CN111563897A - 基于弱监督学习的乳腺核磁影像肿瘤分割的方法及装置 - Google Patents
基于弱监督学习的乳腺核磁影像肿瘤分割的方法及装置 Download PDFInfo
- Publication number
- CN111563897A CN111563897A CN202010287157.2A CN202010287157A CN111563897A CN 111563897 A CN111563897 A CN 111563897A CN 202010287157 A CN202010287157 A CN 202010287157A CN 111563897 A CN111563897 A CN 111563897A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- image
- tumor
- breast
- module
- 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 89
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 29
- 210000000481 breast Anatomy 0.000 title claims abstract description 22
- 238000013135 deep learning Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000002372 labelling Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 208000026310 Breast neoplasm Diseases 0.000 claims description 13
- 206010006187 Breast cancer Diseases 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 210000005075 mammary gland Anatomy 0.000 claims 1
- 230000005311 nuclear magnetism Effects 0.000 claims 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 19
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 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
- 230000036541 health Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000002604 ultrasonography 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
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
基于弱监督学习的乳腺核磁影像肿瘤分割的方法及装置，能够利用不完整的标注信息训练分割模型，在保证精度的同时，大大提高了分割的效率。方法包括：(1)标注MRI影像中最大肿瘤截面，作为分割标签；(2)对MRI影像进行灰度归一化和降低分辨率的处理；(3)将处理后的MRI影像和分割标签输入到深度学习神经网络中，结合体积预测弱监督损失，对深度学习神经网络进行训练，获得网络模型；(4)将待分割图像输入到所述网络模型中进行分割，获得分割结果；(5)基于步骤(4)的分割结果，选取最大连通域去除噪声，得到最终分割结果。
Description
技术领域
本发明涉及医学图像处理的技术领域，尤其涉及一种基于弱监督学习的乳腺核磁影像肿瘤分割的方法，以及基于弱监督学习的乳腺核磁影像肿瘤分割的装置。
背景技术
乳腺癌是影响女性健康最常见的恶性肿瘤之一。早发现，早治疗能够有效降低乳腺癌的死亡率。目前X光，超声以及磁共振是检测肿瘤最常见的三种方式。其中磁共振成像(Magnetic Resonance Imaging，简称MRI)具有丰富的三维信息和较高的软组织分辨率，因此越来越多的被应用于乳腺癌的临床诊断中。
乳腺肿瘤诊疗的关键步骤之一就是乳腺肿瘤的精确分割。人工标注耗时久且依赖于医生的主观经验。利用计算机辅助诊断技术分割乳腺肿瘤，可大大提高医生的诊治效率。在过去的十几年中已经提出了一些分割算法用于乳腺肿瘤分割。主要包括模糊聚类，区域生长，水平集，图割等方法。但这些方法大多需要人工干预，并且耗时较长。
近年来随着深度学习的迅速发展，利用深度学习进行医学影像分割取得了显著的成就。尤其是利用监督学习的方法，基于大量有标注的数据进行训练，抽象学习影像高层特征，从而利用训练好的模型得到准确的分割结果。这些都需要完整的标注信息来训练分割模型，但是像素级的手工标注十分耗时。
