CN111476796A - 一种结合多种网络的半监督冠状动脉分割系统及分割方法 - Google Patents
一种结合多种网络的半监督冠状动脉分割系统及分割方法 Download PDFInfo
- Publication number
- CN111476796A CN111476796A CN202010160281.2A CN202010160281A CN111476796A CN 111476796 A CN111476796 A CN 111476796A CN 202010160281 A CN202010160281 A CN 202010160281A CN 111476796 A CN111476796 A CN 111476796A
- Authority
- CN
- China
- Prior art keywords
- network
- dimensional
- slice
- blood vessel
- 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.)
- Granted
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
- G06N20/00—Machine learning
-
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20101—Interactive definition of point of interest, landmark or seed
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明属于医学图像处理、计算机辅助诊断技术领域,公开了一种结合多种网络的半监督冠状动脉分割系统及分割方法,在原始图像上,沿着坐标轴提取二维图像切片作为样本,构造训练数据集和测试数据集;构建卷积神经网络用于二维血管切片的识别;构建多尺度特征分解网络用于二维血管切片中冠状动脉血管的分割;设计结合监督学习和无监督学习的损失函数;将含有血管的切片作为输入训练多尺度特征分解网络,并对测试图像完成血管分割任务。本发明结合无标签数据进行半监督学习,降低了获取数据标签的难度,提高了分割精度;本发明实现了对冠状动脉血管的自动分割,具有精确、快速、无需人为干预、节约标签资源的特点。
Description
技术领域
本发明属于医学图像处理、计算机辅助诊断技术领域,尤其涉及一种结合多种网络的半监督冠状动脉分割系统及分割方法。
背景技术
目前,心血管疾病是人类因疾病导致死亡的主要原因,目前心血管疾病每年夺去的生命比癌症和慢性肺病加起来还要多。早期发现动脉异常至关重要的,这样可以通过控制各种具有风险因素的行为,如吸烟、不健康饮食等等避免或延迟未来心脏异常的发生。冠状动脉疾病是最常见的心血管疾病之一,冠状动脉的分割对心血管疾病的准确定位和定量分析具有重要意义。近年来,非侵入性成像技术的发展使诊断的准确性发生了革命性的变化,现代设备可以对内部器官的亚毫米细节进行成像。随着计算机技术的发展,三维成像得以实现,较多用于心脏部位的计算机断层扫描造影(CTA)可以根据强度很好的签别内脏器官。在心脏CTA中,充血的血管相比于周围的组织更加明亮一些,这使得手动跟踪冠脉结构具有合理的准确性。医学中的分割在研究解剖结构、临床诊断、屈曲度定量、狭窄和血管生成等方面有广泛的应用。在临床诊断中,分割有助于建立患者对治疗的反应,确定疾病的阶段。一些可用的技术是基于手工的。然而,由于数据量较大且比较复杂,手工分割是繁琐,复杂且耗时的,而且,诊断的准确性取决于放射科医生以往的经验和专业知识,因此,自动化分割的深入研究便具有很大的意义。有效诊断的第一步便是将感兴趣的解剖对象从背景中分割出来,即血管分割算法是自动放射诊断系统的关键组成部分。冠状动脉分割中应用较多的区域增长法,需要从种子点开始逐步增加新的像素,其通常需要用户提供种子点且由于噪声的存在易产生过分割现象;近年来,基于机器学习的血管分割算法得到了快速的发展,方法将血管分割问题看做像素分类问题,将每个像素判断为血管或非血管,但是特征提取算法的设计复杂性与应用局限性、以及特征提取算法与分类器结合的多样性限制着传统机器学习方法在该领域的应用;深度学习方法也被用于冠状动脉分割任务中,但是训练模型需要大量的标签,专家手工分割冠脉代价昂贵,且存在观察者误差,因此很难拥有大量冠状动脉标签。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有的部分冠状动脉分割方法需要人工干预。
(2)传统的机器学习方法需要人工设计特征,而在该领域难以实现理想的分割精度;
(3)专家手工分割冠脉代价昂贵,很难拥有大量冠状动脉标签。
解决以上问题及缺陷的难度为:
(1)区域生长法需要从种子点开始判断周围像素是否具有相似的强度值从而逐步增加新的像素,随着医学影像数量的增加将会耗时耗力。
(2)基于机器学习的冠状动脉分割方法,由于特征选择的复杂性、分类器的多样性,如何选择有效的特征及合适的分类器是一个难题。
(3)训练模型需要大量的标签,专家手工分割冠脉代价昂贵,且存在观察者误差,因此很难拥有大量冠状动脉标签。
解决以上问题及缺陷的意义为:
(1)冠状动脉的全自动分割,可以解决需要人工给定种子点的问题,大大提升处理图像的速度。
(2)深度学习网络使用语义分割的方法,有效避免手工设计特征带来的不确定性,增加了分割结果的准确率。
(3)使用半监督的血管分割方法,结合大量无标签数据进行训练,节省了专家手工分割的标签资源。
发明内容
为了解决现有技术存在的问题,本发明提供了一种结合多种网络的半监督冠状动脉分割系统及分割方法。具体涉及一种结合卷积神经网络和多尺度特征分解网络的半监督冠状动脉分割系统及分割方法。
本发明是这样实现的,一种结合卷积神经网络和多尺度特征分解网络的半监督冠状动脉分割方法的系统,包括:
