |
| CN112508969B (zh) | 基于深度学习网络的三维影像的管状结构分割图断裂修复系统 | |
| CN113299363A (zh) | 一种基于yolov5的皮肤科非处方药售药方法 | |
| CN113256670A (zh) | 图像处理方法及装置、网络模型的训练方法及装置 | |
| Huang et al. | Automatic Retinal Vessel Segmentation Based on an Improved U‐Net Approach | |
| CN117409002A (zh) | 一种用于创伤的视觉识别检测系统及其检测方法 | |
| Thuy et al. | Coronary Vessel Segmentation by Coarse‐to‐Fine Strategy Using U‐nets | |
| CN113902689A (zh) | 一种血管中心线提取方法、系统、终端以及存储介质 | |
| Van Do et al. | Segmentation of hard exudate lesions in color fundus image using two-stage CNN-based methods | |
| CN111292270A (zh) | 基于深度学习网络的三维影像血管增强方法 | |
| Cheung | State-of-the-art deep learning method and its explainability for computerized tomography image segmentation | |
| CN111325756A (zh) | 基于深度学习网络的三维影像动静脉分割方法及系统 | |
| CN116740076A (zh) | 视网膜色素变性眼底图像中色素分割的网络模型及方法 | |
| Wen et al. | A novel lesion segmentation algorithm based on U-Net network for Tuberculosis CT image | |
| CN116228781A (zh) | 冠脉血管分割方法、装置、电子设备及存储介质 | |
| Zhang et al. | GUNet: A GCN-CNN hybrid model for retinal vessel segmentation by learning graphical structures | |
| CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200616 |