发明内容
为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种基于弱监督学习的乳腺核磁影像肿瘤分割的方法，其能够利用不完整的标注信息训练分割模型，在保证精度的同时，大大提高了分割的效率。
本发明的技术方案是：这种基于弱监督学习的乳腺核磁影像肿瘤分割的方法，其包括以下步骤：
(1)标注MRI影像中的最大肿瘤截面，作为分割标签；
(2)对MRI影像进行灰度归一化和降低分辨率的处理；
(3)将处理后的MRI影像和分割标签输入到深度学习神经网络中，结合体积预测弱监督损失，对深度学习神经网络进行训练，获得网络模型；
(4)将待分割图像输入到所述网络模型中进行分割，获得分割结果；
(5)基于步骤(4)的分割结果，选取最大连通域去除噪声，得到最终分割结果。
本发明通过标注MRI影像中的最大肿瘤截面，作为分割标签，将处理后的MRI影像和分割标签输入到深度学习神经网络中，结合体积预测弱监督损失，对深度学习神经网络进行训练，获得网络模型，将待分割图像输入到所述网络模型中进行分割，获得分割结果，因此充分利用不完整的标注信息结合肿瘤体积预测，既能对训练集中存在的不完整标注样本进行补全，又能对新的完全未标注样本进行准确的预测，能够利用不完整的标注信息训练分割模型，在保证精度的同时，大大提高了分割的效率。
还提供了基于弱监督学习的乳腺核磁影像肿瘤分割的装置，其包括：
标注模块，其配置来标注MRI影像中最大肿瘤截面，作为分割标签；
预处理模块，其配置来对MRI影像进行灰度归一化和降低分辨率的处理；
网络模型构建模块，其配置来将处理后的MRI影像和分割标签输入到深度学习神经网络中，结合体积预测弱监督损失，对深度学习神经网络进行训练，获得网络模型；
分割模块，其配置来将待分割图像输入到所述网络模型中进行分割，获得分割结果；
去噪模块，其配置来基于分割模块的分割结果，选取最大连通域去除噪声，得到最终分割结果。
附图说明
图1是根据本发明的基于弱监督学习的乳腺核磁影像肿瘤分割的方法的流程图。
图2是根据本发明的基于弱监督学习的乳腺核磁影像肿瘤分割的方法的网络结构图。
图3是根据本发明的注意力门控模块结构图。
具体实施方式
如图1所示，这种基于弱监督学习的乳腺核磁影像肿瘤分割的方法，其包括以下步骤：
(1)标注MRI影像中的最大肿瘤截面，作为分割标签；
(2)对MRI影像进行灰度归一化和降低分辨率的处理；
(3)将处理后的MRI影像和分隔标签输入到深度学习神经网络中，结合体积预测弱监督损失，对深度学习神经网络进行训练，获得网络模型；
(4)将待分割图像输入到所述网络模型中进行分割，获得分割结果；
(5)基于步骤(4)的分割结果，选取最大连通域去除噪声，得到最终分割结果。
本发明通过标注MRI影像中的最大肿瘤截面，作为分割标签，将处理后的MRI影像和分割标签输入到深度学习神经网络中，结合体积预测弱监督损失，对深度学习神经网络进行训练，获得网络模型，将待分割图像输入到所述网络模型中进行分割，获得分割结果，因此充分利用不完整的标注信息结合肿瘤体积预测，既能对训练集中存在的不完整标注样本进行补全，又能对新的完全未标注样本进行准确的预测，能够利用不完整的标注信息训练分割模型，在保证精度的同时，大大提高了分割的效率。该方法可用于但不限于乳腺核磁肿瘤分割。
优选地，所述步骤(1)中，将乳腺肿瘤看作球体，在MRI影像中勾画最大横截面作为不完整的金标准。
优选地，所述步骤(2)中，对MRI影像进行预处理，利用z-score进行标准化，并将影像下采样为256*256*48大小。
优选地，如图2所示，所述步骤(3)中，借鉴Millertari et al.的V-net网络框架，并引入注意力门控模块增大感受野和捕获上下文信息，在不相关的背景区域中抑制特征响应。图2中，input为输入，output为输出，down为下采样，up为上采样。
优选地，如图3所示，所述步骤(3)中，解码器侧的特征图g上采样，并卷积后与编码器侧的特征图xl一同送入注意力门控模块；两者通过注意力门控模块计算得到特征图
与解码器上采样后的特征图级联。
为了使用不完整的标注信息实现乳腺肿瘤的准确分割，本发明利用加权交叉熵损失结合乳腺肿瘤体积预测作为弱监督指导网络学习。优选地，所述步骤(3)中，令Ω表示训练图像，|Ω|表示训练图像的像素数，
表示不完整标注的金标准，损失函数为公式(1)：
H(S)+λC(Vs) (1)
其中S＝[S1,…,S|Ω|]∈[0,1]|Ω|是网络在每个像素p处生成的概率向量；
损失函数的第一项为加权交叉熵，由于无标注的体素不能为学习过程提供有效信息，因此仅利用有标注的部分体素进行弱监督学习，表示为公式(2)：
H(S)＝∑p∈ΩL-logSp (2)
损失函数的第二项C(Vs)为乳腺肿瘤的体积约束项，表示为公式(3)：
