CN111563903B - 一种基于深度学习的mri全脑组织分割方法及系统 - Google Patents
一种基于深度学习的mri全脑组织分割方法及系统 Download PDFInfo
- Publication number
- CN111563903B CN111563903B CN202010337402.6A CN202010337402A CN111563903B CN 111563903 B CN111563903 B CN 111563903B CN 202010337402 A CN202010337402 A CN 202010337402A CN 111563903 B CN111563903 B CN 111563903B
- Authority
- CN
- China
- Prior art keywords
- image
- brain
- prior
- network model
- training
- 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
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
- 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
- G06T2207/30016—Brain
Abstract
本发明公开一种基于深度学习的MRI全脑组织分割系统,包括:图像数据预处理模块,用于对MR脑图像进行预处理;图像分块模块,用于将经过预处理后的图像分块;多先验特征网络模型构建模块,用于基于对称先验、边缘先验和邻域先验特征信息构建多先验特征网络模型;训练模块,用于利用训练集对多先验特征网络模型进行训练;标签融合模块,用于确定MR脑图像中每个像素的最终分割结果;逆仿射变换模块,用于在确定MR脑图像中每个像素的最终分割结果之后,完成MR脑图像从MNI空间到原始图像空间的变换操作。本发明通过引入多种先验特征,使得分割结果更加精准、脑组织间边缘更加清晰以及细节更加丰富。
Description
技术领域
本发明属于医学图像分割领域,特别涉及一种基于深度学习的利用多先验特征的MRI全脑组织分割方法。
背景技术
全脑组织分割被广泛应用于对大脑的病理和功能性研究,如对脑肿瘤的诊断,对神经分裂症和老年痴呆症发病机理的研究,对大脑工作机制的研究等。另外该技术也参与到对脑疾病的治疗过程中,如MRI引导下的神经外科或放射治疗等。
全脑组织分割是一个相当有挑战性的领域,其中主要包括以下几个难点。第一,人类的大脑是整个人体中最复杂的区域,相对于其他器官组织,其内部结构相当复杂,功能区域繁多,需要在一个人脑大小的区域内完成130多类组织的分割;第二,大脑皮层组织更为复杂,其中主要以沟回形状为主,回转曲折,且大小不一;第三,人们依据脑组织以其完成功能的不同来划分其区域,有时在不同功能区之间出现难以划分的问题,其中主要表现在于,大脑的一个脑回结构中通常有很多个功能区,而这些功能区因其共同属于一个脑回结构而在MRI中表现出相似的灰度值,这对于人工处理及数字图像处理技术来说都是一个难点;第四,不同于肝脏,肺等其他有着相似结构的人体器官,不同的大脑往往因人而异,不同个体间的组织结构差异性也在脑组织中得到体现,这对于人们研究一套普适性的全脑组织分割方法也是一大挑战。
全脑组织的分割标注一般由人工完成,而复杂繁多的脑组织结构使得人工操作变得费时费力,而且标注者容易受到环境与主观因素等负面影响。前些年,随着计算机科学的发展,基于多图谱的分割方法逐渐成为全脑组织分割的主流方法,但其主要缺陷在于对配准精度有严格依赖性,图谱相似性要求高,而且分割时间较长。近几年,深度学习技术飞速发展,且广泛应用于医学图像分割领域,一些全脑组织分割的方法逐渐出现,其中主要是基于图像块的单像素分割网络,网络模型也主要以2D为主。然而这些2D网络结构的缺陷在于无法较好地提取图像的空间特征,且基于图像块的单像素分割网络效率较低。因此,3D端到端的高效网络模型是目前全脑组织分割领域的研究热点。
发明内容
