CN111476805A - 一种基于多重约束的跨源无监督域适应分割模型 - Google Patents
一种基于多重约束的跨源无监督域适应分割模型 Download PDFInfo
- Publication number
- CN111476805A CN111476805A CN202010443049.XA CN202010443049A CN111476805A CN 111476805 A CN111476805 A CN 111476805A CN 202010443049 A CN202010443049 A CN 202010443049A CN 111476805 A CN111476805 A CN 111476805A
- Authority
- CN
- China
- Prior art keywords
- network
- loss
- domain
- segmentation
- cross
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 40
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000006978 adaptation Effects 0.000 claims abstract description 9
- 238000003709 image segmentation Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- 230000000747 cardiac effect Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 239000004576 sand Substances 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 18
- 230000008569 process Effects 0.000 abstract description 8
- 238000002372 labelling Methods 0.000 abstract description 4
- 230000000295 complement effect Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract description 2
- 238000013526 transfer learning Methods 0.000 abstract 1
- 238000003384 imaging method Methods 0.000 description 16
- 238000009826 distribution Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 239000007787 solid Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000135 prohibitive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06N3/088—Non-supervised learning, e.g. competitive 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
- G06T2207/10—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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明是专门针对医学图像中的跨模态分割问题而提出的一种基于多重约束的跨源无监督域适应分割模型。该模型研究无监督域适应问题，并应用于跨模态的医疗图像分割，领用了迁移学习的思想，减少了对人工标注的需求，提高了分割模型的泛化能力。相比当前已有技术，该方法具有如下特点：1）在一个统一的框架中融合了自编码网络、生成对抗网络、分割网络，并且在多个网络结构中共享参数，使得各个部分的参数学习能够互相增益、互相补充；2）从图像对齐和特征对齐两个角度缩小域偏移，使得模型学习域不变的特征；3）在跨模态医学图像分割的表现超过了已有方法，并且训练过程更加稳定。
Description
技术领域
