CN111563906A - 一种基于深度卷积神经网络的膝关节磁共振图像自动分割方法 - Google Patents

一种基于深度卷积神经网络的膝关节磁共振图像自动分割方法 Download PDF

Info

Publication number
CN111563906A
CN111563906A CN202010379183.8A CN202010379183A CN111563906A CN 111563906 A CN111563906 A CN 111563906A CN 202010379183 A CN202010379183 A CN 202010379183A CN 111563906 A CN111563906 A CN 111563906A
Authority
CN
China
Prior art keywords
model
image
knee joint
magnetic resonance
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.)
Pending
Application number
CN202010379183.8A
Other languages
English (en)
Inventor
韩建达
于宁波
刘嘉男
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nankai University
Original Assignee
Nankai University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nankai University filed Critical Nankai University
Priority to CN202010379183.8A priority Critical patent/CN111563906A/zh
Publication of CN111563906A publication Critical patent/CN111563906A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06T2207/30008—Bone

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 Analysis (AREA)
  • Image Processing (AREA)

Abstract

一种基于深度卷积神经网络的膝关节磁共振图像自动分割方法，它包括：步骤一、膝关节磁共振图像预处理，将医学磁共振图像dicom数据转化为mhd数据，统一分辨率，偏差场校正，校正后调整图像灰度值并进行滤波处理；步骤二、判断是否训练；步骤三、模型搭建，搭建基于编解码模型的膝关节图像分割网络，该模型以残差模块作为基本模块，同时采用并行的扩张卷积模块连接编码阶段和解码阶段，提取不同尺度的特征，然后进行特征拼接，解码后的不同特征再输入多输出融合模块内，经多输出融合模块计算输出，并保存模型；步骤四、模型训练；步骤五、预测输出。本发明能较很好地分割膝关节磁共振图像，分割效果好，提高了分割的准确度。

