CN111325756A - 基于深度学习网络的三维影像动静脉分割方法及系统 - Google Patents
基于深度学习网络的三维影像动静脉分割方法及系统 Download PDFInfo
- Publication number
- CN111325756A CN111325756A CN202010098345.0A CN202010098345A CN111325756A CN 111325756 A CN111325756 A CN 111325756A CN 202010098345 A CN202010098345 A CN 202010098345A CN 111325756 A CN111325756 A CN 111325756A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- learning network
- arteriovenous
- dimensional image
- segmentation
- 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
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (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动静脉分割方法及系统,该方法包括以下步骤:步骤S1:采集三维影像数据,并进行预处理;步骤S2:对预处理后的三维影像数据进行重采样,生成多个候选的感兴趣区域的三维数据;步骤S3:将所有候选感区域的三维数据输入血管提取深度学习网络,得到每一个感兴趣区域内的血管分割图;步骤S4:将血管分割图输入动静脉识别深度学习网络,得到每一个感兴趣区域的动静脉分割图,并将所有的分割图拼接组合在一起得到完整的动静脉分割结果。该三维影像动静脉分割方法及系统提高了动静脉分割的准确度,同时具有极高的鲁棒性,适用于不同成像方式的医学三维影像,满足临床的应用需求。
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动静脉分割方法及系统。
背景技术
在疾病检测与诊断过程,动静脉的的准确分割及区分具有极高价值。例如CT影像中,若未进行增强造影,动静脉具有相似的灰度值,难以进行区分。同时,在影像上动静脉存在接触缠绕情况,并且由于个体的解剖差异,血管变异情况普遍存在,这些因素都造成了动静脉分割的困难。另外,不同成像设备之间的差异造成CT成像结果非常复杂,又进一步增大了动静脉分割的难度。
目前针对不同部位的三维成像方式的动静脉分割方法存在以下几点不足:一、准确度不够,难以满足临床应用需求。二、局限于某单个部位,缺乏通用性。三、只针对某种医学影像数据有效,适用性差。例如通对增强CT有效,对平扫CT、低剂量平扫CT无效或效果不佳。
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动静脉分割方法及系统。
第一方面,本发明实施例提供一种基于深度学习网络的三维影像动静脉分割方法,包括以下步骤:
步骤S1:采集三维影像数据,并进行预处理;
步骤S2:对预处理后的三维影像数据进行重采样,生成多个候选的感兴趣区域的三维数据;
步骤S3:将所有候选感区域的三维数据输入血管提取深度学习网络,得到每一个感兴趣区域内的血管分割图;
步骤S4:将血管分割图输入动静脉识别深度学习网络,得到每一个感兴趣区域的动静脉分割图,并将所有的分割图拼接组合在一起得到完整的动静脉分割结果。
进一步地,步骤S1中对三维图像数据的预处理包括以下步骤:像素值规范化和插值。
进一步地,像素值规范化的方法为:
min=c-w/2
max=c+w/2
ifx<minthenx=0
ifx>maxthenx=1
其中c为窗位,w为窗宽,x为像素值。
进一步地,插值的方法为:先解析原始三维图像,获取图像Spacing属性(z0,y0,x0);其中,目标图像Spacing为(z1,y1,x1),计算各个方向的缩放因子(z0/z1,y0/y1,x0/x1),再根据各方向的缩放因子,利用双线性插值,得到插值后的三维数据。
进一步地,步骤S2中的重采样的方法为:将插值后的三维数据,按照步长为32×48×48,提取大小为64×96×96且有相互重叠的局部片块三维图像。
进一步地,血管提取深度学习网络与动静脉识别深度学习网络的主体网络结构相同,均具有自关注模块和多尺度特征融合模块。
进一步地,自关注模块用于将高维的特征上采样1次,分别利用平均池化与最大值池化提取关键响应特征,将每一个位置的响应值利用sigmoid操作转换成0~1之间的值,再与相同分辨率的低层特征相乘提取关键特征,作为下一个卷积残差块的输入。
进一步地,多尺度特征融合模块用于将不同深度的血管特征图利用上采样进行特征融合。
进一步地,血管提取深度学习网络输出图像是两通道,分别为血管、背景概率图;所述动静脉识别深度学习网络输出是三通道,分别为动脉、静脉、背景概率图。
第二方面,本发明实施例提供一种基于深度学习网络的三维影像动静脉分割系统,包括:
重建参数设置交互模块:用于提供可视化列表给用户自主设置重建参数;
