CN111445474A - 基于双向复注意力深度网络的肾脏ct图像分割方法 - Google Patents

基于双向复注意力深度网络的肾脏ct图像分割方法 Download PDF

Info

Publication number
CN111445474A
CN111445474A CN202010449789.4A CN202010449789A CN111445474A CN 111445474 A CN111445474 A CN 111445474A CN 202010449789 A CN202010449789 A CN 202010449789A CN 111445474 A CN111445474 A CN 111445474A
Authority
CN
China
Prior art keywords
image
bidirectional
kidney
attention
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.)
Granted
Application number
CN202010449789.4A
Other languages
English (en)
Other versions
CN111445474B (zh
Inventor
李军侠
王梓洋
潘泽锋
王宇超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202010449789.4A priority Critical patent/CN111445474B/zh
Publication of CN111445474A publication Critical patent/CN111445474A/zh
Application granted granted Critical
Publication of CN111445474B publication Critical patent/CN111445474B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30084—Kidney; Renal

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了基于双向复注意力深度网络的肾脏CT图像分割方法，包括以下步骤：(1)采集腹部CT图像切片扫描序列，构建数据集；通过标注软件对肾脏区域进行标注，生成对应的标签；(2)将CT图像切片分层处理，并对CT图像中标签进行预处理，将预处理的结果与标签按比例划分为训练集及测试集；(3)构建双向复注意力机制分割网络模型；(4)利用训练集训练双向复注意力机制分割网络参数；(5)然后利用测试集测试，输入已经训练好的U型网络分割模型，分割CT图像切片中需要的肾脏区域，并生成分割后的二值化掩码图。本发明能快速准确确定肾脏区域边界，实现在CT图像中肾脏区域的自动分割，提高分割效率，减轻医生工作量，有广阔应用前景。