训练数据集和测试数据集构建模块,用于在原始图像上,沿着坐标轴提取二维图像切片作为样本,构造训练数据集和测试数据集;
二维血管切片识别模块,与训练数据集和测试数据集构建模块连接,用于构建卷积神经网络进行二维血管切片的识别;
冠状动脉血管图像分割模块,与二维血管切片识别模块连接,用于构建多尺度特征分解网络进行二维血管切片中冠状动脉血管的分割;
损失函数构建模块,与冠状动脉血管图像分割模块连接,用于结合监督学习和无监督学习构建损失函数;
分割血管图像获取模块,与损失函数构建模块连接,用于将含有血管的切片图像作为输入训练多尺度特征分解网络,并对测试图像完成血管图像分割。
进一步,所述训练数据集和测试数据集构建模块包括:
网络输入数据模块,用于以原始三维图像坐标轴原点为起始点,在XOY平面上提取切片,直至将所述XOY平面上的切片取完再沿z轴到下一个平面;获得多个二维切片图像数据;
并从获得的二维切片图像中取出的n个小切片堆叠,构成n个数据作为网络输入数据;
数据训练、扩增模块,与网络输入数据模块连接,用于将有标签数据集划分为训练集、验证集和测试集数据,无标签数据集加入训练集中;并对训练数据集中的有标签样本使用旋转、平移等图像变换方法进行数据扩增。
进一步,所述二维血管切片识别模块包括:血管切片识别的网络结构,用于二维血管切片的识别,所述血管切片识别的网络结构由卷积层和全连接层组成,卷积层分为四层,每一层均由卷积、Relu、池化组成,之后是三层全连接层,最后一个全连接层使用soft-max作为输出层的激励函数;
所述冠状动脉血管图像分割模块包括:
二维血管切片中冠状动脉分割的多尺度特征分解网络,用于二维血管切片中冠状动脉血管的分割,所述二维血管切片中冠状动脉分割的多尺度特征分解网络由分解器网络和重构器网络两部分组成,分解器网络将输入的原图分解为两个独立的特征,分别为表示解剖结构的空间图谱Mask和表示图像模态信息的非空间高维向量Z,重构器网络将两个独立的特征重构出原图。
进一步,所述分割血管图像获取模块包括:
二维切片的冠脉分割结果获取模块,将血管切片数据作为输入训练多尺度特征分解网络;
并将测试数据送入训练好的模型中进行预测,得到二维切片的冠脉分割结果;
三维重构模块,用于将预测的二维切片结果按照原始二维切片的位置索引进行冠状动脉血管的三维重构。
本发明的另一目的在于提供一种如结合多种网络的半监督冠状动脉分割方法包括:
第一步,图像切片序列提取,以原始三维图像坐标轴原点为起始点,在XOY 平面上提取大小为s×s切片,步长为(s,s),直至将此平面上的切片取完再沿 z轴到下一个平面;从三维图像数据中取出的n个小切片堆叠,构成n个大小为 s×s的数据作为网络输入;构造训练数据集和测试数据集并对训练数据集中的数据进行扩增;
第二步,构建用于血管切片识别的卷积神经网络,网络结构基于VGG11模型;每个卷积层后添加注意力机制,其包括通道注意力模块和空间注意力模块;损失函数添加L2正则化项;
第三步,构建用于二维血管切片中冠状动脉分割的多尺度特征分解网络,其网络结构主要由分解器网络和重构器网络两部分组成;在网络输入端加入多尺度空洞卷积模块,提取图像的多尺度信息;分解器网络前后层之间添加跳跃连接,将网络前面层提取的信息增添到后面层;重构器网络中添加密集连接块,增强了特征的有效传递;
第四步,构建结合监督学习和无监督学习的损失函数;计算重构图与原图之间的误差构成重构损失函数;使用分割结果与标签之间相似度(Dice)作为有监督损失函数;使用鉴别器DX和DM构建两个对抗损失函数;有监督总损失函数由重构损失函数、有监督损失函数和对抗损失函数共同组成;无监督总损失函数由重构损失函数和对抗损失函数组成;
第五步,将血管切片数据作为输入训练多尺度特征分解网络;测试数据送入训练好的模型中进行预测;预测的二维切片结果按照原始二维切片的位置索引进行冠状动脉血管的三维重构。
进一步,所述第一步在原始图像上,沿着坐标轴提取二维图像切片作为样本,构造训练数据集和测试数据集,具体包括:
(1)以原始三维图像坐标轴原点为起始点,在XOY平面上提取长度大小为 s×s的切片,步长为(s,s),直至将此平面上的切片取完再沿z轴到下一个平面;
(2)从三维图像数据中取出的n个小切片堆叠,构成n个大小为的s×s数据作为网络输入数据;
(3)将有标签数据集划分为训练集、验证集和测试集数据,无标签数据集加入训练集中;
(4)对训练数据集中的有标签样本使用旋转、平移等图像变换方法进行数据扩增。
进一步,所述第二步构建卷积神经网络用于二维血管切片的识别,具体包括:
(i)血管切片识别的网络结构由卷积层和全连接层组成,卷积层分为四层,每一层均由卷积、Relu、池化组成,之后是三层全连接层,最后一个全连接层使用soft-max作为输出层的激励函数;
(ii)每个卷积层后添加注意力机制,包括通道注意力模块和空间注意力模块,已知一个特征向量F∈RC×H×W作为输入,特征向量先通过一维的通道注意力图谱Mc∈RC×1×1,接着通过一个二维空间注意力图谱Ms∈R1×H×W,具体包括:
(iii)损失函数添加L2正则化项,在二分类交叉熵的基础上加上权重参数的平方和,二分类交叉熵的表达式为:
Ein=-[y·log(p)+(1-y)·log(1-p)]
其中,y表示样本的标签,正类为1,负类为0;p表示样本预测为正的概率。加上L2正则化之后损失函数表达式为:
其中,Ein表示未包含正则化项的训练样本误差,λ为正则化参数,ω表示网络参数。
进一步,所述第三步构建多尺度特征分解网络用于二维血管切片中冠状动脉血管的分割,具体包括:
(a)构建用于二维血管切片中冠状动脉分割的多尺度特征分解网络,其网络结构主要由分解器网络和重构器网络两部分组成,分解器网络将输入的原图分解为两个独立的特征,分别为表示解剖结构的空间图谱Mask和表示图像模态信息的非空间高维向量Z,重构器网络将两个独立的特征重构出原图;
(b)在分解器网络的输入端加入多尺度空洞卷积模块提取图像的多尺度信息,空洞卷积模块由四个滤波器组成:三个卷积核为3×3,空洞率分别为r=1,2,3 的空洞卷积,和一个空洞率r=3,卷积核为1×1的空洞卷积;
