CN111507918B - 一种基于深度学习技术的医学图像增强方法 - Google Patents
一种基于深度学习技术的医学图像增强方法 Download PDFInfo
- Publication number
- CN111507918B CN111507918B CN202010298430.1A CN202010298430A CN111507918B CN 111507918 B CN111507918 B CN 111507918B CN 202010298430 A CN202010298430 A CN 202010298430A CN 111507918 B CN111507918 B CN 111507918B
- Authority
- CN
- China
- Prior art keywords
- medical image
- deep learning
- learning model
- medical
- iii
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000005516 engineering process Methods 0.000 title claims abstract description 19
- 238000013136 deep learning model Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 238000012805 post-processing Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 12
- 238000011478 gradient descent method Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims 1
- 238000010606 normalization Methods 0.000 claims 1
- 238000003199 nucleic acid amplification method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005429 filling process Methods 0.000 description 2
- 206010019695 Hepatic neoplasm Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000011800 void material Substances 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
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- 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
- G06T2207/30096—Tumor; Lesion
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 Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度学习技术的医学图像增强方法，将医学图像进行初步处理和预处理得到医学图像I后，输入到训练后的深度学习模型中得到医学图像III，对医学图像III进行后处理得到医学图像IV后，将医学图像I与医学图像IV进行融合重构得到高清晰的医学图像V；深度学习模型由VGG16网络(由医学图像I得到医学图像II)和DenseUnet网络(由医学图像II得到医学图像III)组成；训练过程即以医学图像I作为深度学习模型的输入，以理论输出的医学图像III作为深度学习模型的输出，不断调整深度学习模型的所有参数，直到达到训练终止条件的过程。本发明的准确性、实时性、图像质量优于传统方法，应用前景广阔。
Description
技术领域
本发明属于机器学习、模式识别和医学影像处理技术领域，涉及一种基于深度学习技术的医学图像增强方法。
背景技术
医学图像已成为现代医学诊断不可或缺的一部分，直接影响医生诊断的准确性和治疗疾病的及时性。医学图像信息量大且细节丰富，但在医学图像的获取过程中，图像受到各种因素的干扰以至于获得的医学图像存在各种噪声(包括系统噪声、随机噪声等)，医学图像特殊的存储和传输方式使得医学图像的动态范围较高且对比度低，而传感器灵敏度和模数转换过程会导致图像边缘模糊、分辨率低且细节不清晰，这些缺点使得直接对获取的医学图像进行病理分析较困难，难以区分病变组织甚至导致产生较大的诊断偏差。
在医学影像中，由于X光投射成像技术具有速度快、成本低、可靠性高的优良特点，其在医疗领域的应用日益广泛。但是，由于人体内部组织错综复杂以及X射线有散射特性等因素的影响，采集到的X光数字医学图像往往存在着噪声水平高、对比度较低、图像较为模糊的问题，使得医学图像识别率较低，对医学影像分析和诊断造成了不良的影响，所以，有必要对X光等数字医学图像进行有针对性的处理。在目前的实际应用中，对X光数字医学图像的质量进行提升的方法较为简单，采用的是一些传统的图像增强方法，这些方法的好处是实现简单，易于集成到医疗设备上，但是实际效果却不够理想。