Description

基于双向复注意力深度网络的肾脏CT图像分割方法
技术领域
本发明涉及图像处理方法，特别涉及一种基于双向复注意力深度网络的肾脏CT图像分割方法。
背景技术
传统医学诊断中，医生的判断几乎是一个决定性的考量因素。然而，这种对医生的依赖存在一定的问题，比如耗时长，医生在高强度的重复工作条件下难以准确判断。早期的图像分割是由有经验的医生手动勾画，主观性强，不能够准确有效判断。现阶段，计算机分割技术仍处于半自动化状态，仍需依赖操作者的经验来进行判断。
近年来，国内外学者在医学图像肾脏分割领域做出了相应的研究和贡献，大致可以分为两类，一类是传统方法，一类是深度学习方法。传统方法是指利用先验知识和图像特征实现分割，此类方法的基本原理是根据图像中不同区域的不同特征(如灰度值、纹理、尺寸等)和已知的结构信息对图像中的像素进行分类处理，传统方法有人为因素，不能够实现完全自动分割，且处理过程较为繁琐，中间难免不出差错，影响人力与财力；相较于传统学习方法，深度学习方法是基于卷积神经网络(CNN)设计的深度网络分割模型，此类方法主要采用数据驱动的模式，其性能与数据的数量和质量密切相关，通过合理设置网络结构与优化学习方法，同时构建恰当的损失函数并进行迭代训练，使得模型具有高效提取图像特征的能力，能够自动分割所关注的目标，无需人为干预且操作过程较为简单，相比于传统方法更为高效。但由于人体肾脏中会出现不同的特征，一些问题并没有很好解决，比如如何处理肾脏图像模糊，中间轮廓不清楚，与周边组织分布不清，形状怪异等情况。一些简单的卷积神经网络也并不能很好地解决医学图像肾脏分割领域的问题，如全连接神经网络，基于VGG的神经网络，基于ResNet的神经网络，他们对于特征的提取能力有限，并不能很好地对局部进行很好地定位，或者说定位模糊。
发明内容
发明目的：本发明提供一种能够将CT图像切片中肾脏区域自动、准确分割的基于双向复注意力深度网络的图像分割方法。
技术方案：基于双向复注意力深度网络的肾脏CT图像分割方法，包括以下步骤：
(1)采集腹部CT图像切片扫描序列，构建相应的切片数据集；通过标注软件对CT图像切片的肾脏区域进行标注，生成对应的标签；
(2)将CT图像切片分层处理，并对CT图像中标签进行预处理，将预处理的结果与标签按比例划分为训练集及测试集；
(3)构建双向复注意力机制分割网络模型，并选择损失函数；所述双向复注意力机制分割网络模型包括双注意力机制模块和特征双向传递模块；
(4)利用训练集训练预设好相关超参数的双向复注意力机制分割网络参数；
(5)利用测试集测试，将参数输入已经训练好的双向复注意力机制分割模型后分割CT图像切片中需要的肾脏区域，并生成分割后的二值化掩码图。
优选的，步骤(1)中，所述腹部CT图像切片扫描的样本数目≥100例，保证数据的完整性。
优选的，步骤(1)中，所述标注软件为Labelme。
优选的，步骤(2)中，所述预处理包括简单缩放、逐样本均值消减、特征标准化、调整窗位、窗宽值。
优选的，步骤(2)中,所述图像分层处理为将图片输入VGG-16中进行处理；所述训练集与测试集的比例为3:1。
优选的，步骤(3)中，所述双注意力机制模块相比于普通卷积模块，可以将特征图通道和空间信息分开并提取有用信息，结合特征双向传递模块可以将细节信息与语言信息优势互补。
优选的，步骤(3)中，所述损失函数为Dice系数差异函数(Dice Loss)，可以不断学习，使得交比并越来越大。
Dice系数，是一种集合相似度度量，通常用于计算两个样本的相似度(值范围为[0，1]),即：
Figure BDA0002507266880000021
Dice系数差异函数(Dice Loss)：
Figure BDA0002507266880000022
其中，|X∩Y|表示X与Y之间的交集；|X|和|Y|分别表示X和Y的元素个数，其中分子系数为2，因为分母中重复计算了X和Y之间的元素。
优选的，步骤(4)中，所述训练集训练方法为：将训练集的CT图像切片输入VGG-16网络中，并将VGG-16分为五个层，每层都有侧输出结构；利用VGG-16提取特征，将特征输入到特征双向传递模块中；同时将VGG-16的第五个层的信息输入到双注意力机制模块中；通过双注意力机制模块中空间注意力机制和通道注意力机制分别对特征信息加权并相加融合，获取分割的特征信息；最后将双向模块侧输出的特征信息和双注意力机制的特征信息融合成一张特征图，再经过Sigmoid函数以后获得预测图。
有益效果：与现有技术相比，本发明具有以下显著效果：将双注意力机制模块和特征双向传递模块相结合，同时设计用于分割的损失函数，使双向复注意力深度网络分割模型能够更加关注肾脏区域特征，可处理肾脏的各种特殊情况，进而对CT图像中肾脏区域进行准确自动分割。
附图说明
图1为本发明工作流程图；
图2为本发明构架图；
图3为本发明中双注意力机制控制模块工作流程图；
图4为本发明中特征双向传递模块工作流程图；
图5为CT图像中肾脏区域分割结果示意图。
具体实施例
下面结合实施例对本发明做详细说明。