其中Vs＝∑p∈ΩSp为预测体积大小，λ是一个正数，决定体积预测约束的重要性,
根据弱标签标注体素数目Vg，估计肿瘤体积为：
可假设a＝Vp/1.5 b＝Vp*1.5分别为肿瘤体积约束的上下界。优选地，所述步骤(3)中，λ设置为0.01。
本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，而所述的存储介质可以是：ROM/RAM、磁碟、光盘、存储卡等。因此，与本发明的方法相对应的，本发明还同时包括一种基于弱监督学习的乳腺核磁影像肿瘤分割的装置，该装置通常以与方法各步骤相对应的功能模块的形式表示。该装置包括：
标注模块，其配置来标注MRI影像中的最大肿瘤截面，作为分割标签；
预处理模块，其配置来对MRI影像进行灰度归一化和降低分辨率的处理；
网络模型构建模块，其配置来将处理后的MRI影像和分割标签输入到深度学习神经网络中，结合体积预测弱监督损失，对深度学习神经网络进行训练，获得网络模型；
分割模块，其配置来将待分割图像输入到所述网络模型中进行分割，获得分割结果；
去噪模块，其配置来基于分割模块的分割结果，选取最大连通域去除噪声，得到最终分割结果。
优选地，所述网络模型构建模块中，借鉴Millertari et al.的V-net网络框架，并引入注意力门控模块增大感受野和捕获上下文信息，在不相关的背景区域中抑制特征响应。
优选地，所述显示模块中，所述网络模型构建模块中，解码器侧的特征图g上采样，并卷积后与编码器侧的特征图xl一同送入注意力门控模块；两者通过注意力门控模块计算得到特征图
与解码器上采样后的特征图级联。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。
Claims (10)
1.基于弱监督学习的乳腺核磁影像肿瘤分割的方法，其特征在于：其包括以下步骤：
(1)标注MRI影像中最大肿瘤截面，作为分割标签；
(2)对MRI影像进行灰度归一化和降低分辨率的处理；
(3)将处理后的MRI影像和分割标签输入到深度学习神经网络中，结合体积预测弱监督损失，对深度学习神经网络进行训练，获得网络模型；
(4)将待分割图像输入到所述网络模型中进行分割，获得分割结果；
(5)基于步骤(4)的分割结果，选取最大连通域去除噪声，得到最终分割结果。
2.根据权利要求1所述的基于弱监督学习的乳腺核磁影像肿瘤分割的方法，其特征在于：所述步骤(1)中，将乳腺肿瘤看作球体，在MRI影像中勾画单张最大横截面作为不完整的金标准。
3.根据权利要求2所述的基于弱监督学习的乳腺核磁影像肿瘤分割的方法，其特征在于：所述步骤(2)中，对MRI影像进行预处理，利用z-score标准化，并将影像下采样为256*256*48大小。
4.根据权利要求3所述的基于弱监督学习的乳腺核磁影像肿瘤分割的方法，其特征在于：所述步骤(3)中，借鉴Millertari et al.的V-net网络框架，并引入注意力门控模块增大感受野和捕获上下文信息，在不相关的背景区域中抑制特征响应。
5.根据权利要求4所述的基于弱监督学习的乳腺核磁影像肿瘤分割的方法，其特征在于：所述步骤(3)中，解码器侧的特征图g上采样，并卷积后与编码器侧的特征图xl一同送入注意力门控模块；两者通过注意力门控模块计算得到特征图
与解码器上采样后的特征图级联。
6.根据权利要求5所述的基于弱监督学习的乳腺核磁影像肿瘤分割的方法，其特征在于：所述步骤(3)中，令Ω表示训练图像，|Ω|表示训练图像的像素数，
表示不完整标注的金标准，损失函数为公式(1)：
H(S)+λC(Vs) (1)
其中S＝[S1,…,S|Ω|]∈[0,1]|Ω|是网络在每个像素p处生成的概率向量；
损失函数的第一项为加权交叉熵，由于无标注的体素不能为学习过程提供有效信息，因此仅利用有标注的部分体素进行弱监督学习，表示为公式(2)：
损失函数的第二项C(Vs)为乳腺肿瘤的体积约束项，表示为公式(3)：
其中Vs＝∑p∈ΩSp为预测体积大小，λ是一个正数，决定体积预测约束的重要性,
根据弱标签标注体素数目Vg，估计肿瘤体积为：
a＝Vp/1.5b＝Vp*1.5分别表示肿瘤体积约束的上下界。
7.根据权利要求6所述的基于弱监督学习的乳腺核磁影像肿瘤分割的方法，其特征在于：所述步骤(3)中，λ设置为0.01。
8.基于弱监督学习的乳腺核磁影像肿瘤分割的装置，其特征在于：其包括：
标注模块，其配置来标注MRI影像中最大肿瘤截面，作为分割标签；
预处理模块，其配置来对MRI影像进行灰度归一化和降低分辨率的处理；
网络模型构建模块，其配置来将处理后的MRI影像和分割标签输入到深度学习神经网络中，结合体积预测弱监督损失，对深度学习神经网络进行训练，获得网络模型；
分割模块，其配置来将待分割图像输入到所述网络模型中进行分割，获得分割结果；
去噪模块，其配置来基于分割模块的分割结果，选取最大连通域去除噪声，得到最终分割结果。