本发明涉及一种基于多重约束的跨源无监督域适应分割模型，属于计算机应用领域。
背景技术
当大量的标记数据可用并且满足训练和测试数据来自同一分布的假设时，深度神经网络通过有监督的训练方式取得了巨大的成功。在医疗图像分割领域，U-Net提出了一种高效的图像分割模型，通过自编码器的网络结构，学习图像到语义的函数模型，从而能够进行对医学图像生成像素级的分割结果。U-Net提出的方法采用跳跃连接结构，学习一种浅层特征和深层特征相结合的表示，以及上采样反卷积的方式提升了最终分割结果的分辨率。这样的模型，网络参数少，在细胞分割的任务上提出了一种新颖的图像增强方式，从而针对数据量通常较少的医疗图像数据集能够有突出的表现。但是，这种训练有素的模型在部署到现实世界的临床场景时通常会失败，因为传统的机器学习方法都有一个基本假设是训练数据和测试数据来自同一数据分布。而现实场景中，这样的假设往往不能完全满足。来自不同数据中心、以不同的采集参数或成像协议甚至不同的图像模态的医学图像具有非常不同的特征。磁共振图像序列有不少，T2WI、T1WI、FLAIR、DWI、T2*WI、SWI、ASL、T1-IR、3D T1-FFE、MRA、MRV等等。虽然都是核磁共振图像，但是根据成像参数的不同的不同序列之间，对不同部分的表现特性也有所不同。因此针对像核磁共振图像中由于不同参数引起的图像差异所引起的现实问题所提出的域适应方法具有重要的现实意义。与通常由光学照相机获得的自然图像不同，医学领域中通常是使用各种成像方式，捕获不同的物理特性。这些不同的方式在疾病诊断和治疗的临床过程中起着互补的作用。核磁共振成像(MRI)和计算机断层扫描(CT)已成为心脏成像必不可少的工具。具体而言，MRI无电离辐射并能够以高分辨率捕获软组织之间的巨大反差。因此，它可以对心肌的收缩性和活力进行多参数评估。相比之下，CT可以对心脏形态、心肌生存力和冠状动脉钙化进行快速成像，并且具有很高的空间分辨率。在实践中，对于MRI和CT常常需要相同的图像分析任务，例如分割或量化心脏结构。心脏分割数据集提供了心脏区域核磁共振成像(MRI)和计算机断层扫描(CT)两种不同成像设备的数据，但在成像方式的物理原理不同的情况下，它们的视觉外观也大不相同。这种跨模态域转移将导致深度网络的严重性能下降。尽管人眼在各种模态中识别相同的解剖结构并不困难，但是在MRI数据上训练的深度神经网络可能完全无法分割CT图像，反之亦然。为了减少因不同领域的数据差异而导致的性能下降，正在出现有关深度模型域适应的研究工作，旨在有效地将从源领域学到的知识转移到目标领域。
基于以上问题，一种直接的方法是：在源数据上预先训练的模型的基础上使用额外的标记目标数据来微调。但是，为每个新域注释数据的费用过高，有时甚至不可行，尤其是在需要专业的医学领域知识。对于自然图像，医疗图像的数据获取过程更为艰难。相比之下，自然图像通常色彩丰富、边界轮廓清晰、数据样本打、数据集间差异小、易于分辨等特点。反之，医学影像通常是灰度图像，色彩不鲜明、边缘模糊、图像体量大，并且具有多模态数据，且模态间数据差异较大，一般非医学背景人员难以辨别。因此对于医学图像的标注人员往往要求要有一定的医学知识，无法通过普通的众包方法来对医学图像进行分割标签的标注工作。进而，从医学影像的现实场景出发，应用在医学领域的模型精度要求要比自然场景中要高的多，因而对于分割标注的准确度要求亦比自然场景要严格不少。因此医疗图像的标注工作非常耗时且昂贵，例如，受过良好训练的标注工作者从MRI或CT进行全心分割最多需要8个小时)。取而代之的是，无监督域适应的算法学习更具有实际可行性并能获得最大的收益。
发明内容
本发明专门针对医学图像上的跨模态分割任务专门提出的一种基于多重约束的跨源无监督域适应分割模型，该算法基于多重约束方式，能够迁移源域知识在目标域上进行无监督的分割训练。
一种基于多重约束的跨源无监督域适应分割模型，包括如下步骤：
步骤(1)选取三维心脏MR和CT数据集；
步骤(2)对心脏数据进行重采样、ROI提取、数据归一化等预处理，并对三维数据获取冠状面切片得到二维数据；
步骤(3)将任务无关的类标设置为0，并重新按照0、1、2、……的顺序对类别编号；
步骤(4)对MR数据集划分验证和测试机，对CT数据集划分训练、验证、和测试集；
步骤(5)在深度学习框架Pytorch中构建深度网络模型，包括特征提取网络、分类网络、源域图像生成网络和判别网络、目标域图像生成网络和判别网络、语义判别网络；
步骤(6)基于MR和CT的训练和验证集，训练无监督域适应模型；
步骤(7)保存模型参数；