为了解决现有基于深度学习的全脑组织方法存在分割效率低、精度不高以及信息利用率低、全脑组织分割的带标签数据集较少、当前计算机 GPU还不支持针对整幅3D MR图像进行高精度分割等问题,本发明提出一种基于深度学习的利用多先验特征的MRI全脑组织分割系统,该系统通过引入多种先验特征,使得分割结果更加精准、脑组织间边缘更加清晰以及细节更加丰富。
本发明提供了一种基于深度学习的MRI全脑组织分割系统,包括:
图像数据预处理模块,用于对MR脑图像进行图像配准、偏移矫正以及窗宽窗位调整预处理;
图像分块模块,用于将经过预处理后的MR脑图像分块;
多先验特征网络模型构建模块,用于基于对称先验、边缘先验和邻域先验三种先验特征信息构建多先验特征网络模型;
训练模块,用于利用训练集对所构建的多先验特征网络模型进行训练,所述训练集包括公开数据集;
标签融合模块,用于确定MR脑图像中每个像素的最终分割结果;
逆仿射变换模块,用于在确定MR脑图像中每个像素的最终分割结果之后,完成MR脑图像从MNI空间到原始图像空间的变换操作。
进一步,基于对称先验、边缘先验和邻域先验三种先验特征信息构建多先验特征网络模型,具体过程如下:
对称先验:对经过预处理后的MR脑图像做一次左右翻转,将一半球的组织当作另一半球的组织处理;
边缘先验:将训练集所有组织的边缘像素提取出来,制作二分类标签,标签1表示目标像素为脑组织的边缘像素,标签0表示目标像素为非脑组织边缘;
邻域先验:将对于边缘像素的二分类分割问题转化为一个对邻域像素的多分类问题。
进一步,所构建的多先验特征网络模型包括主分割网络和边缘分割分支网络,主分割网络用于完成一个分块脑组织的分割;边缘分支网络用于完成该分块脑组织的边缘信息提取,并且用邻域相关性预测的方式输出最终的组织边缘特征,对主分割网络进行边缘约束。
进一步,对MR脑图像进行图像配准、偏移矫正以及窗宽窗位调整预处理,具体过程如下:
首先对MR脑图像进行基于仿射变换的配准,配准的参考图像为 MNI305图谱,使人脑基本位于图像空间的中心位置,且大小与分辨率得到统一;在完成图像配准之后,针对磁场分布不均造成的MR脑图像组织内部强度不均匀问题,进行偏移场矫正;最后,针对一些人工制品使得MR脑图像在一大段灰度级上没有数据,对图像进行窗宽窗位的调整,提高MR脑图像整体亮度。
进一步,将经过预处理后的MR脑图像分块,具体过程如下:
将经过预处理后的MR脑图像分为n个互有重叠的块,n为12~27,其中一个n/2块覆盖脑左半球的主要区域,另外一个n/2块覆盖脑右半球的主要区域,两者呈总体对称形式。
进一步,利用训练集对所构建的多先验特征网络模型进行训练,具体包括如下过程:
采用链式训练方式对多先验特征网络模型进行训练,其中,采用Xavier 算法对第一个块的网络模型权重进行初始化,进行训练,并且保存在训练周期中效果最佳的网络模型权重;在第二个块的网络模型进行训练之前,加载第一个块的最佳网络模型权重,作为第一个块的网络模型的初始化,然后进行训练,之后每一个块都加载前一个块训练中保存的最佳模型作为权重初始化,进行训练。
进一步,所述标签融合模块采用多数投票标签融合的方法来决定MR脑图像中每个像素的最终分割结果。
本发明的有益效果:
本发明针对数据本身差异性较大的问题,设计了一套科学且完整的数据预处理过程,使得数据得到规范与统一;采用3D端到端全卷积神经网络,大大提高了全脑组织分割效率;采用分块卷积神经网络,解决了GPU内存受限问题;针对MR图像特征,挖掘人脑MR图像先验信息,实现了高效率和高精度的全脑组织分割。
附图说明
图1为本发明的基于深度学习的利用多先验特征的MRI全脑组织分割方法流程图;
图2为本发明的数据预处理流程图;
图3为本发明的分块结构示意图;
图4为本发明的人脑MR图像对称性展示图;
图5为本发明的图像组织边缘信息展示图;
图6为本发明的二维图像邻域先验示意图;
图7为本发明的先验特征网络结构示意图。
具体实施方式
下面结合附图和实施例进一步描述本发明,应该理解,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
如图1所示,本发明实施例的基于深度学习的MRI全脑组织分割方法,包括如下步骤:
第一步:MR脑图像数据预处理