Description

一种基于深度卷积神经网络的膝关节磁共振图像自动分割 方法
技术领域
本发明涉及膝关节图像自动分割方法，属于医学图像处理领域，特别涉及基于深度卷积神经网络的膝关节磁共振图像自动分割方法。
背景技术
骨关节炎是一种慢性退行性关节疾病，将会导致患者的膝关节疼痛和运动障碍，据统计，我国40岁以上中老年人双膝骨关节炎患病率达15.6％。一方面，有证据表明膝关节软骨的体积和厚度是早期膝关节炎检测的关键指标之一，同时也是膝关节炎分级的重要参考。另一方面，对于晚期膝关节炎患者，疼痛逐渐加重，甚至生活无法自理，需要进行人工膝关节置换术，在机器人辅助人工膝关节置换术中，利用已经分割的患者术前膝关节CT和MR图像，可以进行个性化的假体设计和术前规划，以提高手术的成功率。依照膝关节手术术前规划和个性化假体设计的要求，膝关节磁共振(MR)图像中待分割部分包括股骨、股骨软骨、胫骨和胫骨软骨，共四类。临床上，通常是由经验丰富的医生逐层进行分割，这可能需要几个小时，而且由于人为误差和主观因素，观察者间和观察者内的可变性相当高，临床上迫切需要计算机辅助分割的方法。
在医生的干预下，通过人机交互可以使用多种算法实现MR图像的半自动分割，半自动方法旨在减少分割过程中用户的交互量，同时允许用户提供一定程度的监督，以调整算法的收敛方向。常见的半自动方法有活动轮廓模型、区域增长以及分水岭算法等。但是由于MR图像中软骨与周围组织的对比度低，而且对于严重膝关节炎患者来说，软骨不仅薄且不连续，使用半自动方法时需要更多的交互才能完成膝关节图像的分割。公开号CN103440665A公开一种膝关节软骨图像自动分割方法，该方法采取仍然是区域增长法，分割中每个样例都需要调参，分割精度较差。
典型的全自动分割方法分别是基于图谱、基于模型和基于像素分类的方法。基于图谱和模型的方法都依赖于膝关节形状的先验知识，当患者个体差异较大时，这两种算法均不能得到满意的结果，并且计算量大，分割时间长。深度学习属于像素分类的一种，Ronneberger等人提出了U-Net，该网络主要用来进行生物医学图像的分割。但是，由于膝关节MR图像中有着不同大小的分割目标，传统的U-Net并不能很好的完成分割任务，分割结果会出现明显误差。
发明内容
本发明为克服现有技术不足，提供一种基于深度卷积神经网络的膝关节磁共振图像自动分割方法。该方法能较很好地分割膝关节MR图像，分割效果好，提高了分割的准确度和效率。
本发明的技术方案为：一种基于深度卷积神经网络的膝关节磁共振图像自动分割方法，它包括：
步骤一、膝关节磁共振图像预处理
将医学磁共振图像dicom数据转化为mhd数据，对体素大小进行规定化，统一分辨率，对规定化后的图像进行偏差场校正，校正后调整图像灰度值为[0-255]，并对图像进行滤波处理；
步骤二、判断是否训练
如是已有训练的模型，直接将预处理过的图像输入该已有训练的模型，得到预测的分割图；如果是重新训练的模型，将上述的预处理后的图像数据划分为训练集和测试集，同时建好数据所对应的标签图像，执行如下步骤三至步骤五；
步骤三、模型搭建
搭建基于编解码模型的膝关节图像分割网络，该模型以残差模块作为基本模块，同时采用并行的扩张卷积模块连接编码阶段和解码阶段，提取不同尺度的特征，然后进行特征拼接，解码后的不同特征再输入多输出融合模块内，经多输出融合模块计算输出，并保存模型；
步骤四、模型训练
加载并打乱训练集数据送入步骤三的模型中进行训练，若达到预测的训练终止条件，停止训练，得到最终的模型，然后执行步骤五；
若没有达到终止条件，将模型最终的输出和步骤二对应的标签图像送入损失函数中，利用优化算法继续优化模型，直至达到终止条件，停止训练，得到最终的模型，然后再执行步骤五；
步骤五、测试集预测分割
将测试集数据送至最优的模型进行预测，预测完成后将预测分割结果还原至原本的序列顺序，得到每一个个体的预测分割图。
本发明相比现有技术的有益效果是：
本发明基于卷积神经网络，对于核磁共振膝关节医学图像的分割，搭建并训练模型，训练完成后，使用模型预测分割速度快，单个个体分割时间约为30s，分割效率大大提高，分割误差小，平均戴斯相似系数达93％。而现有技术的区域增长法的每个样例需要调参，工作效率较低。利用本发明的分割方法，能实现膝关节4个部位的自动分割如股骨、股骨软骨、胫骨和胫骨软骨，分割效果明显。
在医学图像分割中，由于要分割的部位仅为图像的局部区域，而且医学图像本身也是三维体数据，因此本发明采用基于区域和基于表面距离的评价指标。对于二维切片数据，基于区域的指标包含有戴斯相似性系数DSC、体素重叠误差VOE(volume overlaperror)和体素相对误差RVD(relative volume difference)。对于三维体数据，采用表面距离作为指标，包括对称位置的平均表面距离ASD(average surface distance)、对称位置的均方根距离RMSD(root mean square surface distance)和最大表面距离HD对称位置(hausdorff distance)。经试验测试表明，本发明模型得到的戴斯相似性系数DSC高于传统的U-Net，其余指标VOE、RVD、ASD、RMSD和HD均比传统的U-Net要低。通过本发明模型预测结果分别与手工分割和U-Net分割比对，证明了采用本发明方法能够有效减少假阳性区域和提高分割的连贯性。