(c)分解器网络的高维特征提取过程的前后层之间添加跳跃连接,获得更丰富的血管特征信息;
(d)重构器网络中添加密集连接模块,增强特征的有效传递;
所述第四步构建结合监督学习和无监督学习的损失函数,具体包括:
1)计算重构图像与原图之间的误差作为重构损失函数:
Lrec(f,g)=EX[||X-g(f(X))||1]
其中f和g分别表示分解器和重构器,输入切片表示为Xi,EX表示均值;
2)有监督损失函数包括分割结果与标签之间的Dice值构成损失函数LM:
LM(f)=EX[Dice(MX,fM(X))]
其中MX表示标签数据,fM表示分解器得到解剖特征Mask,fZ表示分解器得到高维向量Z;
3)针对生成的重构图,使用鉴别器DX构成的对抗损失函数为:
AI(f,g,DM)=EX[DX(g(f(X)))2+(DX(X)-1)2]
针对分割结果,使用鉴别器DM构成的对抗损失函数为:
AM(f)=EX,M[DM(fM(X))2+(DM(M)-1)2]
4)有标签数据总损失函数为:
LossL=λ1LM(f)+λ2AM(f,DM)+λ3Lrec(f,g)+λ4AI(f,g,DX)
λ为权重因子;
5)无标签数据总损失函数为:
LossU=λ2AM(f,DM)+λ3Lrec(f,g)+λ4AI(f,g,DX);
所述第五步将含有血管的切片作为输入训练多尺度特征分解网络,并对测试图像完成血管分割任务,具体包括:
(I)将血管切片数据作为输入训练多尺度特征分解网络;
(II)测试数据送入训练好的模型中进行预测,得到二维切片的冠脉分割结果;
(III)预测的二维切片结果按照原始二维切片的位置索引进行冠状动脉血管的三维重构。
本发明的另一目的在于提供一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行所述结合多种网络的半监督冠状动脉分割方法。
本发明的另一目的在于提供一种搭载所述结合多种网络的半监督冠状动脉分割系统的医学图像检测设备。
结合实验结果和现有技术进行比较:
本发明所提供的方法对于心脏CTA数据冠脉分割的可视化结果如图5所示: (a)为原图;(b)为专家分割的金标准;(c)为本发明方法的分割结果。
下表是与现有的一些冠状动脉分割方法进行比较,评价指标为Dice系数,其中图割法和水平集方法的结果都是建立在已知中心线的基础上,而本发明的方法是对特征分解网络的改进:
图割法 | 水平集方法 | 特征分解网络 | 本文方法 |
0.65-0.68 | 0.69-0.73 | 0.69-0.75 | 0.74-0.81 |
从实验结果可视化可以看出,本发明的方法对于冠状动脉分割的结果较接近于金标准,能够将冠状动脉基本结构分割出来。与现有的几种方法相比,准确率较高,不需要人工干预,且通过半监督的方法节约深度学习对于标签的较大需求。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明提供的分割系统解决了目前冠脉分割需要人工干预、速度较慢、准确率不高、标签不足的问题。本发明通过卷积神经网络选择含有血管像素的血管切片,通过多尺度特征分解网络实现语义分割,解决了传统方法需要人工干预的问题;使用多尺度特征分解网络,有效的将基于解剖信息的空间特征和基于模态信息的高维特征相结合;数据集的扩充增加了模型的鲁棒性与泛化能力;基于生成对抗网络思想实现有标签数据和无标签数据相结合的半监督分割方法,解决了标签不足的问题。
本发明提供的分割方法在原始图像上,沿着坐标轴提取二维图像切片作为样本,构造训练数据集和测试数据集;构建卷积神经网络用于二维血管切片的识别;构建多尺度特征分解网络用于二维血管切片中冠状动脉血管的分割;设计结合监督学习和无监督学习的损失函数;将含有血管的切片作为输入训练多尺度特征分解网络,并对测试图像完成血管分割任务。本发明结合无标签数据进行半监督学习,降低了获取数据标签的难度,提高了分割精度;本发明实现了对冠状动脉血管的自动分割,具有精确、快速、无需人为干预、节约标签资源的特点。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,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是本发明实施例提供的结合卷积神经网络和多尺度特征分解网络的半监督冠状动脉分割方法流程图。
图2是本发明实施例提供的结合卷积神经网络和多尺度特征分解网络的半监督冠状动脉分割系统示意图。
图中:1、训练数据集和测试数据集构建模块;2、二维血管切片识别模块; 3、冠状动脉血管图像分割模块;4、损失函数构建模块;5、分割血管图像获取模块。
图3是本发明实施例提供的卷积神经网络结构示意图。
图4是本发明实施例提供的多尺度特征分解网络结构示意图。
图5是本发明实施例提供的对于心脏CTA数据冠脉分割的可视化结果图。
图中:(a)为原图;(b)为专家分割的金标准;(c)为本发明方法的分割结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
现有的部分冠状动脉分割方法需要人工干预。传统的机器学习方法在该领域应用受限,无法达到理想的精度;由于人工血管分割耗时耗力,很难拥有大量冠状动脉标签。
针对现有技术存在的问题,本发明提供了一种结合多种网络的半监督冠状动脉分割系统及分割方法,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的结合多种网络的半监督冠状动脉分割方法,包括一种结合卷积神经网络和多尺度特征分解网络的半监督冠状动脉分割方法,包括以下步骤:
S101:在原始图像上,沿着坐标轴提取二维图像切片作为样本,构造训练数据集和测试数据集。
S102:构建卷积神经网络用于二维血管切片的识别。
S103:构建多尺度特征分解网络用于二维血管切片中冠状动脉血管的分割。
S104:设计结合监督学习和无监督学习的损失函数。
S105:将含有血管的切片作为输入训练多尺度特征分解网络,并对测试图像完成血管分割任务。