预处理模块:用于对输入的影像进行预处理,从而提取用户选择的目标器官的轮廓和感兴趣的区域;
图像分割模块:用于利用深度学习网络进行图像分割;
图像压缩模块:用于对用户选择的目标器官的轮廓和感兴趣的区域进行压缩;
图像重建模块:用于根据图像的纹理数据、平面形状和各变换矩阵进行图像渲染,得到最终重建的二维医疗影像。
本发明实施例提供的一种基于深度学习网络的三维影像动静脉分割方法及系统具有如下优点:
1.本发明采用多阶段的训练策略,能够很好的自动区分动静脉。
2.本发明在动静脉分割的方法中,利用自关注模块,使得血管、动静脉识别度更高。
3.本发明利用多尺度的融合技术,能够提取不同尺度的血管,保证血管提取的完整性。
4.本发明的动静脉分割方法,鲁棒性好,适用于不同成像方式的医学三维影像,例如增强CT、平扫CT、MR。
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动静脉分割方法流程图;
图2为本发明实施例提供的方法中血管提取深度学习网络与动静脉识别深度学习网络的主体网络结构示意图;
图3为本发明实施例提供的方法中自关注模块结构示意图;
图4本发明实施例提供的基于深度学习网络的三维影像动静脉分割系统的原理图。
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动静脉分割方法流程图,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动静脉分割方法,包括下述步骤:
步骤S1:采集三维影像数据,并进行预处理;
本发明实施例的步骤S1中,对三维图像数据的预处理包括以下步骤:像素值规范化和插值。
其中,像素值规范化的方法为:
min=c-w/2
max=c+w/2
ifx<minthenx=0
ifx>maxthenx=1
其中c为窗位,w为窗宽,x为像素值。
插值的方法为:先解析原始三维图像,获取图像Spacing属性(z0,y0,x0);其中,目标图像Spacing为(z1,y1,x1),计算各个方向的缩放因子 (z0/z1,y0/y1,x0/x1),再根据各方向的缩放因子,利用双线性插值,得到插值后的三维数据。
步骤S2:对预处理后的三维影像数据进行重采样,生成多个候选的感兴趣区域的三维数据;
本发明实施例的步骤S2中,重采样的方法为:将插值后的三维数据,按照步长为32×48×48,提取大小为64×96×96且有相互重叠的局部片块三维图像。
步骤S3:将所有候选感区域的三维数据输入血管提取深度学习网络,得到每一个感兴趣区域内的血管分割图;
步骤S4:将血管分割图输入动静脉识别深度学习网络,得到每一个感兴趣区域的动静脉分割图,并将所有的分割图拼接组合在一起得到完整的动静脉分割结果。
该三维影像动静脉分割方法的深度学习网络采用了血管提取深度学习网络与动静脉识别深度学习网络的两阶段的识别,即先用血管提取深度学习网络进血管提取,得到血管分割图,再将血管分割图输入动静脉识别深度学习网络进行动静脉识别。本发明采用多阶段的训练策略,能够很好的自动区分动静脉。
其中血管提取深度学习网络与动静脉识别深度学习网络的主体网络结构一样,在网络最终输出有差异。血管提取网络输出图像是两通道,分别为血管、背景概率图。动静脉识别深度学习网络输出是三通道,分别为动脉、静脉、背景概率图。
如图2所示,血管提取深度学习网络与动静脉识别深度学习网络的主体网络结构具有自关注模块和多尺度特征融合模块,是自关注的多尺度特征融合框架。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,恢复到原来分辨率。
如图3所示,自关注模块用于将高维的特征上采样1次,分别利用平均池化与最大值池化提取关键响应特征,将每一个位置的响应值利用sigmoid 操作转换成0~1之间的值,再与相同分辨率的低层特征相乘提取关键特征,作为下一个卷积残差块的输入。本发明在动静脉分割的方法中利用自关注模块,能够加强动静脉关注,使得血管、动静脉识别度更高。
多尺度特征融合模块用于将不同深度的血管特征图利用上采样进行特征融合,能够提取不同尺度的血管,保证血管提取的完整性,从而加强不同尺寸的血管的关注。
基于上述任一实施例,图4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动静脉分割系统的结构示意图,该系统包括:
预处理模块:用于对三维图像数据进行预处理;
图像重采样模块:用于对预处理后的三维影像数据进行重采样,生成多个候选的感兴趣区域的三维数据;
血管分割模块:用于将所有候选感区域的三维数据输入血管提取深度学习网络,得到每一个感兴趣区域内的血管分割图;
动静脉分割模块:用于将血管分割图输入动静脉识别深度学习网络,得到每一个感兴趣区域的动静脉分割图,并将所有的分割图拼接组合在一起得到完整的动静脉分割结果。
综上所述,本发明实施例提供的基于深度学习网络的三维影像动静脉分割方法及系统使用了的具有自关注的多尺度多阶段的深度学习模型,提高了动静脉分割的准确度,同时具有极高的鲁棒性,适用于不同成像方式的医学三维影像,满足临床的应用需求。
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 (10)