下面结合附图和实施例对本发明的技术方案作进一步地说明：
附图说明
图1为本发明基于深度卷积神经网络的膝关节磁共振图像自动分割过程图；
图2为实施例中原始图像和预处理后图像的比对图；
图3为实施例中搭建的编解码模型的架构图；
图4为实施例中残差模块的架构图；
图5为实施例中并行的扩张卷积模块的架构图；
图6为实施例中多输出融合模块的架构图；
图7为实施例中手工分割、U-Net分割和神经网络模型预测分割的股骨比对效果图；
图8为实施例中手工分割、U-Net分割和神经网络模型预测分割的股骨软骨比对效果图；
图9为实施例中手工分割、U-Net分割和神经网络模型预测分割的胫骨比对效果图；
图10为实施例中手工分割、U-Net分割和神经网络模型预测分割的股骨软骨比对效果图。
具体实施方式
结合图1说明，本实施方式的一种基于深度卷积神经网络的膝关节磁共振图像自动分割方法，它包括：
步骤一、膝关节磁共振图像预处理
将医学磁共振图像dicom数据转化为mhd数据，对体素大小进行规定化，统一分辨率，对规定化后的图像进行偏差场校正，校正后调整图像灰度值为[0-255]，并对图像进行滤波处理；
步骤二、判断是否训练
如是已有训练的模型，直接将预处理过的图像输入该已有训练的模型，得到预测的分割图；如果是重新训练的模型，将上述的预处理后的图像数据划分为训练集和测试集，在训练集上训练模型，在测试集上评估模型效果，同时建好数据所对应的标签图像，执行如下步骤三至步骤五；
步骤三、模型搭建
搭建基于编解码模型的膝关节图像分割网络，该模型以残差模块作为基本模块，同时采用并行的扩张卷积模块连接编码阶段和解码阶段，提取不同尺度的特征，然后进行特征拼接，解码后的不同特征再输入多输出融合模块内，经多输出融合模块计算输出，并保存模型；
步骤四、模型训练
加载并打乱训练集数据送入步骤三的模型中进行训练，可预先设置最大训练次数作为预测的训练终止条件，若达到该终止条件，停止训练，得到最终的模型，然后执行步骤五；
若没有达到终止条件，将模型最终的输出和步骤二对应的标签图像送入损失函数中，利用优化算法继续优化模型，直至达到终止条件，停止训练，得到最终的模型，然后再执行步骤五；
步骤五、测试集预测分割
将测试集数据送至最优的模型进行预测，预测完成后将预测分割结果还原至原本的序列顺序，得到每一个个体的预测分割图。
上述实施方案中，对体素大小进行规定化，重新采样至相同的分辨率后，通常，对于医学图像而言，其场景基本固定，因此统一将膝关节置于图像左侧，此外，由于MR图像扫描过程中的不均匀的静态磁场等原因，得到的图像在同一组织的不同子区域经常有着不同的灰度值，进而对图像要进行磁场偏差场校正，校正后调整图像灰度值为[0-255]，然后对图像进行滤波处理。
上述实施方案中，步骤一采用保边平滑算法进行滤波操作。步骤三中利用PyTorch搭建编解码模型，编码阶段的下采样采用最大池化操作，解码阶段的上采样采用双线性插值操作。采用残差模块增强特征的复用以及降低模型的优化难度，同时使用并行的扩张卷积，步骤三中所述并行的扩张卷积模块为并联不同扩张率的扩张卷积模块。选择合适的扩张率以增强卷积操作的感受野，能够有效提高对不同大小目标的分割能力。设计的多输出融合模块，能够直接利用不同层次的特征以实现信息互补，提高分割区域的连贯性和准确性。
步骤三中所述多输出融合模块为包含残差模块和多卷积层的多输出融合模块。步骤四中利用SGD进行优化，所述损失函数采用交叉熵损失函数和dice损失。用于衡量分割的指标，通常，损失函数值越小代表分割得越好。
基于上述方案下面以一实施例来进一步阐释：
1、实验数据来自OAI-ZIB数据库，包含有507套已经标注的膝关节MR图像和标注后的标签图像，每套图像为一个体，包含130张图像。将常用的数据库中的dicom数据转化为便于传输和保存的mhd数据，本模型训练时采用的体素大小在x，y，z轴方向分别为0.3646×0.3646×0.7mm，分辨率为384×384，对膝关节图像采样采用双线性插值，对标签图采样采用最邻近插值；
2、将膝关节置于图像左侧，并进行静态磁场校正，校正后将灰度值设置在[0-255]便于显示，然后采用保边平滑算法进行滤波操作。原始图像和预处理后图像如图2所示，可见经过预处理的图像边缘更加清晰，对比度明显提高；
3、如果已经有训练好的模型，则直接将预处理后的送入模型，得到预测的分割图。否则执行步骤4及以后的；
4、若没有训练好的模型，则划分数据集，将507套数据中300套用作训练，107套用于测试；