如图2所式,本发明实施例提供的结合多种网络的半监督冠状动脉分割系统,包括一种结合卷积神经网络和多尺度特征分解网络的半监督冠状动脉分割系统,包括:
训练数据集和测试数据集构建模块1,用于在原始图像上,沿着坐标轴提取二维图像切片作为样本,构造训练数据集和测试数据集。
二维血管切片识别模块2,与训练数据集和测试数据集构建模块连接,用于构建卷积神经网络进行二维血管切片的识别。
冠状动脉血管图像分割模块3,与二维血管切片识别模块连接,用于构建多尺度特征分解网络进行二维血管切片中冠状动脉血管的分割。
损失函数构建模块4,与冠状动脉血管图像分割模块连接,用于结合监督学习和无监督学习构建损失函数。
分割血管图像获取模块5,与损失函数构建模块连接,用于将含有血管的切片图像作为输入训练多尺度特征分解网络,并对测试图像完成血管图像分割。
所述训练数据集和测试数据集构建模块包括:
网络输入数据模块,用于以原始三维图像坐标轴原点为起始点,在XOY平面上提取切片,直至将所述XOY平面上的切片取完再沿z轴到下一个平面;获得二维切片图像。
并从获得的二维切片图像数据中取出的n个小切片堆叠,构成n个数据作为网络输入数据。
数据训练、扩增模块,与网络输入数据模块连接,用于将有标签数据集划分为训练集、验证集和测试集数据,无标签数据集加入训练集中;并对训练数据集中的有标签样本使用旋转、平移等图像变换方法进行数据扩增。
所述二维血管切片识别模块包括:血管切片识别的网络结构,用于二维血管切片的识别,所述血管切片识别的网络结构由卷积层和全连接层组成,卷积层分为四层,每一层均由卷积、Relu、池化组成,之后是三层全连接层,最后一个全连接层使用soft-max作为输出层的激励函数。
所述冠状动脉血管图像分割模块包括:
二维血管切片中冠状动脉分割的多尺度特征分解网络,用于二维血管切片中冠状动脉血管的分割,所述二维血管切片中冠状动脉分割的多尺度特征分解网络由分解器网络和重构器网络两部分组成,分解器网络将输入的原图分解为两个独立的特征,分别为表示解剖结构的空间图谱Mask和表示图像模态信息的非空间高维向量Z,重构器网络将两个独立的特征重构出原图。
所述分割血管图像获取模块包括:
二维切片的冠脉分割结果获取模块,将血管切片数据作为输入训练多尺度特征分解网络。
并将测试数据送入训练好的模型中进行预测,得到二维切片的冠脉分割结果。
三维重构模块,用于将预测的二维切片结果按照原始二维切片的位置索引进行冠状动脉血管的三维重构。
下面结合实施例对本发明作进一步的描述。
实施例
本发明实施例提供的结合卷积神经网络和多尺度特征分解网络的半监督冠状动脉分割方法包括以下步骤:
(1)在原始图像上,沿着坐标轴提取二维图像切片作为样本,构造训练数据集和测试数据集,具体过程如下:
(1a)本例使用的数据是心脏CTA图像,使用结合卷积神经网络和多尺度特征分解网络分割冠状动脉。
(1b)选取28个心脏CTA数据,每个数据的尺寸为512×512×C,C的范围在197-276之间。对所有图像进行重采样,使图像分辨率一致。14个数据用于制作训练集,4个数据作为验证集,10个数据作为测试集。
(1c)以原始三维图像坐标轴原点为起始点,在XOY平面上提取长度大小为 64×64的切片,步长为(64,64),直至将此平面上的切片取完再沿Z轴到下一个平面。
(1d)从训练数据集中取相同数量的正负样本切片20000张,构成20000个大小为64×64的训练样本作为网络输入数据。
(2)构建卷积神经网络用于二维血管切片的识别,如图3所示,具体过程如下:
(2a)网络结构以VGG11为基础,输入数据尺寸为20000×64×64×1。
(2b)网络的卷积层各层卷积核大小均为[3,3],步长为1,卷积核的个数分别为64,128,256,512,池化层采用最大池化,卷积核大小为[2,2],步长为2,全连接层的通道数分别为4096,4096,2。
(2c)通道注意力模块计算为:
其中,σ表示Sigmoid函数,W0∈Rc/r×c,W1∈Rc×c/r。AvgPool表示平均池化, MaxPool表示最大池化,多层感知机MLP的参数W0和W1对于两个输入是共享的。
(2d)空间注意力模块计算为:
其中,σ表示Sigmoid函数,f7×7表示卷积运算中滤波器的尺寸为7×7。
(2e)加上L2正则化之后的损失函数表达式为:
其中,Ein=-[y·log(p)+(1-y)·log(1-p)]为二分类交叉熵,y表示样本的标签,正类为1,负类为0;p表示样本预测为正的概率;λ为正则化参数,ω表示网络参数。
(3)构建多尺度特征分解网络用于二维血管切片中冠状动脉血管的分割,如图4所示,具体过程如下:
(3a)多尺度特征分解网络中分解器网络使用U-Net结构得到表示解剖结构的空间图谱Mask,使用多层卷积得到表示图像模态信息的非空间高维向量Z。
(3b)空洞卷积模块由四个滤波器组成:三个卷积核为3×3,空洞率分别为 r=1,2,3的空洞卷积,和一个空洞率r=3,卷积核为1×1的空洞卷积。
(3c)在多层卷积结构中添加了4层跳跃连接,分别由前四个池化层添加到最后一个卷积层。
(3d)密集连接模块由6层组成。
(4)设计结合监督学习和无监督学习的损失函数,图4所示,具体过程如下:
(4a)有标签数据总损失函数为:
LossL=λ1LM(f)+λ2AM(f,DM)+λ3Lrec(f,g)+λ4AI(f,g,DX)
参数λ1,λ2,λ3,λ4在实验中取值分别为10,10,1,1。
(4b)无标签数据总损失函数为:
LossU=λ2AM(f,DM)+λ3Lrec(f,g)+λ4AI(f,g,DX)
参数λ2,λ3,λ4分别设置为为10,1,1。
(4c)训练迭代次数设置为100,停止条件是当验证集数据的Dice值连续10 次迭代不再升高,则训练停止。
(5)将含有血管的切片作为输入训练多尺度特征分解网络,并对测试图像完成二维切片的血管分割任务,具体过程如下:
(5a)将血管切片数据作为输入训练多尺度特征分解网络对分割模型进行训练;