1.一种基于深度学习网络的三维影像动静脉分割方法,其特征在于,包括以下步骤:
步骤S1:采集三维影像数据,并进行预处理;
步骤S2:对预处理后的三维影像数据进行重采样,生成多个候选的感兴趣区域的三维数据;
步骤S3:将所有候选感区域的三维数据输入血管提取深度学习网络,得到每一个感兴趣区域内的血管分割图;
步骤S4:将血管分割图输入动静脉识别深度学习网络,得到每一个感兴趣区域的动静脉分割图,并将所有的分割图拼接组合在一起得到完整的动静脉分割结果。
2.根据权利要求1所述的基于深度学习网络的三维影像动静脉分割方法,其特征在于,所述步骤S1中对三维图像数据的预处理包括以下步骤:像素值规范化和插值。
4.根据权利要求3所述的基于深度学习网络的三维影像动静脉分割方法,其特征在于,所述插值的方法为:先解析原始三维图像,获取图像Spacing属性(z0,y0,x0);其中,目标图像Spacing为(z1,y1,x1),计算各个方向的缩放因子(z0/z1,y0/y1,x0/x1),再根据各方向的缩放因子,利用双线性插值,得到插值后的三维数据。
5.根据权利要求4所述的基于深度学习网络的三维影像动静脉分割方法,其特征在于,所述步骤S2中的重采样的方法为:将插值后的三维数据,按照步长为32×48×48,提取大小为64×96×96且有相互重叠的局部片块三维图像。
6.根据权利要求1所述的基于深度学习网络的三维影像动静脉分割方法,其特征在于,所述血管提取深度学习网络与动静脉识别深度学习网络的主体网络结构相同,均具有自关注模块和多尺度特征融合模块。
7.根据权利要求6所述的基于深度学习网络的三维影像动静脉分割方法,其特征在于,所述自关注模块用于将高维的特征上采样1次,分别利用平均池化与最大值池化提取关键响应特征,将每一个位置的响应值利用sigmoid操作转换成0~1之间的值,再与相同分辨率的低层特征相乘提取关键特征,作为下一个卷积残差块的输入。
8.根据权利要求7所述的基于深度学习网络的三维影像动静脉分割方法,其特征在于,所述多尺度特征融合模块用于将不同深度的血管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动静脉分割方法,其特征在于,所述血管提取深度学习网络输出图像是两通道,分别为血管、背景概率图;所述动静脉识别深度学习网络输出是三通道,分别为动脉、静脉、背景概率图。
10.一种基于深度学习网络的三维影像动静脉分割系统,其特征在于,包括:
预处理模块:用于对三维图像数据进行预处理;
图像重采样模块:用于对预处理后的三维影像数据进行重采样,生成多个候选的感兴趣区域的三维数据;
血管分割模块:用于将所有候选感区域的三维数据输入血管提取深度学习网络,得到每一个感兴趣区域内的血管分割图;
动静脉分割模块:用于将血管分割图输入动静脉识别深度学习网络,得到每一个感兴趣区域的动静脉分割图,并将所有的分割图拼接组合在一起得到完整的动静脉分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010098345.0A CN111325756A (zh) | 2020-02-18 | 2020-02-18 | 基于深度学习网络的三维影像动静脉分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010098345.0A CN111325756A (zh) | 2020-02-18 | 2020-02-18 | 基于深度学习网络的三维影像动静脉分割方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111325756A true CN111325756A (zh) | 2020-06-23 |
Family
ID=71172840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010098345.0A Pending CN111325756A (zh) | 2020-02-18 | 2020-02-18 | 基于深度学习网络的三维影像动静脉分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325756A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723683A (zh) * | 2022-03-22 | 2022-07-08 | 推想医疗科技股份有限公司 | 头颈动脉血管分割方法及其装置、电子设备和存储介质 |
CN117038088A (zh) * | 2023-10-09 | 2023-11-10 | 北京鹰瞳科技发展股份有限公司 | 糖尿病视网膜病变的发病确定方法、装置、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108198184A (zh) * | 2018-01-09 | 2018-06-22 | 北京理工大学 | 造影图像中血管分割的方法和系统 |
-
2020