5、实验中使用的是一台CPU为E5-2678 v3、内存为128GB和显卡为4路2080Ti的计算机，所有的算法均是在PyTorch框架下实现的，学习率为0.01，学习率衰减系数为0.5，优化器采用权重衰减为0.0001、动量系数为0.9的随机梯度下降(SGD)的优化算法，同时使用跨GPU的同步BN操作，批处理大小为20，预设的训练轮数为50；
6、利用PyTorch搭建编解码模型，如图3所示，预设的滤波器个数为32。其中编码阶段的下采样采用最大池化操作，解码阶段的上采样采用的是双线性插值操作；
具体的，残差模块由两个并联的卷积组成，残差模块降低了神经网络的优化难度，使网络易于训练，而且残差模块有助于特征的复用，使深度网络在不退化的同时也提高了性能。图4为结合了BN(Batch Normalization)操作的残差模块，所使用的激活函数为ReLu。由于在残差模块中发生了维度的变化，即输入的通道数和输出的通道数不匹配，无法直接相加，因此，使用1×1卷积完成通道数的变换，1×1的卷积不引入过多的参数。
具体的，如图5所示，扩张卷积(ASPP)中四个扩张卷积的扩张率分别为3、5、7和9，扩张卷积能够在不增加参数的情况下增大感受野。将ASPP作为编码阶段和解码阶段的桥梁模块，并联不同扩张率的扩张卷积以提取更多的上下文特征，然后进行特征拼接，充分利用所提取的多尺度特征。
在原始U-Net网络中为了融合不同阶段的特征，总共使用四次跳跃连接，本实施例如图3所述，将跳跃连接和随后的特征融合阶段称为S，但是在U-Net网络中仅在S4阶段输出最后的预测分割图。S4阶段融合了最底层的特征与经过融合压缩后的高层特征，具有良好的空间位置信息和像素类别信息，但在每个阶段，为了进行跳跃连接和控制模型参数，对高层特征进行了压缩丢失了部分特征信息。
为此，本发明实施例引入了多输出融合的深监督模块以增强网络对不同层次特征的复用能力，设计的多输出融合的深监督模块如图6所示。具体而言，对于S1-S4的输出，使用双线性插值进行上采样，倍数分别为8倍、4倍和2倍，S4则不需要上采样操作。随后，分别进行卷积核大小为3的卷积操作(BN层和ReLu激活层略去未注)，每个卷积的输出均为5通道(四类目标外加背景)。将卷积的结果拼接起来送入残差模块中，最终使用1×1卷积(不含BN层，激活层为softmax)输出预测的分割图。深监督模块最终输出通道数为5的预测分割图。
7、若达到预测的训练终止条件(预先设置最大训练次数)，则停止训练，得到最终的模型。训练完成，保存最优模型。加载测试数据可以进行预测，预测完成后将预测的分割结果重新还原至与MR图像相对应的序列。若没有达到终止条件，则将预测的分割图和对应的标签图像送入损失函数中，利用SGD优化算法继续优化模型，直至达到终止条件。
图像分割中最常见的损失函数是交叉熵CE(cross entropy)。然而，当类别极度不平衡时，使用交叉熵作为损失函数容易忽略小目标。因此，本实施例使用的损失函数L由两部分组成：
所述，损失函数L由两部分组成：L＝lCE+lDice
Figure BDA0002481369560000061
Figure BDA0002481369560000062
lCE代表交叉熵损失，lDice为扩展的多类别Dice损失，N为标签二值图上的像素总个数，yn∈[0,1]代表真值，pn∈{0,1}代表网络输出的预测值，ε为常数(1e-5)，避免分母为0。
8、将预测的分割图结果分别与人工分割和U-Net分割进行对比，详见图7-图10所示，
本发明可实现能实现膝关节4个部位的自动分割如股骨、股骨软骨、胫骨和胫骨软骨，分割效果明显。图7显示是股骨的4张图像，分别是输入图像、手工分割、U-Net分割和本实施例自动分割图的比对，图8显示是如上顺序的股骨软骨比对图，图9显示是如上顺序的胫骨比对图，图10显示是如上顺序的胫骨软骨比对图。由图可见，使用本实施例模型对MR图像分割，能够有效减少假阳性区域和提高分割的连贯性。
本实施例基于区域和基于表面距离的评价指标。对于二维切片数据，基于区域的指标包含有戴斯相似性系数DSC、体素重叠误差VOE(volume overlap error)和体素相对误差RVD(relative volume difference)。对于三维体数据，采用表面距离作为指标，包括对称位置的平均表面距离ASD(average surface distance)、对称位置的均方根距离RMSD(root mean square surface distance)和最大表面距离HD对称位置(hausdorffdistance)。
利用本实施例获得的上述评价指标，与U-Net分割相比，如下表所示：
Figure BDA0002481369560000071
本发明已以较佳实施案例揭示如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可以利用上述揭示的结构及技术内容做出些许的更动或修饰为等同变化的等效实施案例，均仍属本发明技术方案范围。