如图1所示，基于双向复注意力深度网络的肾脏CT图像分割方法，包括以下步骤：
(1)采集腹部CT图像切片扫描序列，扫描样本数≥100例，构建相应的切片数据集；通过Labelme对CT图像切片的肾脏区域进行标注，生成对应的标签。
(2)如图2所示，将CT图像切片输入VGG-16中进行分层处理，经过卷积层特征提取，非线性激活，池化层降维操作，利用卷积核与池化处理将VGG-16中的第一个层的256×256×64图片尺寸逐步转化为第五个层的16×16×512图片尺寸，达到特征提取和降低参数量的目的，并对CT图像中标签进行预处理，将预处理的结果与标签按3:1的比例划分为训练集及测试集。
(3)如图2所示，构建双向复注意力机制分割网络模型，并选择损失函数；双向复注意力机制分割网络模型包括双注意力机制模块和特征双向传递模块；在双向复注意力机制分割网络模型中利用VGG-16提取特征，再利用特征双向传递模块对VGG进行深层学习与浅层学习互相转换，细节信息和语义信息优势互补，同时在第五层后，利用通道注意力模块与空间注意力模块结合的卷积注意力模块和特征特征双向传递模块处理后的数据融合，设计相应的损失函数(Dice Loss)：
Figure BDA0002507266880000041
|X∩Y|：表示X与Y之间的交集；|X|和|Y|分别表示X和Y的元素个数，其中分子系数为2，因为分母中重复计算了X和Y之间的元素。
(4)如图2-4所示，利用训练集训练预设好相关超参数的双向复注意力机制分割网络参数；超参数设置为：批量送入的图片设定为16张，初始学习率设定为10-3，训练完50个迭代后自动调整为10-6；使用Adam优化器进行训练，继续训练直到损失函数收敛。将训练集的CT图像切片输入VGG-16网络中，并将VGG-16分为五个层，每层都有侧输出结构；利用VGG-16提取特征，将特征输入到特征双向传递模块中；同时将VGG-16的第五个层的信息输入到双注意力机制模块中；通过双注意力机制模块中空间注意力机制和通道注意力机制分别对特征信息加权并相加融合，获取分割的特征信息；最后将双向模块侧输出的特征信息和双注意力机制的特征信息融合成一张特征图，再经过Sigmoid函数以后获得预测图。
其中，双注意力机制模块处理的具体步骤为：将输入的待分割图像，重新剪裁尺寸到X＝Rh×w×c,h和w分别代表裁剪后图片高和宽，c表示通道数。在此网络中h，w，c分别是256、256和3。如图4所示，将裁剪后的待分割图输入到VGG-16中，在VGG-16的第一个层输出特征图Y1,其尺寸为Y1＝R128×128×64。然后Y1同时输入到VGG-16的第二个层和特征特征双向传递模块。Y1在特征双向传递模块中先经过一个由四个空洞卷积组成的空洞卷积层(空洞率分别是：1，3，5，7)，依次通过扩大卷积的感受野来提取更多的肾脏特征信息。紧接着将获得的特征图输入到上采样中使得图片尺寸h，w均为256。最后将图片分别输入到
Figure BDA0002507266880000051
和
Figure BDA0002507266880000052
(深至浅：特征信息传递方向为深层传递到浅层；浅至深：特征信息传递方法为浅层到深层)中，并受到损失函数的监督。在VGG-16的第二，三，四和五层均采用相似的处理方法。但是在第五层额外输出一个特征图，将此输入到双注意力机制模块中进行特征信息加权。
如图3所示，在双注意力机制模块中，特征图同时输入到空间注意力机制和通道注意力机制中。在空间注意力机制模块里，将更广泛的上下文信息编码为局部特征，从而提升其表示能力。具体而言，对于给定的原始特征A∈Rh×w×c通过归一化，ReLU激活函数，卷积一系列操作得到两个新特征图并压缩至二维{B,C}∈RN×C，
利用Softmax分类器得到空间注意力机制图S∈RN×N,其中
Figure BDA0002507266880000053
Sji是指第i个位置的像素对第j个位置的像素的影响。新的特征图E∈Rh×w×c为原始特征A经过卷积操作后得到的D∈Rh×w×c和S的点乘并与原始特征A相加，整个过程可表示为
Figure BDA0002507266880000054
其中，α是从0逐渐开始学习的权重。
在通道注意力机制模块里，通过利用通道图之间的相互依赖关系，可以强调相互依赖的特征图并改善特定语义的特征表示。具体而言，先将原始特征A∈Rh×w×c压缩到二维A∈RN×C，将特征A和它的转置相乘，得到通道注意力机制图X∈RC×C即
Figure BDA0002507266880000055
其中，Xji代表第i个通道对第j个通道的影响。最后将特征图A和通道注意力图X点乘并经过重置得到最后的三维特征Z∈Rh×w×c即
Figure BDA0002507266880000056
其中β是从0逐渐开始学习的权重。
(5)训练完成后，然后利用测试集测试，将参数输入已经训练好的双向复注意力机制分割模型后分割CT图像切片中需要的肾脏区域，并生成分割后的二值化掩码图。
如图5所示，将分割后的二值化掩码图与标签进行对比，训练效果佳。