9.根据权利要求8所述的基于弱监督学习的乳腺核磁影像肿瘤分割的装置，其特征在于：所述网络模型构建模块中，借鉴Millertariet al.的V-net网络框架，并引入注意力门控模块增大感受野和捕获上下文信息，在不相关的背景区域中抑制特征响应。
10.根据权利要求9所述的基于弱监督学习的乳腺核磁影像肿瘤分割的装置，其特征在于：所述显示模块中，所述网络模型构建模块中，解码器侧的特征图g上采样，并卷积后与编码器侧的特征图xl一同送入注意力门控模块；两者通过注意力门控模块计算得到特征图
与解码器上采样后的特征图级联。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010287157.2A CN111563897B (zh) | 2020-04-13 | 2020-04-13 | 基于弱监督学习的乳腺核磁影像肿瘤分割的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010287157.2A CN111563897B (zh) | 2020-04-13 | 2020-04-13 | 基于弱监督学习的乳腺核磁影像肿瘤分割的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111563897A true CN111563897A (zh) | 2020-08-21 |
| CN111563897B CN111563897B (zh) | 2024-01-05 |
Family
ID=72072993
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010287157.2A Active CN111563897B (zh) | 2020-04-13 | 2020-04-13 | 基于弱监督学习的乳腺核磁影像肿瘤分割的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111563897B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112184602A (zh) * | 2020-11-09 | 2021-01-05 | 上海市精神卫生中心（上海市心理咨询培训中心） | 一种基于弱监督和辅助任务的图像归一化方法 |
| CN112561480A (zh) * | 2020-12-16 | 2021-03-26 | 中国平安人寿保险股份有限公司 | 智能推动工作流方法、设备及计算机存储介质 |
| CN112734723A (zh) * | 2021-01-08 | 2021-04-30 | 温州医科大学 | 一种面向多源数据的乳腺肿瘤图像分类预测方法及装置 |
| CN112767407A (zh) * | 2021-02-02 | 2021-05-07 | 南京信息工程大学 | 一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法 |
| CN112785598A (zh) * | 2020-11-05 | 2021-05-11 | 南京天智信科技有限公司 | 基于注意力增强改进u型网络的超声乳腺肿瘤自动分割方法 |
| CN113139974A (zh) * | 2021-04-13 | 2021-07-20 | 广东工业大学 | 基于半监督学习的病灶分割模型训练、应用方法 |
| CN113269778A (zh) * | 2021-06-21 | 2021-08-17 | 复旦大学 | 基于迭代的图像弱监督分割方法 |
| CN113763399A (zh) * | 2021-09-08 | 2021-12-07 | 海盐县南北湖医学人工智能研究院 | 一种基于弱监督学习的医学影像分割方法及计算机可读存储介质 |
| CN116543151A (zh) * | 2023-05-05 | 2023-08-04 | 山东省人工智能研究院 | 一种基于深度学习的3d医学ct图像分割方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107464250A (zh) * | 2017-07-03 | 2017-12-12 | 深圳市第二人民医院 | 基于三维mri图像的乳腺肿瘤自动分割方法 |
| CN110189323A (zh) * | 2019-06-05 | 2019-08-30 | 深圳大学 | 一种基于半监督学习的乳腺超声图像病灶分割方法 |
| US20190286936A1 (en) * | 2017-07-14 | 2019-09-19 | Memorial Sloan Kettering Cancer Center | Weakly supervised image classifier |
| CN110675378A (zh) * | 2019-09-23 | 2020-01-10 | 赵晖 | 一种脊柱转移肿瘤稳定性的图像识别方法及系统 |