如图2所示,首先针对数据本身差异性较大的问题,实现一套预处理方法,该方法共三个步骤:图像配准、偏移矫正和窗宽窗位调整。具体地,针对人脑在图像中的空间位置与大小的问题,首先例如使用FSL软件对MR脑图像进行基于仿射变换的配准,配准的参考图像为MNI305图谱,使人脑基本位于图像空间的中心位置,且图像的大小与分辨率得到统一。在完成图像配准预处理之后,针对磁场分布不均造成的MR脑图像组织内部强度不均匀问题,对其进行偏移场矫正,使用的工具例如为itk中的N4偏移矫正函数,矫正完成后,人脑同一组织内部的图像强度分布更加均匀。最后,针对一些人工制品使得MR脑图像在一大段灰度级上没有数据,因此对其进行窗宽窗位的调整。从图2可以看出,经过窗宽窗位调整,MR脑图像整体亮度提升。
第二步:由于现有计算机GPU无法直接对整幅3D MR图像进行高精度分割,因此对统一到MNI305空间的图像进行分块。如图3所示,将MR脑图像分为18个互有重叠的块,其中9个块覆盖左半球的主要区域,另外9 个块覆盖右半球的主要区域,两者呈总体对称形式。
第三步:建立多先验特征网络模型并对其进行训练。
本发明提出三种全脑组织分割的先验特征信息。首先是对称先验,图4 示出了为数据集中选取的几组MR脑图像与其人工分割标签。根据人脑左右半球呈基本对称结构,并且绝大部分脑组织成对出现的特点,将全脑组织分割任务简化为“半”脑组织分割,即,从133个全脑组织中筛选出在大脑左右半球成对出现的组织,只对其中一个半球(例如,左半球)的组织进行分割,对MR脑图像做一次左右翻转,将另外一个半球的组织当作这一半球的处理。有利地,本发明(1)无需训练全部分块,只需训练对应一个半球的分块,从而减少了训练时间;(2)需要分类的组织减少近一半,减轻了网络模型的任务负担,并且便于网络模型寻求最优化解;(3)MR脑图像的左右翻转,将两个半球的组织一起训练,使得训练数据量翻倍,有助于网络模型的收敛。
其次是边缘先验,若网络模型能将组织的边缘区分清楚,那么分割的精度必然会提高。因此,本发明将训练集所有组织的边缘像素提取出来,制作一套新的标签。如图5所示,该标签为一个二分类标签,标签1表示目标像素为脑组织的边缘像素,标签0表示目标像素为非脑组织边缘(脑组织内部或者非脑组织)。有利地,在网络模型的训练中,加入边缘信息的约束,可以提升网络模型的分割精度。
最后是邻域先验,考虑到边缘像素一般不会像组织内部像素一样,邻域所有像素点都是标签1。在边缘先验的基础上,本发明将对于边缘像素的二分类分割问题转化为一个对邻域像素的多分类问题。如图6所示,以二维图像为例,图像的一个像素可扩展为八邻域通道,其中0表示该通道对应的邻域像素不是组织边缘,1表示该通道的邻域像素是组织边缘,以此对边缘进行编码。经过网络模型的预测之后,输出八邻域通道的预测图,再通过邻域像素互相匹配的方式进行解码,得到最终对组织边缘像素的预测结果。
针对以上三种先验信息,本发明设计了如图7所示的网络结构。网络结构的上面框线内部分为主分割网络,用于完成一个分块脑组织的分割;下面框线内部分为边缘分支网络,用于完成边缘信息提取,并且用邻域相关性预测的方式输出最终的边缘特征,对主分割网络进行边缘约束。
对构建的网络模型的构建进行训练。本实施例只采用了2012MICCAI 挑战赛公开数据集对网络模型进行训练。该数据集共有35幅人脑MR T1图像,包括每幅图像人工标注的标签。本发明随机选取了数据集中30组图像进行训练,剩下的5组图像用于模型的测试。为了节省训练时间,本发明充分考虑到了人脑组织的结构相似特征,采用链式训练方式对9个模型进行训练,其中对于第一个块,采用Xavier算法对网络权重进行初始化,训练周期为100个,并且保存在训练周期中效果最佳的网络模型权重。在第二个块的网络模型进行训练之前,加载第一个块的最佳网络模型权重,作为第一块的网络模型的初始化,并训练30个周期,之后每一个块都加载前一个块的最佳模型作为权重初始化。
第四步:标签融合及逆仿射变换
对于上述9个块的输出结果,其中若为原图像则不作翻转,若为翻转后的图像,则进行左右翻转使其回到原始位置。换言之,实际得到的块为18个,其中9个代表左半球,另外9个代表右半球。对于MR图像中的任意一个像素,它可能因为空间位置的不同有着不同个数的分割结果。针对不同分块得到的分割结果,本发明采用多数投票标签融合的方法来决定MR图像中每个像素的最终分割结果。
多数投票标签融合方法可以表示为:
其中,SMNI(i)表示MR脑图像在MNI空间中第ith个像素的分割结果; {1,2,...,L-1}表示L个分类的标签编号;本实施例中的分块数目k=9,第ith个像素对应的第lth个分类概率p(l|Sm,i)可表示为:
在处理完MR脑图像在MNI空间中每一个像素的分割之后,应用其在数据预处理图像配准过程中仿射变换矩阵的逆,来完成MR图像从MNI空间到原始图像空间的变换操作。
综上所述,本发明通过引入多种先验特征,使得分割结果更加精准、脑组织间边缘更加清晰以及细节更加丰富,从而解决了现有基于深度学习的全脑组织方法存在分割效率低、精度不高以及信息利用率低、全脑组织分割的带标签数据集较少、当前计算机GPU还不支持针对整幅3D MR图像进行高精度分割等问题。
对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以对本发明的实施例做出若干变型和改进,这些都属于本发明的保护范围。
Claims (5)
1.一种基于深度学习的MRI全脑组织分割系统,其特征在于,包括:
图像数据预处理模块,用于对MR脑图像进行图像配准、偏移矫正以及窗宽窗位调整预处理;
图像分块模块,用于将经过预处理后的MR脑图像分块;
多先验特征网络模型构建模块,用于基于对称先验、边缘先验和邻域先验三种先验特征信息构建多先验特征网络模型,其中:
对称先验:从全脑组织中筛选出在大脑左右半球成对出现的组织,只对其中一个半球的组织进行分割,对经过预处理后的MR脑图像做一次左右翻转,将另外一个半球的组织当作所述一个半球的组织处理;
边缘先验:将训练集所有组织的边缘像素提取出来,制作二分类标签,标签1表示目标像素为脑组织的边缘像素,标签0表示目标像素为非脑组织边缘;
邻域先验:将对于边缘像素的二分类分割问题转化为一个对邻域像素的多分类问题;具体过程为:将图像的一个像素扩展为多邻域通道,0表示领域通道对应的邻域像素不是组织边缘,1表示领域通道的邻域像素是组织边缘,经过多先验特征网络模型的预测之后,输出所述多邻域通道的预测图,通过邻域像素互相匹配的方式进行解码预测,得到组织边缘像素的预测结果;
基于三种先验特征信息构建所述多先验特征网络模型,所构建的多先验特征网络模型包括主分割网络和边缘分割分支网络,主分割网络用于完成一个分块脑组织的分割;边缘分支网络用于完成该分块脑组织的边缘信息提取,并且用邻域相关性预测的方式输出最终的组织边缘特征,对主分割网络进行边缘约束;
训练模块,用于利用训练集对所构建的多先验特征网络模型进行训练,所述训练集包括先经过图像数据预处理模块处理,之后经过图像分块模块分块处理的公开数据集;
标签融合模块,用于确定MR脑图像中每个像素的最终分割结果;
逆仿射变换模块,用于在确定MR脑图像中每个像素的最终分割结果之后,完成MR脑图像从MNI空间到原始图像空间的变换操作。
2.根据权利要求1所述的系统,其特征在于,对MR脑图像进行图像配准、偏移矫正以及窗宽窗位调整预处理,具体过程如下:
首先对MR脑图像进行基于仿射变换的配准,配准的参考图像为MNI305图谱,使人脑基本位于图像空间的中心位置,且大小与分辨率得到统一;在完成图像配准之后,针对磁场分布不均造成的MR脑图像组织内部强度不均匀问题,进行偏移场矫正;最后,针对一些人工制品使得MR脑图像在一大段灰度级上没有数据,对图像进行窗宽窗位的调整,提高MR脑图像整体亮度。
3.根据权利要求1或2所述的系统,其特征在于,将经过预处理后的MR脑图像分块,具体过程如下:
将经过预处理后的MR脑图像分为n个互有重叠的块,n为12~27,其中一个n/2块覆盖脑左半球的主要区域,另外一个n/2块覆盖脑右半球的主要区域,两者呈总体对称形式。
4.根据权利要求1或2所述的系统,其特征在于,利用训练集对所构建的多先验特征网络模型进行训练,具体包括如下过程:
采用链式训练方式对多先验特征网络模型进行训练,其中,采用Xavier算法对第一个分块的多先验特征网络模型权重进行初始化,进行训练,并且保存在训练周期中效果最佳的多先验特征网络模型权重;在第二个分块的多先验特征网络模型进行训练之前,加载保存的第一个分块的最佳多先验特征网络模型权重,作为第一个分块的多先验特征网络模型的初始化,然后进行训练,之后每一个分块都加载前一个分块训练中保存的最佳多先验特征网络模型作为权重初始化,进行训练。