Claims (8)

1.一种基于双向复注意力深度网络的肾脏CT图像分割方法，其特征在于：包括以下步骤：
(1)采集腹部CT图像切片扫描序列，构建相应的切片数据集；通过标注软件对CT图像切片的肾脏区域进行标注，生成对应的标签；
(2)将CT图像切片分层处理，并对CT图像中标签进行预处理，将预处理的结果与标签按比例划分为训练集及测试集；
(3)构建双向复注意力机制分割网络模型，并选择损失函数；所述双向复注意力机制分割网络模型包括双注意力机制模块和特征双向传递模块；
(4)利用训练集训练预设好相关超参数的双向复注意力机制分割网络参数；
(5)利用测试集测试，将参数输入已经训练好的双向复注意力机制分割模型后分割CT图像切片中需要的肾脏区域，并生成分割后的二值化掩码图。
2.根据权利要求1所述的基于双向复注意力深度网络的肾脏CT图像分割方法，其特征在于：步骤(1)中，所述腹部CT图像切片扫描的样本数目≥100例。
3.根据权利要求1所述的基于双向复注意力深度网络的肾脏CT图像分割方法，其特征在于：步骤(1)中，所述标注软件为Labelme。
4.根据权利要求1所述的基于双向复注意力深度网络的肾脏CT图像分割方法，其特征在于：步骤(2)中，所述预处理包括简单缩放、逐样本均值消减、特征标准化、调整窗位、窗宽值。
5.根据权利要求1所述的基于双向复注意力深度网络的肾脏CT图像分割方法，其特征在于：步骤(2)中,所述图像分层处理为将图片输入VGG-16中进行处理。
6.根据权利要求1所述的基于双向复注意力深度网络的肾脏CT图像分割方法，其特征在于：步骤(2)中,所述训练集与测试集的比例为3:1。
7.根据权利要求1所述的基于双向复注意力深度网络的肾脏CT图像分割方法，其特征在于：步骤(3)中，所述损失函数为Dice系数差异函数(Dice Loss)：
Figure FDA0002507266870000011
其中，|X∩Y|表示X与Y之间的交集；|X|和|Y|分别表示X和Y的元素个。数，分母中重复计算了X和Y之间的元素，故分子系数为2。
8.根据权利要求1所述的基于双向复注意力深度网络的肾脏CT图像分割方法，其特征在于：步骤(4)中，所述训练集训练方法为：将训练集的CT图像切片输入VGG-16网络中，并将VGG-16分为五个层，每层都有侧输出结构；利用VGG-16提取特征，将特征输入到特征双向传递模块中；同时将VGG-16的第五个层的信息输入到双注意力机制模块中；通过双注意力机制模块中空间注意力机制和通道注意力机制分别对特征信息加权并相加融合，获取分割的特征信息；最后将双向模块侧输出的特征信息和双注意力机制的特征信息融合成一张特征图，再经过Sigmoid函数以后获得预测图。
CN202010449789.4A 2020-05-25 2020-05-25 基于双向复注意力深度网络的肾脏ct图像分割方法 Active CN111445474B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010449789.4A CN111445474B (zh) 2020-05-25 2020-05-25 基于双向复注意力深度网络的肾脏ct图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010449789.4A CN111445474B (zh) 2020-05-25 2020-05-25 基于双向复注意力深度网络的肾脏ct图像分割方法

Publications (2)

Publication Number Publication Date
CN111445474A true CN111445474A (zh) 2020-07-24
CN111445474B CN111445474B (zh) 2023-06-27

Family

ID=71652223

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010449789.4A Active CN111445474B (zh) 2020-05-25 2020-05-25 基于双向复注意力深度网络的肾脏ct图像分割方法

Country Status (1)