发明内容
本发明的目的是解决现有技术中医学图像的全局对比度低、像素分布不均以及边缘不清晰等问题，提供一种基于深度学习技术的医学图像增强方法，其不但可以有效地增强医学图像的对比度和细节，而且能通过提高图像质量来提高医疗设备的实用性和可靠性。
为达到上述目的，本发明采用的技术方案如下：
一种基于深度学习技术的医学图像增强方法，将医学图像进行初步处理和预处理得到医学图像I后，输入到训练后的深度学习模型中得到医学图像III，对医学图像III进行后处理得到医学图像IV后，将医学图像I与医学图像IV进行融合重构得到高清晰的医学图像V；
深度学习模型由VGG16网络和DenseUnet网络组成；VGG16网络用于对医学图像I进行图像数据轮廓的粗提取得到医学图像II，并发送至DenseUnet网络；DenseUnet网络用于对不同尺度空间的医学图像II进行不同程度的上下采样操作得到特征图后进行特征融合，并输出概率图，即医学图像III，其中，下采样操作采用DCNN网络，本发明使用DCNN网络替代传统的CNN网络，DCNN可以通过低分辨率图像直接预测高分辨率图像，在下采样过程中可以充分保留图像特征细节，提高对特征的有效利用，减少图像大量特征信息的丢失；
训练过程即以医学图像I作为深度学习模型的输入，以理论输出的医学图像III作为深度学习模型的输出，不断调整深度学习模型的所有参数，直到达到训练终止条件的过程。
本发明的一种基于深度学习技术的医学图像增强方法将深度学习技术应用到医学图像增强领域，搭建深度学习模型，并训练深度学习模型，进而使得医学图像输入到深度学习模型中后能够输出高分辨率的细节处理图像，最后将原低分辨率图像(即医学图像I)与高分辨率的细节处理图像(即医学图像IV)进行融合重构，得到了分辨率大幅提升的高分辨率图像；
其中，该医学图像增强方法引入深度学习图像语义分割方法，将医学图像增强视为一个图像语义分割后细节增强图像与原始低分辨率图像的融合重构问题，通过深度学习训练出深度学习模型；
搭建的深度学习模型，先利用VGG16网络进行预训练获得医学图像的粗轮廓，再通过构建DenseUnet网络进行图像的细节增强，并使用DCNN网络代替传统的CNN网络进行下采样操作，将不同尺度空间的特征图进行融合，增加高分辨率细节，准确性、实时性、图像质量方面优于传统图像增强方法。
如上所述的一种基于深度学习技术的医学图像增强方法，所述初步处理是指将医学图像的范围和尺寸进行规定，去除无关的医学图像。
如上所述的一种基于深度学习技术的医学图像增强方法，所述预处理是指对医学图像进行归一化、旋转和扩增。
如上所述的一种基于深度学习技术的医学图像增强方法，所述后处理是指对医学图像III进行空洞填充，空洞填充利用的基本思想是空间相关性，即利用空洞周围的邻域像素来估计空洞中像素的深度值。
如上所述的一种基于深度学习技术的医学图像增强方法，所述空洞填充的过程中，为了减少计算量，提高算法的效率，加快空洞填充的速度，本发明采用梯度下降法来求解优化问题，梯度下降法的初始值的确定方法为：计算邻域中所有有效像素与目标像素的相似度，取相似度的最大值对应的有效像素的像素值作为优化问题的初始值。
如上所述的一种基于深度学习技术的医学图像增强方法，具体步骤如下：
(1)采集医学图像，将一部分作为训练样本，另一部分作为测试样本；
(2)将所有的医学图像进行初步处理和预处理得到医学图像I；
(3)构建深度学习模型；
(4)初始化深度学习模型的所有参数并设置训练终止条件后，采用训练样本对应的医学图像I及理论输出的医学图像III训练深度学习模型；
(5)将测试样本对应的医学图像I输入到训练后的深度学习模型中得到测试样本对应的医学图像III；
(6)对测试样本对应的医学图像III进行后处理得到测试样本对应的医学图像IV；
(7)将测试样本对应的医学图像I与医学图像IV进行融合重构得到高清晰的医学图像V。
有益效果：
本发明提出了一种基于深度学习技术的医学图像增强方法，利用VGG16网络进行预训练获得图像的粗轮廓，再通过构建DenseUnet网络进行图像的细节增强，并使用DCNN网络代替传统的CNN网络进行下采样操作，将不同尺度空间的特征图进行融合，增加高分辨率细节，在图像后处理过程中借鉴深度学习技术中的梯度下降法加快空洞填充的速度，准确性、实时性、图像质量方面优于传统图像增强方法，在医学疾病等计算机辅助诊断系统等领域有广阔的应用前景。
本发明的基于深度学习技术的医学图像增强方法具有重大的学术意义，对医疗成像设备的发展和应用提供可行性支持。
附图说明
图1为本发明基于深度学习技术的医学图像增强方法的流程图；
图2为本发明采用的VGG16网络结构图；
图3为本发明采用的DenseUnet网络功能示意图；
图4为本发明采用的DenseUnet网络上采样和下采样流程图；
图5为本发明采用的DCNN网络结构图；
图6为本发明采用的DenseUnet网络结构图；
图7为本发明中空洞填充示意图。
图8为本发明最终效果图。
具体实施方式
下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
一种基于深度学习技术的医学图像增强方法，如图1所示，步骤如下：