- 2020-02-18 CN CN202010098345.0A patent/CN111325756A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108198184A (zh) * | 2018-01-09 | 2018-06-22 | 北京理工大学 | 造影图像中血管分割的方法和系统 |
Non-Patent Citations (2)
Title |
---|
PIETRO等: ""Pulmonary Artery-Vein Classification in CT Images Using Deep Learning"", 《IEEE TRANS MED IMAGING》 * |
郑顾平等: ""基于注意力机制的多尺度融合航拍影像语义分割"", 《图 学 学 报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723683A (zh) * | 2022-03-22 | 2022-07-08 | 推想医疗科技股份有限公司 | 头颈动脉血管分割方法及其装置、电子设备和存储介质 |
CN117038088A (zh) * | 2023-10-09 | 2023-11-10 | 北京鹰瞳科技发展股份有限公司 | 糖尿病视网膜病变的发病确定方法、装置、设备及介质 |
CN117038088B (zh) * | 2023-10-09 | 2024-02-02 | 北京鹰瞳科技发展股份有限公司 | 糖尿病视网膜病变的发病确定方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11887311B2 (en) | Method and apparatus for segmenting a medical image, and storage medium | |
Sobhaninia et al. | Fetal ultrasound image segmentation for measuring biometric parameters using multi-task deep learning | |
CN109410219B (zh) | 一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质 | |
CN110599528B (zh) | 一种基于神经网络的无监督三维医学图像配准方法及系统 | |
CN111369440B (zh) | 模型训练、图像超分辨处理方法、装置、终端及存储介质 | |
CN110992270A (zh) | 基于注意力的多尺度残差注意网络图像超分辨率重建方法 | |
CN111127316B (zh) | 一种基于sngan网络的单幅人脸图像超分辨方法及系统 | |
CN111260670B (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方法及系统 | |
CN113012155A (zh) | 髋关节图像中骨骼分割方法、电子设备及存储介质 | |
CN113298718A (zh) | 一种单幅图像超分辨率重建方法及系统 | |
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 | |
US20090028397A1 (en) | Multi-scale filter synthesis for medical image registration | |
CN114881968A (zh) | 基于深度卷积神经网络的octa图像血管分割方法、设备及介质 | |
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 | |
CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN113299363A (zh) | 一种基于yolov5的皮肤科非处方药售药方法 | |
CN115375548A (zh) | 一种超分辨率的遥感图像生成方法、系统、设备和介质 | |
Wang et al. | Automatic consecutive context perceived transformer GAN for serial sectioning image blind inpainting | |
CN116188435B (zh) | 一种基于模糊逻辑的医学图像深度分割方法 | |
CN116725563B (zh) | 眼球突出度测量装置 | |
CN113177953B (zh) | 肝脏区域分割方法、装置、电子设备及存储介质 | |
CN114565626A (zh) | 基于PSPNet改进的肺部CT图像分割算法 | |
CN111369564B (zh) | 一种图像处理的方法、模型训练的方法及装置 | |
CN113177938A (zh) | 基于圆形卷积核的脑胶质瘤的分割方法、装置及相关组件 | |
CN111292270A (zh) | 基于深度学习网络的三维影像血管增强方法 |
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: 20200623 |