Claims (7)

1.一种基于深度卷积神经网络的膝关节磁共振图像自动分割方法，其特征在于：它包括：
步骤一、膝关节磁共振图像预处理
将医学磁共振图像dicom数据转化为mhd数据，对体素大小进行规定化，统一分辨率，对规定化后的图像进行偏差场校正，校正后调整图像灰度值为[0-255]，并对图像进行滤波处理；
步骤二、判断是否训练
如是已有训练的模型，直接将预处理过的图像输入该已有训练的模型，得到预测的分割图；如果是重新训练的模型，将上述的预处理后的图像数据划分为训练集和测试集，同时建好数据所对应的标签图像，执行如下步骤三至步骤五；
步骤三、模型搭建
搭建基于编解码模型的膝关节图像分割网络，该模型以残差模块作为基本模块，同时采用并行的扩张卷积模块连接编码阶段和解码阶段，提取不同尺度的特征，然后进行特征拼接，解码后的不同特征再输入多输出融合模块内，经多输出融合模块计算输出，并保存模型；
步骤四、模型训练
加载并打乱训练集数据送入步骤三的模型中进行训练，若达到预测的训练终止条件，停止训练，得到最终的模型，然后执行步骤五；
若没有达到终止条件，将模型最终的输出和步骤二对应的标签图像送入损失函数中，利用优化算法继续优化模型，直至达到终止条件，停止训练，得到最终的模型，然后再执行步骤五；
步骤五、测试集预测分割
将测试集数据送至最优的模型进行预测，预测完成后将预测分割结果还原至原本的序列顺序，得到每一个个体的预测分割图。
2.根据权利要求1所述一种基于深度卷积神经网络的膝关节磁共振图像自动分割方法，其特征在于：步骤一采用保边平滑算法进行滤波操作。
3.根据权利要求2所述一种基于深度卷积神经网络的膝关节磁共振图像自动分割方法，其特征在于：步骤三中利用PyTorch搭建编解码模型，编码阶段的下采样采用最大池化操作，解码阶段的上采样采用双线性插值操作。
4.根据权利要求3所述一种基于深度卷积神经网络的膝关节磁共振图像自动分割方法，其特征在于：步骤三中所述残差模块由两个并联的卷积块组成。
5.根据权利要求4所述一种基于深度卷积神经网络的膝关节磁共振图像自动分割方法，其特征在于：步骤三中所述并行的扩张卷积模块为并联不同扩张率的扩张卷积模块。
6.根据权利要求5所述一种基于深度卷积神经网络的膝关节磁共振图像自动分割方法，其特征在于：步骤三中所述多输出融合模块为包含残差模块和多卷积层的多融合模块。
7.根据权利要求6所述一种基于深度卷积神经网络的膝关节磁共振图像自动分割方法，其特征在于：所述损失函数采用交叉熵损失函数和dice损失，步骤四中利用SGD优化算法进行优化。
CN202010379183.8A 2020-05-07 2020-05-07 一种基于深度卷积神经网络的膝关节磁共振图像自动分割方法 Pending CN111563906A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010379183.8A CN111563906A (zh) 2020-05-07 2020-05-07 一种基于深度卷积神经网络的膝关节磁共振图像自动分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010379183.8A CN111563906A (zh) 2020-05-07 2020-05-07 一种基于深度卷积神经网络的膝关节磁共振图像自动分割方法