(1)采集LITS2017肝脏肿瘤分割挑战医学图像，将其中131个医学图像作为训练样本，70个医学图像作为测试样本；
(2)将所有的医学图像进行初步处理和预处理得到医学图像I；初步处理是指将医学图像的范围和尺寸进行规定，去除无关的医学图像；预处理是指对医学图像进行归一化、旋转和扩增；
(3)构建深度学习模型；深度学习模型由VGG16网络和DenseUnet网络组成；VGG16网络(如图2所示)用于对医学图像I进行图像数据轮廓的粗提取得到医学图像II，并发送至DenseUnet网络；DenseUnet网络(如图3和图6所示)用于对不同尺度空间的医学图像II进行不同程度的上下采样操作(如图4所示)得到特征图后进行特征融合，并输出概率图，即医学图像III，其中，下采样操作采用DCNN网络(如图5所示)，本发明使用DCNN网络替代传统的CNN网络，DCNN可以通过低分辨率图像直接预测高分辨率图像，在下采样过程中可以充分保留图像特征细节，提高对特征的有效利用，减少图像大量特征信息的丢失；
(4)初始化深度学习模型的所有参数并设置训练终止条件后，采用训练样本训练深度学习模型；训练过程即以训练样本对应的医学图像I作为深度学习模型的输入，以训练样本对应的理论输出的医学图像III作为深度学习模型的输出，不断调整深度学习模型的所有参数，直到达到训练终止条件(即达到最大迭代次数)的过程；
(5)将测试样本对应的医学图像I输入到训练后的深度学习模型中得到测试样本对应的医学图像III；
(6)对测试样本对应的医学图像III进行后处理得到测试样本对应的医学图像IV；后处理是指对医学图像III进行空洞填充，空洞填充利用的基本思想是空间相关性，即利用空洞周围的邻域像素来估计空洞中像素的深度值；
空洞填充的过程中，为了减少计算量，提高算法的效率，加快空洞填充的速度，本发明采用梯度下降法来求解优化问题，梯度下降法的初始值的确定方法为：计算邻域中所有有效像素与目标像素的相似度，取相似度的最大值对应的有效像素的像素值作为优化问题的初始值；
具体空洞填充的过程如下：
基本思想是用空洞周围邻域像素来估计空洞中像素的像素值，如果对空洞中的像素直接用邻域的深度值来估计，则有可能会发生邻域中的有效像素与目标像素不在同一物体上而导致估计错误的情况，如图7所示，点A为空洞中的一个靠近彩色图像边缘的像素，在实际场景中属于背景，若取A点的一个邻域，则其中大部分的有效像素都属于前景，用这些像素来估计A点的深度值，所得到的估计值就会向前景偏离(偏小)，进一步观察可知，类似A点的像素大多位于空洞中靠近彩色图像边缘的一侧，在远离图像边缘的一侧，像素与其邻域中的有效像素一般位于同一物体上，因此，如果采用迭代的策略，从空洞中远离彩色图像边缘的一侧逐步向彩色图像边缘靠近，则不会出现类似A点的情况，注意到在彩色距离图像中，这种迭代的方向正是像素值递减的方向，故而可以用距离图像来指导迭代的空洞填充过程，为了减少计算量，提高算法的效率，本发明采用梯度下降法来求解此优化问题，梯度下降法的初始值确定方法为：计算邻域中所有有效像素与目标像素的相似度，取相似度的最大值对应的有效像素的像素值作为优化问题的初始值；
(7)将测试样本对应的医学图像I与医学图像IV进行融合重构得到高清晰的医学图像V(如图8所示)。
本发明是基于深度学习框架Keras，以Tensorflow为后端引擎，运行在GPU工作站上，使用的测试平台：处理器为Inteli7-7700CPU，内存为16GB，显卡NVIDIA GeForce。
本发明的一种基于深度学习技术的医学图像增强方法将深度学习技术应用到医学图像增强领域，搭建深度学习模型，并训练深度学习模型，进而使得医学图像输入到深度学习模型中后能够输出高分辨率的细节处理图像，最后将原低分辨率图像(即医学图像I)与高分辨率的细节处理图像(即医学图像IV)进行融合重构，得到了分辨率大幅提升的高分辨率图像；
其中，该医学图像增强方法引入深度学习图像语义分割方法，将医学图像增强视为一个图像语义分割后细节增强图像与原始低分辨率图像的融合重构问题，通过深度学习训练出深度学习模型；
搭建的深度学习模型，先利用VGG16网络进行预训练获得医学图像的粗轮廓，再通过构建DenseUnet网络进行图像的细节增强，并使用DCNN网络代替传统的CNN网络进行下采样操作，将不同尺度空间的特征图进行融合，增加高分辨率细节，准确性、实时性、图像质量方面优于传统图像增强方法。
Claims (6)
1.一种基于深度学习技术的医学图像增强方法，其特征是：将医学图像进行初步处理和预处理得到医学图像I后，输入到训练后的深度学习模型中得到医学图像III，对医学图像III进行后处理得到医学图像IV后，将医学图像I与医学图像IV进行融合重构得到高清晰的医学图像V；
深度学习模型由VGG16网络和DenseUnet网络组成；VGG16网络用于对医学图像I进行图像数据轮廓的粗提取得到医学图像II，并发送至DenseUnet网络；DenseUnet网络用于对不同尺度空间的医学图像II进行不同程度的上下采样操作得到特征图后进行特征融合，并输出概率图，即医学图像III，其中，下采样操作采用DCNN网络；
训练过程即以医学图像I作为深度学习模型的输入，以理论输出的医学图像III作为深度学习模型的输出，不断调整深度学习模型的所有参数，直到达到训练终止条件的过程。