(5b)测试数据送入训练好的模型中进行预测,得到二维切片的冠脉分割结果S。
(5c)预测的二维切片结果S按照原始二维切片的位置索引进行冠状动脉血管的三维重构,得到三维冠状动脉结构。
下面结合应用效果对本发明做进一步的描述。
评价实施例中本发明提出的方法的评估标准准确率(Accuracy)、灵敏度(Sensitivity)、特异性(Specificity)、Dice系数。真阳(TP)表示被判定为正样本,实际上也是正样本;真阴(TN)表示本判定为负样本,实际上也是负样本;假阳(FP)表示被判定为正样本,实际上是负样本;假阴(FP)表示被判定为负样本,实际是正样本。
灵敏度(Sensitivity)表示正确判断正样本的比率,计算公式如下:
特异性(Specificity)为正确判断负样本的比率,计算公式如下:
准确率(Accuracy)表示所有样本中被正确识别的概率,其计算公式如下:
Dice系数用于衡量分割结果和金标准之间的相似度,计算公式为:
准确率(Accuracy)、敏感度(Sensitivity)、特异性(Specificity)、Dice系数值均在[0,1]之间,且越接近1表示分割结果越好。在10个测试数据中,准确率均在[0.84,0.90]之间,敏感度均在[0.87,0.93]之间,特异性均在[0.78,0.85]之间, Dice系数均在[074,0.81]之间。
实验结果可视化如图5所示:(a)为原图;(b)为专家分割的金标准;(c) 为本发明方法的分割结果。
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本发明可借助软件加必需的硬件平台的方式来实现,当然也可以全部通过硬件来实施。基于这样的理解,本发明的技术方案对背景技术做出贡献的全部或者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)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种结合多种网络的半监督冠状动脉分割系统,其特征在于,所述结合多种网络的半监督冠状动脉分割系统包括:
训练数据集和测试数据集构建模块,用于在原始图像上,沿着坐标轴提取二维图像切片作为样本,构造训练数据集和测试数据集;
二维血管切片识别模块,与训练数据集和测试数据集构建模块连接,用于构建卷积神经网络进行二维血管切片的识别;
冠状动脉血管图像分割模块,与二维血管切片识别模块连接,用于构建多尺度特征分解网络进行二维血管切片中冠状动脉血管的分割;
损失函数构建模块,与冠状动脉血管图像分割模块连接,用于结合监督学习和无监督学习构建损失函数;
分割血管图像获取模块,与损失函数构建模块连接,用于将含有血管的切片图像作为输入训练多尺度特征分解网络,并对测试图像完成血管图像分割。
2.如权利要求1所述的结合多种网络的半监督冠状动脉分割系统,其特征在于,所述训练数据集和测试数据集构建模块包括:
网络输入数据模块,用于以原始三维图像坐标轴原点为起始点,在XOY平面上提取切片,直至将所述XOY平面上的切片取完再沿z轴到下一个平面;获得二维切片图像;
并从获得的二维切片图像数据中取出的n个小切片堆叠,构成n个数据作为网络输入数据;
数据训练、扩增模块,与网络输入数据模块连接,用于将有标签数据集划分为训练集、验证集和测试集数据,无标签数据集加入训练集中;并对训练数据集中的有标签样本使用旋转、平移等图像变换方法进行数据扩增。
3.如权利要求1所述的结合多种网络的半监督冠状动脉分割系统,其特征在于,所述二维血管切片识别模块包括:血管切片识别的网络结构,用于二维血管切片的识别,所述血管切片识别的网络结构由卷积层和全连接层组成,卷积层分为四层,每一层均由卷积、Relu、池化组成,之后是三层全连接层,最后一个全连接层使用soft-max作为输出层的激励函数;
所述冠状动脉血管图像分割模块包括:
二维血管切片中冠状动脉分割的多尺度特征分解网络,用于二维血管切片中冠状动脉血管的分割,所述二维血管切片中冠状动脉分割的多尺度特征分解网络由分解器网络和重构器网络两部分组成,分解器网络将输入的原图分解为两个独立的特征,分别为表示解剖结构的空间图谱Mask和表示图像模态信息的非空间高维向量Z,重构器网络将两个独立的特征重构出原图。
4.如权利要求1所述的结合多种网络的半监督冠状动脉分割系统,其特征在于,所述分割血管图像获取模块包括:
二维切片的冠脉分割结果获取模块,将血管切片数据作为输入训练多尺度特征分解网络;
并将测试数据送入训练好的模型中进行预测,得到二维切片的冠脉分割结果;
三维重构模块,用于将预测的二维切片结果按照原始二维切片的位置索引进行冠状动脉血管的三维重构。
5.一种如权利要求1~4任意一项所述的结合多种网络的半监督冠状动脉分割系统的结合多种网络的半监督冠状动脉分割方法,其特征在于,所述结合多种网络的半监督冠状动脉分割方法包括:
第一步,图像切片序列提取,以原始三维图像坐标轴原点为起始点,在XOY平面上提取大小为s×s切片,步长为(s,s),直至将此平面上的切片取完再沿z轴到下一个平面;从三维图像数据中取出的n个小切片堆叠,构成n个大小为s×s的数据作为网络输入;构造训练数据集和测试数据集并对训练数据集中的数据进行扩增;
第二步,构建用于血管切片识别的卷积神经网络,网络结构基于VGG11模型;每个卷积层后添加注意力机制,其包括通道注意力模块和空间注意力模块;损失函数添加L2正则化项;
第三步,构建用于二维血管切片中冠状动脉分割的多尺度特征分解网络,其网络结构主要由分解器网络和重构器网络两部分组成;在网络输入端加入多尺度空洞卷积模块,提取图像的多尺度信息;分解器网络前后层之间添加跳跃连接,将网络前面层提取的信息增添到后面层;重构器网络中添加密集连接块,增强了特征的有效传递;
第四步,构建结合监督学习和无监督学习的损失函数;计算重构图与原图之间的误差构成重构损失函数;使用分割结果与标签之间相似度(Dice)作为有监督损失函数;使用鉴别器DX和DM构建两个对抗损失函数;有监督总损失函数由重构损失函数、有监督损失函数和对抗损失函数共同组成;无监督总损失函数由重构损失函数和对抗损失函数组成;