步骤(8)用训练好的深度网络在测试数据集上进行CT模态心脏分割，并将最终的分割结果整合成最终的分割结果。
在进一步的实施例中，所述步骤(5)的完整的深度网络框架包括特征提取网络E、分类网络T、源域图像解码网络Us和判别网络Ds、目标域图像解码网络Ut和判别网络Dt、语义判别网络Dp七个网络；特征提取网络E分别和分类网络和图像生成器结合得到分割网络、图像生成网络，特征提取网络和分类网络结合得到网络
作为源域和目标域共享的分割网络；源域图像生成网络
和目标域图像生成网络
在进一步的实施例中，所述步骤(6)训练无监督域适应模型包括以下更新步骤：
步骤①：源域分割损失优化函数：
更新特征提取网络和分类网络，其中
表示交叉熵损失，
表示Dice损失，λ为权重平衡函数；
步骤②：跨域对抗损失最小化，这里采用LSGAN损失：
更新语义判别网络；
步骤③：跨域对抗损失最大化，这里采用LSGAN损失：
更新特征提取网络和分类网络；
步骤④：图像转化损失最小化，这里采用LSGAN损失，源域图像判别网络优化函数：
更新源域图像判别网络；目标域图像判别网络优化函数：
更新目标域图像判别网络；
步骤⑤：图像重建损失优化，这里采用平均绝对误差(MeanAbsolute Error，MAE)和图像转化损失最大化，这里采用LSGAN损失。源域图像生成网络优化函数：
更新特征提取网络和源域图像解码网络，目标域图像生成网络优化函数：
更新特征提取网络和目标域图像解码网络；
步骤⑥：生成目标图像分割损失优化:
更新特征提取网络和分类网络，其中l表示交叉熵损失和Dice损失结合的混合分割损失，同步骤①中一致。
有益效果：从特征对齐角度缩小域域偏移，通过基于自编码结构引入隐变量以作为中间变量在源域和目标域图像中转换，重构网络使得编码后的隐变量特征含有尽可能一致信息，同时通过对抗训练对齐源域目标域语义输出的条件概率分布，缩小域间特征分布差异。
附图说明
图1本发明方法流程图；
图2本发明方法框架图；
图3本发明中语义空间对抗训练图，其中(a)表示基于特征判别的对抗损失，(b)表示基于语义空间判别的对抗损失；
图4本发明中分割损失训练图。
具体实施方式：
为细致展示本发明的目的、特征和优点，下面将结合附图和具体的实施案例来对本发明做进一步详细说明。
已有的无监督域适应方法通常有从一种或多种角度缩小调整源域和目标域分布。一种是使用图像间转换模型，在域之间转换图像外观，从而利用转化的图像进行目标域的训练。另一个种集中于特征空间的对齐，其目的通常是通过对抗性学习或者其他方式最小化域之间的特征距离来提取域不变特征。已有的研究方法已验证了这些方法的有效性，并且提出了融合多种角度对齐的方式，即在输入层的图像对齐和深度神经网络的特征层的特征对齐，使得域间差异进一步缩小，模型泛化能力提高。本发明在一个统一的框架中提出了一种多层级对齐的无监督域适应方法并应用于医疗图像分割中，通过多重的损失约束并利用它们各自的优势使得分割网络提高域自适应性能，能够更好从源域迁移到目标域。本发明的核心包括以下部分：
(1)1、针对医疗图像分割中多模态图像分析的场景，关注于无监督域适应的方法，减少人工标注数据的需求。如图1所示，本发明在一个统一的框架中融合了自编码网络、生成对抗网络、分割网络，并且在多个网络结构中共享参数，使得各个部分的参数学习能够互相增益、互相补充。其中特征提取器是在源域和目标域、分割网络和生成网络中共享权值的。实线箭头表示源域数据前向过程，虚线箭头表示目标域数据前向过程。
(2)2、从特征对齐角度缩小域域偏移，通过基于自编码结构引入隐变量以作为中间变量在源域和目标域图像中转换，重构网络使得编码后的隐变量特征含有尽可能一致信息，同时通过对抗训练对齐源域目标域语义输出的条件概率分布，缩小域间特征分布差异。具体训练过程包括：
a)跨域对抗损失最小化，这里采用LSGAN损失：
更新语义判别网络。
b)跨域对抗损失最大化，这里采用LSGAN损失：
更新特征提取网络和分类网络
c)图像重建损失优化，这里采用平均绝对误差(MeanAbsolute Error，MAE)
(3)3、从图像对齐角度缩小域偏移，通过图像转化生成目标域的样本直接用于分割训练，令目标域能够成功捕捉源域中的语义信息直接迁移到目标域。包括源域分割损失和跨域生成图像损失：
a)源域分割损失优化函数：
更新特征提取网络和分类网络，其中
表示交叉熵损失，
表示Dice损失，λ为权重平衡函数。
b)生成目标图像分割损失优化:
更新特征提取网络和分类网络。其中l表示交叉熵损失和Dice损失结合的混合分割损失，同a)中一致。