5.根据权利要求1或2所述的系统,其特征在于,所述标签融合模块采用多数投票标签融合的方法来决定MR脑图像中每个像素的最终分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010337402.6A CN111563903B (zh) | 2020-04-26 | 2020-04-26 | 一种基于深度学习的mri全脑组织分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010337402.6A CN111563903B (zh) | 2020-04-26 | 2020-04-26 | 一种基于深度学习的mri全脑组织分割方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111563903A CN111563903A (zh) | 2020-08-21 |
CN111563903B true CN111563903B (zh) | 2021-05-28 |
Family
ID=72073247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010337402.6A Active CN111563903B (zh) | 2020-04-26 | 2020-04-26 | 一种基于深度学习的mri全脑组织分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563903B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112785603B (zh) * | 2021-01-15 | 2023-11-24 | 沈阳建筑大学 | 一种基于Unet和超像素的脑组织分割方法 |
CN112446881A (zh) * | 2021-02-01 | 2021-03-05 | 北京小白世纪网络科技有限公司 | 一种病理图像分割的系统及方法 |
CN113192014B (zh) * | 2021-04-16 | 2024-01-30 | 深圳市第二人民医院(深圳市转化医学研究院) | 改进脑室分割模型的训练方法、装置、电子设备和介质 |
CN113298813B (zh) * | 2021-05-07 | 2022-11-25 | 中山大学 | 一种基于t1加权磁共振图像的脑结构分割系统 |
CN113269816A (zh) * | 2021-05-18 | 2021-08-17 | 临沂大学 | 一种分区域递进式脑图像弹性配准方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242860A (zh) * | 2018-08-21 | 2019-01-18 | 电子科技大学 | 基于深度学习及权重空间集成的脑肿瘤图像分割方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10303986B2 (en) * | 2009-04-07 | 2019-05-28 | Kayvan Najarian | Automated measurement of brain injury indices using brain CT images, injury data, and machine learning |
CN103489198A (zh) * | 2013-10-21 | 2014-01-01 | 钟映春 | 从序列mr图像中自动分割脑干区域的方法 |
CN106408569B (zh) * | 2016-08-29 | 2018-12-04 | 北京航空航天大学 | 基于改进模糊c均值聚类算法的脑部mri图像分割方法 |
CN109983474A (zh) * | 2016-11-22 | 2019-07-05 | 海珀菲纳研究股份有限公司 | 用于磁共振图像中的自动检测的系统和方法 |