Country Link
CN (1) CN111445474B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986181A (zh) * 2020-08-24 2020-11-24 中国科学院自动化研究所 基于双注意力机制的血管内支架图像分割方法和系统
CN112070721A (zh) * 2020-08-13 2020-12-11 五邑大学 基于实例分割网络的天线参数测量方法、装置及存储介质
CN113269237A (zh) * 2021-05-10 2021-08-17 青岛理工大学 基于注意力机制的装配体变化检测方法、设备和介质
CN113420630A (zh) * 2021-06-17 2021-09-21 中国人民解放军海军航空大学航空作战勤务学院 一种基于从头训练的sar图像舰船目标检测方法和系统
CN113936374A (zh) * 2021-09-26 2022-01-14 中国农业银行股份有限公司四川省分行 一种基于双注意力机制的纸币鉴别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180260957A1 (en) * 2017-03-08 2018-09-13 Siemens Healthcare Gmbh Automatic Liver Segmentation Using Adversarial Image-to-Image Network
CN110189334A (zh) * 2019-05-28 2019-08-30 南京邮电大学 基于注意力机制的残差型全卷积神经网络的医学图像分割方法
CN110675406A (zh) * 2019-09-16 2020-01-10 南京信息工程大学 基于残差双注意力深度网络的ct图像肾脏分割算法
CN110889852A (zh) * 2018-09-07 2020-03-17 天津大学 基于残差-注意力深度神经网络的肝脏分割方法
CN111105423A (zh) * 2019-12-17 2020-05-05 北京小白世纪网络科技有限公司 一种基于深度学习的ct图像中肾脏分割方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180260957A1 (en) * 2017-03-08 2018-09-13 Siemens Healthcare Gmbh Automatic Liver Segmentation Using Adversarial Image-to-Image Network
CN110889852A (zh) * 2018-09-07 2020-03-17 天津大学 基于残差-注意力深度神经网络的肝脏分割方法
CN110189334A (zh) * 2019-05-28 2019-08-30 南京邮电大学 基于注意力机制的残差型全卷积神经网络的医学图像分割方法
CN110675406A (zh) * 2019-09-16 2020-01-10 南京信息工程大学 基于残差双注意力深度网络的ct图像肾脏分割算法
CN111105423A (zh) * 2019-12-17 2020-05-05 北京小白世纪网络科技有限公司 一种基于深度学习的ct图像中肾脏分割方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070721A (zh) * 2020-08-13 2020-12-11 五邑大学 基于实例分割网络的天线参数测量方法、装置及存储介质
CN112070721B (zh) * 2020-08-13 2024-01-12 五邑大学 基于实例分割网络的天线参数测量方法、装置及存储介质
CN111986181A (zh) * 2020-08-24 2020-11-24 中国科学院自动化研究所 基于双注意力机制的血管内支架图像分割方法和系统
CN113269237A (zh) * 2021-05-10 2021-08-17 青岛理工大学 基于注意力机制的装配体变化检测方法、设备和介质
CN113420630A (zh) * 2021-06-17 2021-09-21 中国人民解放军海军航空大学航空作战勤务学院 一种基于从头训练的sar图像舰船目标检测方法和系统
CN113936374A (zh) * 2021-09-26 2022-01-14 中国农业银行股份有限公司四川省分行 一种基于双注意力机制的纸币鉴别方法
CN113936374B (zh) * 2021-09-26 2024-03-15 中国农业银行股份有限公司四川省分行 一种基于双注意力机制的纸币鉴别方法

Also Published As

Publication number Publication date
CN111445474B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN111445474B (zh) 基于双向复注意力深度网络的肾脏ct图像分割方法
CN110287849B (zh) 一种适用于树莓派的轻量化深度网络图像目标检测方法
CN111563902B (zh) 一种基于三维卷积神经网络的肺叶分割方法及系统
CN110675406A (zh) 基于残差双注意力深度网络的ct图像肾脏分割算法
CN107247971B (zh) 一种超声甲状腺结节风险指标的智能分析方法及系统
CN112233129B (zh) 基于深度学习的并行多尺度注意力机制语义分割方法及装置
CN114708255B (zh) 一种基于TransUNet模型的多中心儿童X线胸片图像肺部分割方法
CN112257766A (zh) 一种基于频域滤波处理的自然场景下阴影识别检测方法
CN111179275B (zh) 一种医学超声图像分割方法
CN114048822A (zh) 一种图像的注意力机制特征融合分割方法
CN113361496B (zh) 一种基于U-Net的城市建成区统计方法
CN113344933B (zh) 一种基于多层次特征融合网络的腺体细胞分割方法
CN114862800A (zh) 基于几何一致性约束的半监督医学图像分割方法
CN114092467A (zh) 一种基于轻量化卷积神经网络的划痕检测方法及系统
CN115661029A (zh) 基于YOLOv5的肺结节检测与识别系统
CN114565626A (zh) 基于PSPNet改进的肺部CT图像分割算法
CN115018864A (zh) 基于自适应预处理的三阶段肝脏肿瘤图像分割方法
CN114821174A (zh) 一种基于内容感知的输电线路航拍图像数据清洗方法
CN117765410B (zh) 遥感影像双分支特征融合固废识别方法、系统及电子设备
CN117710969B (zh) 一种基于深度神经网络的细胞核分割和分类方法
CN113592807B (zh) 一种训练方法、图像质量确定方法及装置、电子设备
CN116610080B (zh) 休闲椅的智能生产方法及其控制系统
CN117764948A (zh) 一种基于混合注意力和多尺度监督的肝脏肿瘤分割方法
CN117830324A (zh) 一种基于多维和全局局部联合的3d医学图像分割方法
Wilkins et al. Image Processing Failure and Deep Learning Success in Lawn Measure

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