Publications (1)

Publication Number Publication Date
CN111563906A true CN111563906A (zh) 2020-08-21

Family

ID=72069069

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010379183.8A Pending CN111563906A (zh) 2020-05-07 2020-05-07 一种基于深度卷积神经网络的膝关节磁共振图像自动分割方法

Country Status (1)

Country Link
CN (1) CN111563906A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113017829A (zh) * 2020-08-22 2021-06-25 张逸凌 一种基于深度学习的全膝关节置换术的术前规划方法、系统、介质和设备
CN113409349A (zh) * 2021-05-27 2021-09-17 拓微摹心数据科技(南京)有限公司 一种基于人工智能的主动脉结构图像自动分割方法
CN113763340A (zh) * 2021-08-25 2021-12-07 中国人民解放军空军军医大学 基于多任务深度学习强直性脊柱炎的自动分级方法
CN114049315A (zh) * 2021-10-29 2022-02-15 北京长木谷医疗科技有限公司 关节识别方法、电子设备、存储介质及计算机程序产品
CN114511581A (zh) * 2022-04-20 2022-05-17 四川大学华西医院 一种多任务多分辨率协作的食管癌病变分割方法及装置
CN114519719A (zh) * 2022-01-07 2022-05-20 宁波大学 一种脑肿瘤mr图像分割方法
WO2022170768A1 (zh) * 2021-02-10 2022-08-18 北京长木谷医疗科技有限公司 单髁关节图像的处理方法、装置、设备和存储介质
CN116071372A (zh) * 2022-12-30 2023-05-05 北京长木谷医疗科技有限公司 膝关节分割方法、装置、电子设备及存储介质
CN116798613A (zh) * 2023-08-23 2023-09-22 山东大学齐鲁医院(青岛) 一种基于关节镜成像的膝骨性关节炎诊断方法
WO2024098379A1 (zh) * 2022-11-11 2024-05-16 深圳先进技术研究院 一种基于扩张残差网络的全自动心脏磁共振成像分割方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109271992A (zh) * 2018-09-26 2019-01-25 上海联影智能医疗科技有限公司 一种医学图像处理方法、系统、装置和计算机可读存储介质
CN110619641A (zh) * 2019-09-02 2019-12-27 南京信息工程大学 一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法
CN110781756A (zh) * 2019-09-29 2020-02-11 北京化工大学 基于遥感图像的城市道路提取方法及装置
CN110930397A (zh) * 2019-12-06 2020-03-27 陕西师范大学 一种磁共振图像分割方法、装置、终端设备及存储介质
CN111047551A (zh) * 2019-11-06 2020-04-21 北京科技大学 一种基于U-net改进算法的遥感影像变化检测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109271992A (zh) * 2018-09-26 2019-01-25 上海联影智能医疗科技有限公司 一种医学图像处理方法、系统、装置和计算机可读存储介质
CN110619641A (zh) * 2019-09-02 2019-12-27 南京信息工程大学 一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法
CN110781756A (zh) * 2019-09-29 2020-02-11 北京化工大学 基于遥感图像的城市道路提取方法及装置
CN111047551A (zh) * 2019-11-06 2020-04-21 北京科技大学 一种基于U-net改进算法的遥感影像变化检测方法及系统
CN110930397A (zh) * 2019-12-06 2020-03-27 陕西师范大学 一种磁共振图像分割方法、装置、终端设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHAOXU GUO ET AL: "AugFPN: Improving Multi-scale Feature Learning for Object Detection", 《ARXIV:1912.05384V1》 *
吉彬等: "改进 U-Net 及其在喉白斑病灶分割中的应用", 《计算机工程》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113017829B (zh) * 2020-08-22 2023-08-29 张逸凌 一种基于深度学习的全膝关节置换术的术前规划方法、系统、介质和设备
CN113017829A (zh) * 2020-08-22 2021-06-25 张逸凌 一种基于深度学习的全膝关节置换术的术前规划方法、系统、介质和设备
WO2022170768A1 (zh) * 2021-02-10 2022-08-18 北京长木谷医疗科技有限公司 单髁关节图像的处理方法、装置、设备和存储介质
CN113409349A (zh) * 2021-05-27 2021-09-17 拓微摹心数据科技(南京)有限公司 一种基于人工智能的主动脉结构图像自动分割方法
CN113409349B (zh) * 2021-05-27 2022-04-19 拓微摹心数据科技(南京)有限公司 一种基于人工智能的主动脉结构图像自动分割方法
CN113763340A (zh) * 2021-08-25 2021-12-07 中国人民解放军空军军医大学 基于多任务深度学习强直性脊柱炎的自动分级方法
CN114049315A (zh) * 2021-10-29 2022-02-15 北京长木谷医疗科技有限公司 关节识别方法、电子设备、存储介质及计算机程序产品
CN114519719A (zh) * 2022-01-07 2022-05-20 宁波大学 一种脑肿瘤mr图像分割方法
CN114511581B (zh) * 2022-04-20 2022-07-08 四川大学华西医院 一种多任务多分辨率协作的食管癌病变分割方法及装置
CN114511581A (zh) * 2022-04-20 2022-05-17 四川大学华西医院 一种多任务多分辨率协作的食管癌病变分割方法及装置
WO2024098379A1 (zh) * 2022-11-11 2024-05-16 深圳先进技术研究院 一种基于扩张残差网络的全自动心脏磁共振成像分割方法
CN116071372A (zh) * 2022-12-30 2023-05-05 北京长木谷医疗科技有限公司 膝关节分割方法、装置、电子设备及存储介质
CN116071372B (zh) * 2022-12-30 2024-03-19 北京长木谷医疗科技股份有限公司 膝关节分割方法、装置、电子设备及存储介质
CN116798613A (zh) * 2023-08-23 2023-09-22 山东大学齐鲁医院(青岛) 一种基于关节镜成像的膝骨性关节炎诊断方法
CN116798613B (zh) * 2023-08-23 2023-11-28 山东大学齐鲁医院(青岛) 一种基于关节镜成像的膝骨性关节炎诊断方法