如图1所示，本发明针对医学图像上的跨模态分割任务专门提出的一种基于多重约束的跨源无监督域适应分割模型。在模型训练阶段包括如下具体步骤：
步骤①：基于Pytorch框架构建如图2所示的网络框架，其中实线箭头表示源域MR模态图像数据流，虚线箭头表示目标域CT模态图像数据流。
步骤②：如图4中实线数据流前向过程，源域分割损失优化以下函数：
更新特征提取网络和分类网络，其中
表示交叉熵损失，
表示Dice损失，λ为权重平衡函数。
步骤③：如图3所示，这里采用LSGAN损失，更新语义判别网络最小化跨域对抗损失，优化目标为：
如图3所示，这里采用LSGAN损失，更新特征提取网络和分类网络最大化跨域对抗损失，优化目标为：
步骤④：图像转化损失最小化，这里采用LSGAN损失。源域图像判别网络优化目标为：
更新源域图像判别网络。目标域图像判别网络优化函数：
更新目标域图像判别网络。
步骤⑤：图像重建损失优化，这里采用平均绝对误差(MeanAbsolute Error，MAE)和图像转化损失最大化，这里采用LSGAN损失。源域图像生成网络优化目标为：
更新特征提取网络和源域图像解码网络。目标域图像生成网络优化目标为：
更新特征提取网络和目标域图像解码网络。
步骤⑥：如图4中虚线数据流前向过程，生成目标图像分割损失优化以下损失函数:
更新特征提取网络和分类网络。其中l表示交叉熵损失和Dice损失结合的混合分割损失，同步骤①中一致。
Claims (3)
1.一种基于多重约束的跨源无监督域适应分割模型，包括如下步骤：
步骤(1)选取三维心脏MR和CT数据集；
步骤(2)对心脏数据进行重采样、ROI提取、数据归一化等预处理，并对三维数据获取冠状面切片得到二维数据；
步骤(3)将任务无关的类标设置为0，并重新按照0、1、2、……的顺序对类别编号；
步骤(4)对MR数据集划分验证和测试机，对CT数据集划分训练、验证、和测试集；
步骤(5)在深度学习框架Pytorch中构建深度网络模型，包括特征提取网络、分类网络、源域图像生成网络和判别网络、目标域图像生成网络和判别网络、语义判别网络；
步骤(6)基于MR和CT的训练和验证集，训练无监督域适应模型；
步骤(7)保存模型参数；
步骤(8)用训练好的深度网络在测试数据集上进行CT模态心脏分割，并将最终的分割结果整合成最终的分割结果。
2.根据权利要求1所述一种基于多重约束的跨源无监督域适应分割模型，其特征在于：所述步骤(5)的完整的深度网络框架包括特征提取网络E、分类网络T、源域图像解码网络Us和判别网络Ds、目标域图像解码网络Ut和判别网络Dt、语义判别网络Dp七个网络；特征提取网络E分别和分类网络和图像生成器结合得到分割网络、图像生成网络，特征提取网络和分类网络结合得到网络
作为源域和目标域共享的分割网络；源域图像生成网络
和目标域图像生成网络
3.根据权利要求1所述一种基于多重约束的跨源无监督域适应分割模型，其特征在于：所述步骤(6)训练无监督域适应模型包括以下更新步骤：
步骤①：源域分割损失优化函数：
更新特征提取网络和分类网络，其中
表示交叉熵损失，
表示Dice损失，λ为权重平衡函数；
步骤②：跨域对抗损失最小化，采用LSGAN损失：
更新语义判别网络；
步骤③：跨域对抗损失最大化，采用LSGAN损失：
更新特征提取网络和分类网络；
步骤④：图像转化损失最小化，采用LSGAN损失，源域图像判别网络优化函数：
更新源域图像判别网络，目标域图像判别网络优化函数：
更新目标域图像判别网络；
步骤⑤：图像重建损失优化，采用平均绝对误差(Mean Absolute Error，MAE)和图像转化损失最大化，采用LSGAN损失，源域图像生成网络优化函数：
更新特征提取网络和源域图像解码网络，目标域图像生成网络优化函数：
更新特征提取网络和目标域图像解码网络；
步骤⑥：生成目标图像分割损失优化：
更新特征提取网络和分类网络，其中l表示交叉熵损失和Dice损失结合的混合分割损失，同步骤①中一致。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010443049.XA CN111476805B (zh) | 2020-05-22 | 2020-05-22 | 一种基于多重约束的跨源无监督域适应分割模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010443049.XA CN111476805B (zh) | 2020-05-22 | 2020-05-22 | 一种基于多重约束的跨源无监督域适应分割模型 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111476805A true CN111476805A (zh) | 2020-07-31 |