第五步,将血管切片数据作为输入训练多尺度特征分解网络;测试数据送入训练好的模型中进行预测;预测的二维切片结果按照原始二维切片的位置索引进行冠状动脉血管的三维重构。
6.如权利要求5所述的结合多种网络的半监督冠状动脉分割方法,其特征在于,所述第一步在原始图像上,沿着坐标轴提取二维图像切片作为样本,构造训练数据集和测试数据集,具体包括:
(1)以原始三维图像坐标轴原点为起始点,在XOY平面上提取长度大小为s×s的切片,步长为(s,s),直至将此平面上的切片取完再沿z轴到下一个平面;
(2)从三维图像数据中取出的n个小切片堆叠,构成n个大小为的s×s数据作为网络输入数据;
(3)将有标签数据集划分为训练集、验证集和测试集数据,无标签数据集加入训练集中;
(4)对训练数据集中的有标签样本使用旋转、平移等图像变换方法进行数据扩增。
7.如权利要求5所述的结合多种网络的半监督冠状动脉分割方法,其特征在于,所述第二步构建卷积神经网络用于二维血管切片的识别,具体包括:
(i)血管切片识别的网络结构由卷积层和全连接层组成,卷积层分为四层,每一层均由卷积、Relu、池化组成,之后是三层全连接层,最后一个全连接层使用soft-max作为输出层的激励函数;
(ii)每个卷积层后添加注意力机制,包括通道注意力模块和空间注意力模块,已知一个特征向量F∈RC×H×W作为输入,特征向量先通过一维的通道注意力图谱Mc∈RC×1×1,接着通过一个二维空间注意力图谱Ms∈R1×H×W,具体包括:
(iii)损失函数添加L2正则化项,在二分类交叉熵的基础上加上权重参数的平方和,二分类交叉熵的表达式为:
Ein=-[y·log(p)+(1-y)·log(1-p)]
其中,y表示样本的标签,正类为1,负类为0;p表示样本预测为正的概率。加上L2正则化之后损失函数表达式为:
其中,Ein表示未包含正则化项的训练样本误差,λ为正则化参数,ω表示网络参数。
8.如权利要求5所述的结合多种网络的半监督冠状动脉分割方法,其特征在于,所述第三步构建多尺度特征分解网络用于二维血管切片中冠状动脉血管的分割,具体包括:
(a)构建用于二维血管切片中冠状动脉分割的多尺度特征分解网络,其网络结构主要由分解器网络和重构器网络两部分组成,分解器网络将输入的原图分解为两个独立的特征,分别为表示解剖结构的空间图谱Mask和表示图像模态信息的非空间高维向量Z,重构器网络将两个独立的特征重构出原图;
(b)在分解器网络的输入端加入多尺度空洞卷积模块提取图像的多尺度信息,空洞卷积模块由四个滤波器组成:三个卷积核为3×3,空洞率分别为r=1,2,3的空洞卷积,和一个空洞率r=3,卷积核为1×1的空洞卷积;
(c)分解器网络的高维特征提取过程的前后层之间添加跳跃连接,获得更丰富的血管特征信息;
(d)重构器网络中添加密集连接模块,增强特征的有效传递;
所述第四步构建结合监督学习和无监督学习的损失函数,具体包括:
1)计算重构图像与原图之间的误差作为重构损失函数:
Lrec(f,g)=EX[||X-g(f(X))||1]
其中f和g分别表示分解器和重构器,输入切片表示为Xi,EX表示均值;
2)有监督损失函数包括分割结果与标签之间的Dice值构成损失函数LM:
LM(f)=EX[Dice(MX,fM(X))]
其中MX表示标签数据,fM表示分解器得到解剖特征Mask,fZ表示分解器得到高维向量Z;
3)针对生成的重构图,使用鉴别器DX构成的对抗损失函数为:
AI(f,g,DM)=EX[DX(g(f(X)))2+(DX(X)-1)2]
针对分割结果,使用鉴别器DM构成的对抗损失函数为:
AM(f)=EX,M[DM(fM(X))2+(DM(M)-1)2]
4)有标签数据总损失函数为:
LossL=λ1LM(f)+λ2AM(f,DM)+λ3Lrec(f,g)+λ4AI(f,g,DX)
λ为权重因子;
5)无标签数据总损失函数为:
LossU=λ2AM(f,DM)+λ3Lrec(f,g)+λ4AI(f,g,DX);
所述第五步将含有血管的切片作为输入训练多尺度特征分解网络,并对测试图像完成血管分割任务,具体包括:
(I)将血管切片数据作为输入训练多尺度特征分解网络;
(II)测试数据送入训练好的模型中进行预测,得到二维切片的冠脉分割结果;
(III)预测的二维切片结果按照原始二维切片的位置索引进行冠状动脉血管的三维重构。
9.一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行权利要求5~8任意一项所述结合多种网络的半监督冠状动脉分割方法。
10.一种搭载权利要求1~4任意一项所述结合多种网络的半监督冠状动脉分割系统的医学图像检测设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010160281.2A CN111476796B (zh) | 2020-03-10 | 2020-03-10 | 一种结合多种网络的半监督冠状动脉分割系统及分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010160281.2A CN111476796B (zh) | 2020-03-10 | 2020-03-10 | 一种结合多种网络的半监督冠状动脉分割系统及分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111476796A true CN111476796A (zh) | 2020-07-31 |
CN111476796B CN111476796B (zh) | 2023-04-18 |
Family