CN107680113A (zh) * | 2017-10-27 | 2018-02-09 | 武汉大学 | 基于贝叶斯框架边缘先验的多层分割网络的图像分割方法 |
CN110298831A (zh) * | 2019-06-25 | 2019-10-01 | 暨南大学 | 一种基于分块深度学习的医学图像处理系统及其方法 |
-
2020
- 2020-04-26 CN CN202010337402.6A patent/CN111563903B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242860A (zh) * | 2018-08-21 | 2019-01-18 | 电子科技大学 | 基于深度学习及权重空间集成的脑肿瘤图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111563903A (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563903B (zh) | 一种基于深度学习的mri全脑组织分割方法及系统 | |
CN110930416B (zh) | 一种基于u型网络的mri图像前列腺分割方法 | |
CN111091527B (zh) | 一种病理组织切片图像中病变区域自动检测方法及系统 | |
CN110889853A (zh) | 基于残差-注意力深度神经网络的肿瘤分割方法 | |
CN111798462A (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
CN110310287A (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 | |
CN110853009B (zh) | 基于机器学习的视网膜病理图像分析系统 | |
CN110120051A (zh) | 一种基于深度学习的右心室自动分割方法 | |
CN111488914A (zh) | 一种基于多任务学习的阿尔茨海默症分类及预测系统 | |
CN109242860A (zh) | 基于深度学习及权重空间集成的脑肿瘤图像分割方法 | |
CN110570432A (zh) | 一种基于深度学习的ct图像肝脏肿瘤分割方法 | |
CN112767417B (zh) | 一种基于级联U-Net网络的多模态图像分割方法 | |
CN106600621A (zh) | 基于婴幼儿脑瘤多模态mri图的时空协同分割方法 | |
CN110428426A (zh) | 一种基于改进随机森林算法的mri图像自动分割方法 | |
CN110211671A (zh) | 一种基于权值分布的阈值化方法 | |
CN113706486A (zh) | 基于密集连接网络迁移学习的胰腺肿瘤图像分割方法 | |
Li et al. | Automatic brain tumor segmentation from MR images via a multimodal sparse coding based probabilistic model | |
CN109919216B (zh) | 一种用于计算机辅助诊断前列腺癌的对抗学习方法 | |
CN111127487A (zh) | 一种实时多组织医学图像的分割方法 | |
Al-Hadidi et al. | Glioblastomas brain tumour segmentation based on convolutional neural networks. | |
CN112750131B (zh) | 基于尺度和序列关系的骨盆核磁共振图像肌肉骨骼分割方法 | |
CN110458842A (zh) | 基于双通道三维密集连接网络的脑肿瘤分割方法 | |
CN116612174A (zh) | 软组织的三维重建方法、系统及计算机存储介质 | |
CN115937083A (zh) | 一种融合先验信息的前列腺磁共振图像区域分割方法 | |
CN115496732A (zh) | 一种半监督心脏语义分割算法 |
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 |