Similar Documents

Publication Publication Date Title
CN111563906A (zh) 一种基于深度卷积神经网络的膝关节磁共振图像自动分割方法
CN109063710B (zh) 基于多尺度特征金字塔的3d cnn鼻咽癌分割方法
CN111798462B (zh) 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法
CN110930416B (zh) 一种基于u型网络的mri图像前列腺分割方法
Deng et al. Lau-net: Latitude adaptive upscaling network for omnidirectional image super-resolution
CN112862830B (zh) 一种多模态图像分割方法、系统、终端及可读存储介质
CN109389584A (zh) 基于cnn的多尺度鼻咽肿瘤分割方法
CN112991365B (zh) 一种冠状动脉分割方法、系统及存储介质
CN114494296A (zh) 一种基于Unet和Transformer相融合的脑部胶质瘤分割方法与系统
CN110859624A (zh) 一种基于结构磁共振影像的大脑年龄深度学习预测系统
CN110008992B (zh) 一种用于前列腺癌辅助诊断的深度学习方法
CN109903269B (zh) 确定脊柱横断面图像的异常类型的方法及计算设备
CN115375711A (zh) 基于多尺度融合的全局上下文关注网络的图像分割方法
CN115908241A (zh) 一种基于UNet和Transformer相融合的视网膜血管分割方法
CN113256657B (zh) 一种高效医学图像分割方法及系统、终端、介质
CN111918611B (zh) 胸部x线图像的异常显示控制方法、记录介质及装置
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
CN114565601A (zh) 基于DeepLabV3+改进的肝脏CT图像分割算法
CN117710389A (zh) 两阶段全3d动脉瘤分割方法及系统
CN115410032A (zh) 基于自监督学习的octa图像分类结构训练方法
CN114359308A (zh) 一种基于边缘响应与非线性损失的主动脉夹层分割方法
CN114532981A (zh) 一种基于深度学习的颈椎弯曲定量化评估系统
CN114663421A (zh) 基于信息迁移和有序分类的视网膜图像智能分析系统及方法
CN111932486A (zh) 一种基于3d卷积神经网络的脑胶质瘤分割方法
CN118297970B (zh) 一种胸腰椎x射线片分割方法及装置

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200821