ID=71748070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010160281.2A Active CN111476796B (zh) | 2020-03-10 | 2020-03-10 | 一种结合多种网络的半监督冠状动脉分割系统及分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476796B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012170A (zh) * | 2021-03-25 | 2021-06-22 | 推想医疗科技股份有限公司 | 一种食管肿瘤区域分割及模型训练方法、装置及电子设备 |
CN113409447A (zh) * | 2021-06-09 | 2021-09-17 | 广东工业大学 | 一种基于多切片组合的冠状动脉分割方法和装置 |
CN113538451A (zh) * | 2021-05-14 | 2021-10-22 | 广州医科大学 | 一种深静脉血栓的磁共振图像分割方法及装置,电子设备及存储介质 |
CN113744215A (zh) * | 2021-08-24 | 2021-12-03 | 清华大学 | 三维断层扫描图像中树状管腔结构中心线的提取方法和装置 |
CN113781490A (zh) * | 2021-10-26 | 2021-12-10 | 重庆师范大学 | 基于自监督学习的眼底血管图像分割方法 |
CN115082770A (zh) * | 2022-07-04 | 2022-09-20 | 青岛科技大学 | 一种基于机器学习的图像中心线结构提取方法 |
CN116342608A (zh) * | 2023-05-30 | 2023-06-27 | 首都医科大学宣武医院 | 基于医学图像的支架贴壁性度量方法、装置、设备及介质 |
CN113744215B (zh) * | 2021-08-24 | 2024-05-31 | 清华大学 | 三维断层扫描图像中树状管腔结构中心线的提取方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10304193B1 (en) * | 2018-08-17 | 2019-05-28 | 12 Sigma Technologies | Image segmentation and object detection using fully convolutional neural network |
CN110121749A (zh) * | 2016-11-23 | 2019-08-13 | 通用电气公司 | 用于图像采集的深度学习医疗系统和方法 |
CN110428427A (zh) * | 2019-07-16 | 2019-11-08 | 东南大学 | 基于密集偏置网络和自编码器的半监督肾动脉分割方法 |
-
2020
- 2020-03-10 CN CN202010160281.2A patent/CN111476796B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110121749A (zh) * | 2016-11-23 | 2019-08-13 | 通用电气公司 | 用于图像采集的深度学习医疗系统和方法 |
US10304193B1 (en) * | 2018-08-17 | 2019-05-28 | 12 Sigma Technologies | Image segmentation and object detection using fully convolutional neural network |
CN110428427A (zh) * | 2019-07-16 | 2019-11-08 | 东南大学 | 基于密集偏置网络和自编码器的半监督肾动脉分割方法 |
Non-Patent Citations (1)
Title |
---|
王娜等: "基于监督的全卷积神经网络视网膜血管分割", 《软件导刊》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012170A (zh) * | 2021-03-25 | 2021-06-22 | 推想医疗科技股份有限公司 | 一种食管肿瘤区域分割及模型训练方法、装置及电子设备 |
CN113012170B (zh) * | 2021-03-25 | 2022-02-15 | 推想医疗科技股份有限公司 | 一种食管肿瘤区域分割及模型训练方法、装置及电子设备 |
CN113538451A (zh) * | 2021-05-14 | 2021-10-22 | 广州医科大学 | 一种深静脉血栓的磁共振图像分割方法及装置,电子设备及存储介质 |
CN113538451B (zh) * | 2021-05-14 | 2024-03-26 | 深圳市青云智图医疗科技有限公司 | 一种深静脉血栓的磁共振图像分割方法及装置,电子设备及存储介质 |
CN113409447A (zh) * | 2021-06-09 | 2021-09-17 | 广东工业大学 | 一种基于多切片组合的冠状动脉分割方法和装置 |
CN113744215A (zh) * | 2021-08-24 | 2021-12-03 | 清华大学 | 三维断层扫描图像中树状管腔结构中心线的提取方法和装置 |
CN113744215B (zh) * | 2021-08-24 | 2024-05-31 | 清华大学 | 三维断层扫描图像中树状管腔结构中心线的提取方法和装置 |
CN113781490A (zh) * | 2021-10-26 | 2021-12-10 | 重庆师范大学 | 基于自监督学习的眼底血管图像分割方法 |
CN115082770A (zh) * | 2022-07-04 | 2022-09-20 | 青岛科技大学 | 一种基于机器学习的图像中心线结构提取方法 |
CN115082770B (zh) * | 2022-07-04 | 2024-02-23 | 青岛科技大学 | 一种基于机器学习的图像中心线结构提取方法 |