-
2020
- 2020-04-13 CN CN202010287157.2A patent/CN111563897B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107464250A (zh) * | 2017-07-03 | 2017-12-12 | 深圳市第二人民医院 | 基于三维mri图像的乳腺肿瘤自动分割方法 |
| US20190286936A1 (en) * | 2017-07-14 | 2019-09-19 | Memorial Sloan Kettering Cancer Center | Weakly supervised image classifier |
| CN110189323A (zh) * | 2019-06-05 | 2019-08-30 | 深圳大学 | 一种基于半监督学习的乳腺超声图像病灶分割方法 |
| CN110675378A (zh) * | 2019-09-23 | 2020-01-10 | 赵晖 | 一种脊柱转移肿瘤稳定性的图像识别方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| PING LIU 等: "An Encoder-Decoder Neural Network With 3D Squeeze-and-Excitation and Deep Supervision for Brain Tumor Segmentation", 《IEEE ACCESS》 * |
| SERGEY PAVLOV 等: "Weakly supervised fine tuning approach for brain tumor segmentation problem", 《ARXIV:1911.01738V2 [EESS.IV]》 * |
| 杜晨冰 等: "血管造影图像序列减影增强技术综述", 《生命科学仪器》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112785598B (zh) * | 2020-11-05 | 2022-05-13 | 南京天智信科技有限公司 | 基于注意力增强改进u型网络的超声乳腺肿瘤自动分割方法 |
| CN112785598A (zh) * | 2020-11-05 | 2021-05-11 | 南京天智信科技有限公司 | 基于注意力增强改进u型网络的超声乳腺肿瘤自动分割方法 |
| CN112184602A (zh) * | 2020-11-09 | 2021-01-05 | 上海市精神卫生中心（上海市心理咨询培训中心） | 一种基于弱监督和辅助任务的图像归一化方法 |
| CN112184602B (zh) * | 2020-11-09 | 2024-04-16 | 上海市精神卫生中心（上海市心理咨询培训中心） | 一种基于弱监督和辅助任务的图像归一化方法 |
| CN112561480A (zh) * | 2020-12-16 | 2021-03-26 | 中国平安人寿保险股份有限公司 | 智能推动工作流方法、设备及计算机存储介质 |
| CN112734723A (zh) * | 2021-01-08 | 2021-04-30 | 温州医科大学 | 一种面向多源数据的乳腺肿瘤图像分类预测方法及装置 |
| CN112734723B (zh) * | 2021-01-08 | 2023-06-30 | 温州医科大学 | 一种面向多源数据的乳腺肿瘤图像分类预测方法及装置 |
| CN112767407A (zh) * | 2021-02-02 | 2021-05-07 | 南京信息工程大学 | 一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法 |
| CN112767407B (zh) * | 2021-02-02 | 2023-07-07 | 南京信息工程大学 | 一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法 |
| CN113139974B (zh) * | 2021-04-13 | 2023-08-22 | 广东工业大学 | 基于半监督学习的病灶分割模型训练、应用方法 |
| CN113139974A (zh) * | 2021-04-13 | 2021-07-20 | 广东工业大学 | 基于半监督学习的病灶分割模型训练、应用方法 |
| CN113269778A (zh) * | 2021-06-21 | 2021-08-17 | 复旦大学 | 基于迭代的图像弱监督分割方法 |
| CN113763399A (zh) * | 2021-09-08 | 2021-12-07 | 海盐县南北湖医学人工智能研究院 | 一种基于弱监督学习的医学影像分割方法及计算机可读存储介质 |