| CN111476805B CN111476805B (zh) | 2023-06-23 |
Family
ID=71760055
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010443049.XA Active CN111476805B (zh) | 2020-05-22 | 2020-05-22 | 一种基于多重约束的跨源无监督域适应分割模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111476805B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112001398A (zh) * | 2020-08-26 | 2020-11-27 | 科大讯飞股份有限公司 | 域适应方法、装置、设备、图像处理方法及存储介质 |
| CN112116024A (zh) * | 2020-09-28 | 2020-12-22 | 北京嘀嘀无限科技发展有限公司 | 用户分类模型的方法、装置、电子设备和存储介质 |
| CN112115916A (zh) * | 2020-09-29 | 2020-12-22 | 西安电子科技大学 | 域适应Faster R-CNN半监督SAR检测方法 |
| CN112150469A (zh) * | 2020-09-18 | 2020-12-29 | 上海交通大学 | 一种基于无监督领域自适应的激光散斑衬比图像分割方法 |
| CN112347910A (zh) * | 2020-11-05 | 2021-02-09 | 中国电子科技集团公司第二十九研究所 | 一种基于多模态深度学习的信号指纹识别方法 |
| CN112784879A (zh) * | 2020-12-31 | 2021-05-11 | 前线智能科技(南京)有限公司 | 一种基于小样本域自适应的医学影像分割或分类方法 |
| CN112837212A (zh) * | 2021-01-28 | 2021-05-25 | 南京大学 | 一种基于流形对齐的图像任意风格迁移方法 |
| CN113096137A (zh) * | 2021-04-08 | 2021-07-09 | 济南大学 | 一种oct视网膜图像领域适应分割方法及系统 |
| CN113139664A (zh) * | 2021-04-30 | 2021-07-20 | 中国科学院计算技术研究所 | 一种跨模态的迁移学习方法 |
| CN113205521A (zh) * | 2021-04-23 | 2021-08-03 | 复旦大学 | 一种医学影像数据的图像分割方法 |
| CN113205522A (zh) * | 2021-04-28 | 2021-08-03 | 华中科技大学 | 一种基于对抗域适应的图像智能裁剪方法及系统 |
| CN114387481A (zh) * | 2021-12-30 | 2022-04-22 | 天翼物联科技有限公司 | 基于多源对抗策略的医学影像交叉模态合成系统及方法 |
| CN115797611A (zh) * | 2023-02-10 | 2023-03-14 | 真健康（北京）医疗科技有限公司 | 三维医学图像模态转换模型训练方法及设备 |
| CN117078703A (zh) * | 2023-08-30 | 2023-11-17 | 深圳扬奇医芯智能科技有限公司 | 一种基于mri引导的ct图像分割方法及系统 |
Citations (3)
| 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 |
| CN110533044A (zh) * | 2019-05-29 | 2019-12-03 | 广东工业大学 | 一种基于gan的域适应图像语义分割方法 |
| CN110738663A (zh) * | 2019-09-06 | 2020-01-31 | 上海衡道医学病理诊断中心有限公司 | 双域适应模块金字塔型网络及无监督域适应图像分割方法 |
-
2020
- 2020-05-22 CN CN202010443049.XA patent/CN111476805B/zh active Active
Patent Citations (3)
| 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 |
| CN110533044A (zh) * | 2019-05-29 | 2019-12-03 | 广东工业大学 | 一种基于gan的域适应图像语义分割方法 |
| CN110738663A (zh) * | 2019-09-06 | 2020-01-31 | 上海衡道医学病理诊断中心有限公司 | 双域适应模块金字塔型网络及无监督域适应图像分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 林金朝;庞宇;徐黎明;黄志伟;: "基于深度学习的医学图像处理研究进展" * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112001398A (zh) * | 2020-08-26 | 2020-11-27 | 科大讯飞股份有限公司 | 域适应方法、装置、设备、图像处理方法及存储介质 |
| CN112001398B (zh) * | 2020-08-26 | 2024-04-12 | 科大讯飞股份有限公司 | 域适应方法、装置、设备、图像处理方法及存储介质 |
| CN112150469A (zh) * | 2020-09-18 | 2020-12-29 | 上海交通大学 | 一种基于无监督领域自适应的激光散斑衬比图像分割方法 |
| CN112150469B (zh) * | 2020-09-18 | 2022-05-27 | 上海交通大学 | 一种基于无监督领域自适应的激光散斑衬比图像分割方法 |
| CN112116024A (zh) * | 2020-09-28 | 2020-12-22 | 北京嘀嘀无限科技发展有限公司 | 用户分类模型的方法、装置、电子设备和存储介质 |
| CN112116024B (zh) * | 2020-09-28 | 2021-08-13 | 北京嘀嘀无限科技发展有限公司 | 用户分类模型的方法、装置、电子设备和存储介质 |
| CN112115916A (zh) * | 2020-09-29 | 2020-12-22 | 西安电子科技大学 | 域适应Faster R-CNN半监督SAR检测方法 |
| CN112115916B (zh) * | 2020-09-29 | 2023-05-02 | 西安电子科技大学 | 域适应Faster R-CNN半监督SAR检测方法 |
| CN112347910A (zh) * | 2020-11-05 | 2021-02-09 | 中国电子科技集团公司第二十九研究所 | 一种基于多模态深度学习的信号指纹识别方法 |
| CN112784879A (zh) * | 2020-12-31 | 2021-05-11 | 前线智能科技(南京)有限公司 | 一种基于小样本域自适应的医学影像分割或分类方法 |
| CN112837212A (zh) * | 2021-01-28 | 2021-05-25 | 南京大学 | 一种基于流形对齐的图像任意风格迁移方法 |
| CN112837212B (zh) * | 2021-01-28 | 2023-09-26 | 南京大学 | 一种基于流形对齐的图像任意风格迁移方法 |
| CN113096137A (zh) * | 2021-04-08 | 2021-07-09 | 济南大学 | 一种oct视网膜图像领域适应分割方法及系统 |
| CN113205521A (zh) * | 2021-04-23 | 2021-08-03 | 复旦大学 | 一种医学影像数据的图像分割方法 |
| CN113205522A (zh) * | 2021-04-28 | 2021-08-03 | 华中科技大学 | 一种基于对抗域适应的图像智能裁剪方法及系统 |
| CN113205522B (zh) * | 2021-04-28 | 2022-05-13 | 华中科技大学 | 一种基于对抗域适应的图像智能裁剪方法及系统 |
| CN113139664B (zh) * | 2021-04-30 | 2023-10-10 | 中国科学院计算技术研究所 | 一种跨模态的迁移学习方法 |
| CN113139664A (zh) * | 2021-04-30 | 2021-07-20 | 中国科学院计算技术研究所 | 一种跨模态的迁移学习方法 |
| CN114387481A (zh) * | 2021-12-30 | 2022-04-22 | 天翼物联科技有限公司 | 基于多源对抗策略的医学影像交叉模态合成系统及方法 |
| CN114387481B (zh) * | 2021-12-30 | 2024-03-29 | 天翼物联科技有限公司 | 基于多源对抗策略的医学影像交叉模态合成系统及方法 |
| CN115797611A (zh) * | 2023-02-10 | 2023-03-14 | 真健康（北京）医疗科技有限公司 | 三维医学图像模态转换模型训练方法及设备 |
| CN117078703A (zh) * | 2023-08-30 | 2023-11-17 | 深圳扬奇医芯智能科技有限公司 | 一种基于mri引导的ct图像分割方法及系统 |
| CN117078703B (zh) * | 2023-08-30 | 2024-05-28 | 深圳扬奇医芯智能科技有限公司 | 一种基于mri引导的ct图像分割方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111476805B (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111476805A (zh) | 一种基于多重约束的跨源无监督域适应分割模型 | |
| CN109493308B (zh) | 基于条件多判别生成对抗网络的医疗图像合成与分类方法 | |
| CN113314205B (zh) | 一种高效的医学影像标注与学习系统 | |
| CN113205096B (zh) | 一种基于注意力的联合图像与特征自适应的语义分割方法 | |
| CN109544442A (zh) | 基于双重对抗的生成式对抗网络的图像局部风格迁移方法 | |
| CN112164067A (zh) | 一种基于多模态子空间聚类的医学图像分割方法及装置 | |
| CN115731178A (zh) | 一种跨模态的无监督域自适应医学图像分割方法 | |
| CN111667027B (zh) | 多模态图像的分割模型训练方法、图像处理方法及装置 | |
| CN114049408A (zh) | 用于加速多模态mr成像的深度网络模型 | |
| CN113361646A (zh) | 基于语义信息保留的广义零样本图像识别方法及模型 | |
| Zhao et al. | MPSHT: multiple progressive sampling hybrid model multi-organ segmentation | |
| Yang et al. | Right ventricle segmentation in short-axis MRI using a shape constrained dense connected U-Net | |
| CN111564205A (zh) | 一种病理图像染色归一化方法及装置 | |
| CN111382871A (zh) | 基于数据扩充一致性的领域泛化和领域自适应学习方法 | |
| CN112884773B (zh) | 基于背景变换下目标注意力一致性的目标分割模型 | |
| CN117078921B (zh) | 一种基于多尺度边缘信息的自监督小样本汉字生成方法 | |
| CN112990359B (zh) | 一种影像数据处理方法、装置、计算机及存储介质 | |
| CN115131366A (zh) | 基于生成式对抗网络和半监督领域自适应的多模态小目标图像全自动分割方法及系统 | |
| CN109934796A (zh) | 一种基于深度集成学习的器官自动勾画方法 | |
| CN111242038B (zh) | 一种基于帧预测网络的动态舌颤检测方法 | |
| CN117635935A (zh) | 轻量化无监督自适应图像语义分割方法及系统 | |
| CN114298979B (zh) | 一种局灶性病变征象描述指导的肝核磁影像序列生成方法 | |
| CN116758005A (zh) | 一种面向pet/ct医学图像的检测方法 | |
| CN114140368B (zh) | 一种基于生成式对抗网络的多模态医学图像合成方法 | |
| CN115526898A (zh) | 一种医学影像分割方法 |
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 |