2.根据权利要求1所述的一种基于深度学习技术的医学图像增强方法，其特征在于，所述初步处理是指将医学图像的范围和尺寸进行规定，去除无关的医学图像。
3.根据权利要求1所述的一种基于深度学习技术的医学图像增强方法，其特征在于，所述预处理是指对医学图像进行归一化、旋转和扩增。
4.根据权利要求1所述的一种基于深度学习技术的医学图像增强方法，其特征在于，所述后处理是指对医学图像III进行空洞填充。
5.根据权利要求4所述的一种基于深度学习技术的医学图像增强方法，其特征在于，所述空洞填充的过程中，采用梯度下降法来求解优化问题，梯度下降法的初始值的确定方法为：计算邻域中所有有效像素与目标像素的相似度，取相似度的最大值对应的有效像素的像素值作为优化问题的初始值。
6.根据权利要求1～5任一项所述的一种基于深度学习技术的医学图像增强方法，其特征在于，具体步骤如下：
(1)采集医学图像，将一部分作为训练样本，另一部分作为测试样本；
(2)将所有的医学图像进行初步处理和预处理得到医学图像I；
(3)构建深度学习模型；
(4)初始化深度学习模型的所有参数并设置训练终止条件后，采用训练样本对应的医学图像I及理论输出的医学图像III训练深度学习模型；
(5)将测试样本对应的医学图像I输入到训练后的深度学习模型中得到测试样本对应的医学图像III；
(6)对测试样本对应的医学图像III进行后处理得到测试样本对应的医学图像IV；
(7)将测试样本对应的医学图像I与医学图像IV进行融合重构得到高清晰的医学图像V。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010298430.1A CN111507918B (zh) | 2020-04-16 | 2020-04-16 | 一种基于深度学习技术的医学图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010298430.1A CN111507918B (zh) | 2020-04-16 | 2020-04-16 | 一种基于深度学习技术的医学图像增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111507918A CN111507918A (zh) | 2020-08-07 |
| CN111507918B true CN111507918B (zh) | 2020-12-08 |
Family
ID=71877530
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010298430.1A Active CN111507918B (zh) | 2020-04-16 | 2020-04-16 | 一种基于深度学习技术的医学图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111507918B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508833B (zh) * | 2020-12-09 | 2024-03-29 | 东南大学 | 基于深度学习的医学图像增强方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109741407A (zh) * | 2019-01-09 | 2019-05-10 | 北京理工大学 | 一种基于卷积神经网络的光谱成像系统的高质量重构方法 |
| CN109859106A (zh) * | 2019-01-28 | 2019-06-07 | 桂林电子科技大学 | 一种基于自注意力的高阶融合网络的图像超分辨率重建方法 |
| US10353271B2 (en) * | 2016-06-27 | 2019-07-16 | Zhejiang Gongshang University | Depth estimation method for monocular image based on multi-scale CNN and continuous CRF |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7199850B2 (ja) * | 2018-06-29 | 2023-01-06 | キヤノンメディカルシステムズ株式会社 | 医用情報処理装置 |
-
2020
- 2020-04-16 CN CN202010298430.1A patent/CN111507918B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10353271B2 (en) * | 2016-06-27 | 2019-07-16 | Zhejiang Gongshang University | Depth estimation method for monocular image based on multi-scale CNN and continuous CRF |
| CN109741407A (zh) * | 2019-01-09 | 2019-05-10 | 北京理工大学 | 一种基于卷积神经网络的光谱成像系统的高质量重构方法 |
| CN109859106A (zh) * | 2019-01-28 | 2019-06-07 | 桂林电子科技大学 | 一种基于自注意力的高阶融合网络的图像超分辨率重建方法 |
Non-Patent Citations (5)
| Title |
|---|
| A Convolutional Neural Network for Modelling Sentences;Nal Kalchbrenner，et.al,;《https://arxiv.org/abs/1404.2188》;20140408;1-11 * |
| Fast Dynamic Perfusion and Angiography Reconstruction Using an End-to-End 3D Convolutional Neural Network;Yousefi, S.,et.al;《In International Workshop on Machine Learning for Medical Image Reconstruction (pp. 25-35)》;20191031;25-35 * |
| Latent Fingerprint Enhancement Based on DenseUNet;Qian, P., et.al;《In 2019 International Conference on Biometrics (ICB) 》;20190630;1-6 * |
| 基于卷积神经网络的图像盲复原方法研究;王心哲;《中国优秀硕士学位论文全文数据库》;20190715;全文 * |
| 基于深度卷积神经网络的低照度图像增强;马红强，等;《光学学报》;20181007;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111507918A (zh) | 2020-08-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022083026A1 (zh) | 一种超声图像去噪模型建立方法及超声图像去噪方法 | |
| CN108053417B (zh) | 一种基于混合粗分割特征的3D U-Net网络的肺分割装置 | |
| CN110930416B (zh) | 一种基于u型网络的mri图像前列腺分割方法 | |
| CN109242888B (zh) | 一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法 | |
| CN110188792B (zh) | 前列腺mri三维图像的图像特征获取方法 | |
| CN102068281B (zh) | 一种占位性病变超声图像的处理方法 | |
| CN112258514B (zh) | 一种ct影像肺血管的分割方法 | |
| KR20230059799A (ko) | 병변 검출을 위해 공동 훈련을 이용하는 연결형 머신 러닝 모델 | |
| CN114037714B (zh) | 一种面向前列腺系统穿刺的3d mr与trus图像分割方法 | |
| CN112712528B (zh) | 一种多尺度u型残差编码器与整体反向注意机制结合的肠道病灶分割方法 | |
| CN110706225B (zh) | 基于人工智能的肿瘤识别系统 | |
| CN115496771A (zh) | 一种基于脑部三维mri图像设计的脑肿瘤分割方法 | |
| CN107403438A (zh) | 改进模糊聚类算法的超声图像病灶区分割方法 | |
| CN116563204A (zh) | 一种融合多尺度残差注意力的医学图像分割方法 | |
| CN113870327B (zh) | 基于预测多层次变形场的医学图像配准方法 | |
| CN114170244A (zh) | 一种基于级联神经网络结构的脑胶质瘤分割方法 | |
| CN111507918B (zh) | 一种基于深度学习技术的医学图像增强方法 | |
| CN116758336A (zh) | 一种基于人工智能的医学图像智能分析系统 | |
| CN111489291A (zh) | 一种基于网络级联的医学图像超分辨率重建方法 | |
| CN113689441B (zh) | 一种基于DeepLabV3网络的左心室超声动态分割方法 | |
| CN118351300A (zh) | 基于U-Net模型的危机器官自动勾画方法及系统 | |
| CN113538363A (zh) | 一种基于改进U-Net的肺部医学影像分割方法及装置 | |
| You et al. | EfficientUNet: An efficient solution for breast tumour segmentation in ultrasound images | |
| CN112634280B (zh) | 基于能量泛函的mri图像脑肿瘤分割方法 | |
| CN113822865B (zh) | 一种基于深度学习的腹部ct图像肝脏自动分割方法 |
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 |