| CN116543151A (zh) * | 2023-05-05 | 2023-08-04 | 山东省人工智能研究院 | 一种基于深度学习的3d医学ct图像分割方法 |
| CN116543151B (zh) * | 2023-05-05 | 2024-05-28 | 山东省人工智能研究院 | 一种基于深度学习的3d医学ct图像分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111563897B (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111563897A (zh) | 基于弱监督学习的乳腺核磁影像肿瘤分割的方法及装置 | |
| US20210110196A1 (en) | Deep Learning Network for Salient Region Identification in Images | |
| CN110930416B (zh) | 一种基于u型网络的mri图像前列腺分割方法 | |
| EP3480786A1 (en) | Medical image object detection with dense feature pyramid network architecture in machine learning | |
| CN110310287B (zh) | 基于神经网络的危及器官自动勾画方法、设备和存储介质 | |
| Mahmood et al. | Breast lesions classifications of mammographic images using a deep convolutional neural network-based approach | |
| WO2020133636A1 (zh) | 前列腺手术中外包膜智能检测和预警方法及系统 | |
| CN109389129A (zh) | 一种图像处理方法、电子设备及存储介质 | |
| CN112446892A (zh) | 一种基于注意力学习的细胞核分割方法 | |
| CN112767355A (zh) | 一种甲状腺结节Tirads分级自动识别模型构建方法及装置 | |
| CN110689525A (zh) | 基于神经网络识别淋巴结的方法及装置 | |
| CN114565761A (zh) | 一种基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法 | |
| CN113223005B (zh) | 一种甲状腺结节自动分割及分级的智能系统 | |
| Bhatti et al. | Multi-detection and segmentation of breast lesions based on mask rcnn-fpn | |
| CN115272170A (zh) | 基于自适应多尺度Transformer优化的前列腺MRI影像分割方法及系统 | |
| CN114581474A (zh) | 一种基于宫颈癌ct影像的临床靶区自动勾画方法 | |
| US20220277175A1 (en) | Method and system for training and deploying an artificial intelligence model on pre-scan converted ultrasound image data | |
| CN116721289A (zh) | 基于自监督聚类对比学习的宫颈oct图像分类方法及系统 | |
| Hoorali et al. | Automatic microscopic diagnosis of diseases using an improved UNet++ architecture | |
| CN116350231A (zh) | 基于层级不同粒度类别约束的半监督心电图心肌梗死定位方法 | |
| Li et al. | A novel approach of computer-aided detection of focal ground-glass opacity in 2D lung CT images | |
| CN113255794A (zh) | 一种基于GoogLeNet网络的医学图像分类方法 | |
| CN111144488B (zh) | 一种基于邻近共同预测的病理切片视野分类提升方法 | |
| CN114170224A (zh) | 应用生成式染色归一化的细胞病理分类的系统及方法 | |
| CN113222989A (zh) | 一种图像分级方法、装置、存储介质及电子设备 |
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 |