CN116342608A (zh) * | 2023-05-30 | 2023-06-27 | 首都医科大学宣武医院 | 基于医学图像的支架贴壁性度量方法、装置、设备及介质 |
CN116342608B (zh) * | 2023-05-30 | 2023-08-15 | 首都医科大学宣武医院 | 基于医学图像的支架贴壁性度量方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111476796B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476796B (zh) | 一种结合多种网络的半监督冠状动脉分割系统及分割方法 | |
Houssein et al. | Deep and machine learning techniques for medical imaging-based breast cancer: A comprehensive review | |
CN111476292B (zh) | 医学图像分类处理人工智能的小样本元学习训练方法 | |
Xue et al. | Segan: Adversarial network with multi-scale l 1 loss for medical image segmentation | |
Niyas et al. | Medical image segmentation with 3D convolutional neural networks: A survey | |
Sori et al. | DFD-Net: lung cancer detection from denoised CT scan image using deep learning | |
CN107748900B (zh) | 基于区分性卷积神经网络的乳腺肿瘤分类装置和存储介质 | |
Cui et al. | Supervised machine learning for coronary artery lumen segmentation in intravascular ultrasound images | |
Ogiela et al. | Natural user interfaces in medical image analysis | |
Sirjani et al. | Automatic cardiac evaluations using a deep video object segmentation network | |
Tsivgoulis et al. | An improved SqueezeNet model for the diagnosis of lung cancer in CT scans | |
Du et al. | Segmentation and visualization of left atrium through a unified deep learning framework | |
Kaur et al. | A review on optimization techniques for medical image analysis | |
CN112686899B (zh) | 医学图像分析方法和装置、计算机设备及存储介质 | |
Kaya | Feature fusion-based ensemble CNN learning optimization for automated detection of pediatric pneumonia | |
Khedmati et al. | Semi‐automatic detection of coronary artery stenosis in 3D CTA | |
Zhu et al. | Combined CNN and Pixel Feature Image for Fatty Liver Ultrasound Image Classification | |
Luong et al. | A computer-aided detection to intracranial hemorrhage by using deep learning: a case study | |
Kabani et al. | Ejection fraction estimation using a wide convolutional neural network | |
CN115471512A (zh) | 一种基于自监督对比学习的医学影像分割方法 | |
Qu et al. | Deep Learning-Based Approach for the Automatic Quantification of Epicardial Adipose Tissue from Non-Contrast CT | |
Liu et al. | Novel superpixel‐based algorithm for segmenting lung images via convolutional neural network and random forest | |
Ibrahim et al. | Liver Multi-class Tumour Segmentation and Detection Based on Hyperion Pre-trained Models. | |
Abou Arkoub et al. | Survey on deep learning techniques for medical imaging application area | |
CN108648187B (zh) | 一种基于深度特征袋的分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |