CN111584066A - 基于卷积神经网络与对称信息的脑部医学影像诊断方法 - Google Patents
基于卷积神经网络与对称信息的脑部医学影像诊断方法 Download PDFInfo
- Publication number
- CN111584066A CN111584066A CN202010283471.3A CN202010283471A CN111584066A CN 111584066 A CN111584066 A CN 111584066A CN 202010283471 A CN202010283471 A CN 202010283471A CN 111584066 A CN111584066 A CN 111584066A
- Authority
- CN
- China
- Prior art keywords
- brain
- image
- dimensional
- patient
- neural network
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Radiology & Medical Imaging (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于卷积神经网络与对称信息的脑部医学影像诊断方法,该方法包括:获取指定模态的病人脑部三维影像,并对病人脑部三维影像进行人工病灶标注;通过模拟退火的三维空间变换方法,将病人脑部三维影像中的脑部以及对应标注变换至三维影像的中心位置,并使脑部中轴面与左右水平轴的中垂面重合,进行对称性矫正;利用对称连接块搭建的深度卷积神经网络,利用对称性矫正后的病人脑部三维影像进行训练,优化深度卷积神经网络参数;将待诊断的脑部三维影像输入优化后的深度卷积神经网络,输出诊断结果。该方法可以实现对脑部医学影像的自动诊断。
Description
技术领域
本发明涉及医学影像处理技术领域,特别涉及一种基于卷积神经网络与对称信息的脑部医学影像诊断方法。
背景技术
在医学影像处理中,人类的心脏、腹部器官等部位,虽具有较强的结构特性,但并不具有明显对称性,而脑部则具有明显的左右对称性。医生在对脑部医学影像(如CT、核磁共振等)进行诊断时,往往需要对左右两侧的对称位置进行对比以辅助诊断,脑部的不对称及对应位置的特征差异往往与异常病变有密切关系。例如,在进行致密动脉征(CT中缺血性脑梗死的典型征象)的判断时,需要对比两侧动脉密度差异;而脑室不对称则可能意味着脑组织肿胀。
卷积神经网络(Convolutional Neural Networks,CNN)作为优秀的图像处理方法,在医学影像处理领域也有广泛的应用。传统的卷积神经网络虽然在网络高层特征上具有一定的感受野,能够在一定程度上处理对称信息,但随着图片中对称部分在距离和规模上的扩大,对称信息渐渐淡出感受野,其处理对称信息的能力也逐渐变弱。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种基于卷积神经网络与对称信息的脑部医学影像诊断方法,该方法可以自动进行疾病诊断,诊断速度快,准确率高。
为达到上述目的,本发明一方面实施例提出了一种基于卷积神经网络与对称信息的脑部医学影像诊断方法,包括:
获取指定模态的病人脑部三维影像,并对所述病人脑部三维影像进行人工病灶标注;
通过模拟退火的三维空间变换方法,将所述病人脑部三维影像中的脑部以及对应标注变换至三维影像的中心位置,并使脑部中轴面与左右水平轴的中垂面重合,进行对称性矫正;
利用对称连接块搭建的深度卷积神经网络,利用对称性矫正后的病人脑部三维影像进行训练,优化深度卷积神经网络参数;
将待诊断的脑部三维影像输入优化后的深度卷积神经网络,输出诊断结果。
本发明实施例的基于卷积神经网络与对称信息的脑部医学影像诊断方法,对采集到的医学影像数据进行标注,通过三维空间变换进行对称性矫正,在深度卷积神经网络中加入对称连接,使得网络具有较强的对称信息分析能力,通过对深度卷积神经网络进行训练,可以完成多种脑部疾病的诊断任务并具有更好的表现,诊断速度快,准确率高,辅助医生进行疾病诊断。
另外,根据本发明上述实施例的基于卷积神经网络与对称信息的脑部医学影像诊断方法还可以具有以下附加的技术特征:
在本发明的一个实施例中,所述指定模态的病人脑部三维影像包括病人的计算机断层扫描CT图像和核磁共振成像图像。
在本发明的一个实施例中,对所述病人脑部三维影像进行人工病灶标注,包括:
对所述病人脑部三维影像进行疾病诊断,在所述病人脑部三维影像中标注0或1表示是否生病;
对所述病人脑部三维影像进行疾病检测,在所述病人脑部三维影像中标记病灶的边界框;
对所述病人脑部三维影像进行分割,标注像素级别的mask图。
在本发明的一个实施例中,对所述病人脑部三维影像中的脑部以及对应标注进行对称性矫正包括:
计算脑部像素的重心w,将脑部平移,使重心w与三维空间中心o重合;
使用模拟退火方法求解旋转;具体为:以x,y,z轴分别代表字前后、左右、上下,垂直于此三轴的切面分别对应三维影像的冠状位、矢状位及横轴位,求解脑部以三维空间中心绕x,z轴旋转的角度roll和yaw,若三维影像表示为Ii,j,k,其中i,j,k分别对应x,y,z轴下标,则损失函数为:
其中,n表示I在y轴方向的下标数;
在本发明的一个实施例中,所述利用对称连接块搭建的深度卷积神经网络,包括:
所述深度卷积神经网络为二维,输一个对称连接块接收形状为(n,h,w,c)的输入input,将其在w维度翻转,并在c维度上与input进行连接操作得到(n,h,w,2c)的中间结果m,再由m经过1*1卷积操作得到(n,h,w,c)形状的输出output。
在本发明的一个实施例中,在将所述待诊断的脑部三维影像输入优化后的深度卷积神经网络之前包括:对所述待诊断的脑部三维影像进行对称性矫正。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的基于卷积神经网络与对称信息的脑部医学影像诊断方法流程图;
图2为根据本发明一个实施例的对称性矫正部分的空间示意图;
图3为根据本发明一个实施例的构造卷积神经网络需要用到的对称连接块示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于卷积神经网络与对称信息的脑部医学影像诊断方法。
图1为根据本发明一个实施例的基于卷积神经网络与对称信息的脑部医学影像诊断方法流程图。
如图1所示,该基于卷积神经网络与对称信息的脑部医学影像诊断方法包括以下步骤:
步骤S1,获取指定模态的病人脑部三维影像,并对病人脑部三维影像进行人工病灶标注。
可以理解的是,指定模态的病人脑部三维影像包括计算机断层扫描CT图像和核磁共振成像图像。
采集到指定模态的病人脑部三维影像后,由医学专家对其进行某些疾病(如脑卒中)的病灶标注,标注内容可以视具体任务而定。例如,对疾病的诊断任务,可以标注0或1表示是否生病;对疾病的检测任务,可以标注病灶的边界框;对疾病的分割任务,可以标注像素级别的mask图。
步骤S2,通过模拟退火的三维空间变换方法,将病人脑部三维影像中的脑部以及对应标注变换至三维影像的中心位置,并使脑部中轴面与左右水平轴的中垂面重合,进行对称性矫正。
通常情况下采集所得影像中脑部并不在三维空间的中心位置,并包含小幅度的旋转。通过基于模拟退火的三维空间变换方法,将脑部及对应标注变换至影像中心位置,并使脑部中轴面与左右水平轴的中垂面重合,即对称性矫正。
如图2所示,首先计算脑部像素的重心w,将脑部平移使重心与三维空间中心o重合,然后使用基于模拟退火的方法求解旋转。具体来说,以x,y,z轴分别代表字前后、左右、上下,垂直于此三轴的切面分别对应医学影像的冠状位、矢状位及横轴位。为使脑部相对空间中轴面对称,只需求解脑部以三维空间中心绕x,z轴旋转的角度roll和yaw。若三维影像表示为Ii,j,k,其中i,j,k分别对应x,y,z轴下标,则损失函数:
其中,n表示I在y轴方向的下标数。
步骤S3,利用对称连接块搭建的深度卷积神经网络,利用对称性矫正后的病人脑部三维影像进行训练,优化深度卷积神经网络参数。
具体地,如图3所示,将对称连接块与深度卷积网络连接,以二维卷积网络为例,输一个对称连接块接收形状为(n,h,w,c)的输入input,将其在w维度翻转,并在c维度上与input进行连接操作得到(n,h,w,2c)的中间结果m,再由m经过1*1卷积操作得到(n,h,w,c)形状的输出output。对称连接块可以在一般的卷积神经网络的高层、底层等任何部位进行添加,对原网络的输入输出等基本结构无影响,因此可以广泛应用于分类、检测、分割等各类任务中。
使用经过对称性矫正的数据及标注,对包含对称连接块的深度卷积神经网络进行训练,优化网络参数。由于输入数据进行了对称性矫正,因此网络中特征图经过对称连接块后,其左右对应位置的信息被充分结合分析。训练完成后,该网络便可以对经过对称性矫正的其他输入数据进行诊断。
可以理解的是,在CNN中加入对称连接,网络便可以在特征图的各个位置同时拥有原图像与其对称位置的信息,并通过进一步卷积等操作得到更加准确的结果。
步骤S4,将待诊断的脑部三维影像输入优化后的深度卷积神经网络,输出诊断结果。
将待诊断的脑部三维影像进行对称性矫正,矫正后将其输入优化后的深度卷积神经网络,即可自动输出诊断结果。
根据本发明实施例提出的基于卷积神经网络与对称信息的脑部医学影像诊断方法,获取用于训练的脑部医学影像及其诊断标注后,通过三维空间变换对影像及标注进行对称性矫正以得到正式数据集,利用数据集对深度卷积神经网络进行训练,优化深度卷积神经网络的参数,医学影像输入优化后的卷积神经网络,通过对称连接与卷积等操作,结合对称信息对输入进行处理并输出诊断预测,实现利用计算机对脑部医学影像的自动诊断,诊断速度快,准确率高,辅助医生进行疾病诊断。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种基于卷积神经网络与对称信息的脑部医学影像诊断方法,其特征在于,包括以下步骤:
获取指定模态的病人脑部三维影像,并对所述病人脑部三维影像进行人工病灶标注;
通过模拟退火的三维空间变换方法,将所述病人脑部三维影像中的脑部以及对应标注变换至三维影像的中心位置,并使脑部中轴面与左右水平轴的中垂面重合,进行对称性矫正;
利用对称连接块搭建的深度卷积神经网络,利用对称性矫正后的病人脑部三维影像进行训练,优化深度卷积神经网络参数;
将待诊断的脑部三维影像输入优化后的深度卷积神经网络,输出诊断结果。
2.根据权利要求1所述的基于卷积神经网络与对称信息的脑部医学影像诊断方法,其特征在于,所述指定模态的病人脑部三维影像包括病人的计算机断层扫描CT图像和核磁共振成像图像。
3.根据权利要求1所述的基于卷积神经网络与对称信息的脑部医学影像诊断方法,其特征在于,对所述病人脑部三维影像进行人工病灶标注,包括:
对所述病人脑部三维影像进行疾病诊断,在所述病人脑部三维影像中标注0或1表示是否生病;
对所述病人脑部三维影像进行疾病检测,在所述病人脑部三维影像中标记病灶的边界框;
对所述病人脑部三维影像进行分割,标注像素级别的mask图。
5.根据权利要求1所述的基于卷积神经网络与对称信息的脑部医学影像诊断方法,其特征在于,所述利用对称连接块搭建的深度卷积神经网络,包括:
所述深度卷积神经网络为二维,输一个对称连接块接收形状为(n,h,w,c)的输入input,将其在w维度翻转,并在c维度上与input进行连接操作得到(n,h,w,2c)的中间结果m,再由m经过1*1卷积操作得到(n,h,w,c)形状的输出output。
6.根据权利要求1所述的基于卷积神经网络与对称信息的脑部医学影像诊断方法,其特征在于,在将所述待诊断的脑部三维影像输入优化后的深度卷积神经网络之前包括:对所述待诊断的脑部三维影像进行对称性矫正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010283471.3A CN111584066B (zh) | 2020-04-13 | 2020-04-13 | 基于卷积神经网络与对称信息的脑部医学影像诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010283471.3A CN111584066B (zh) | 2020-04-13 | 2020-04-13 | 基于卷积神经网络与对称信息的脑部医学影像诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111584066A true CN111584066A (zh) | 2020-08-25 |
CN111584066B CN111584066B (zh) | 2022-09-09 |
Family
ID=72111717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010283471.3A Active CN111584066B (zh) | 2020-04-13 | 2020-04-13 | 基于卷积神经网络与对称信息的脑部医学影像诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111584066B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052831A (zh) * | 2021-04-14 | 2021-06-29 | 清华大学 | 脑部医学影像异常检测方法、装置、设备及存储介质 |
CN113077479A (zh) * | 2021-03-25 | 2021-07-06 | 深圳市铱硙医疗科技有限公司 | 急性缺血性脑卒中病灶自动分割方法、系统、终端及介质 |
CN113080852A (zh) * | 2021-03-26 | 2021-07-09 | 南京蔚来思创科技有限公司 | 一种脑生物反馈诊断治疗仪 |
CN116705252A (zh) * | 2023-06-16 | 2023-09-05 | 脉得智能科技(无锡)有限公司 | 前列腺癌诊断模型的构建方法、图像分类方法、设备、介质 |
CN116705252B (zh) * | 2023-06-16 | 2024-05-31 | 脉得智能科技(无锡)有限公司 | 前列腺癌诊断模型的构建方法、图像分类方法、设备、介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242879A (zh) * | 2018-08-16 | 2019-01-18 | 北京航空航天大学青岛研究院 | 基于深度卷积神经网络的脑部胶质瘤核磁图像分割方法 |
CN110390351A (zh) * | 2019-06-24 | 2019-10-29 | 浙江大学 | 一种基于深度学习的致痫灶三维自动定位系统 |
CN110739070A (zh) * | 2019-09-26 | 2020-01-31 | 南京工业大学 | 一种基于3d卷积神经网络的脑疾病诊断方法 |
US20200090328A1 (en) * | 2018-09-14 | 2020-03-19 | Fujifilm Corporation | Medical image processing apparatus, medical image processing method, and medical image processing program |
-
2020
- 2020-04-13 CN CN202010283471.3A patent/CN111584066B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242879A (zh) * | 2018-08-16 | 2019-01-18 | 北京航空航天大学青岛研究院 | 基于深度卷积神经网络的脑部胶质瘤核磁图像分割方法 |
US20200090328A1 (en) * | 2018-09-14 | 2020-03-19 | Fujifilm Corporation | Medical image processing apparatus, medical image processing method, and medical image processing program |
CN110390351A (zh) * | 2019-06-24 | 2019-10-29 | 浙江大学 | 一种基于深度学习的致痫灶三维自动定位系统 |
CN110739070A (zh) * | 2019-09-26 | 2020-01-31 | 南京工业大学 | 一种基于3d卷积神经网络的脑疾病诊断方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077479A (zh) * | 2021-03-25 | 2021-07-06 | 深圳市铱硙医疗科技有限公司 | 急性缺血性脑卒中病灶自动分割方法、系统、终端及介质 |
CN113080852A (zh) * | 2021-03-26 | 2021-07-09 | 南京蔚来思创科技有限公司 | 一种脑生物反馈诊断治疗仪 |
CN113052831A (zh) * | 2021-04-14 | 2021-06-29 | 清华大学 | 脑部医学影像异常检测方法、装置、设备及存储介质 |
CN113052831B (zh) * | 2021-04-14 | 2024-04-23 | 清华大学 | 脑部医学影像异常检测方法、装置、设备及存储介质 |
CN116705252A (zh) * | 2023-06-16 | 2023-09-05 | 脉得智能科技(无锡)有限公司 | 前列腺癌诊断模型的构建方法、图像分类方法、设备、介质 |
CN116705252B (zh) * | 2023-06-16 | 2024-05-31 | 脉得智能科技(无锡)有限公司 | 前列腺癌诊断模型的构建方法、图像分类方法、设备、介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111584066B (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108648172B (zh) | 一种基于3D-Unet的CT图肺结节检测系统 | |
CN111584066B (zh) | 基于卷积神经网络与对称信息的脑部医学影像诊断方法 | |
CN113506334B (zh) | 基于深度学习的多模态医学图像融合方法及系统 | |
CN103202705B (zh) | 医用图像处理装置及医用图像处理方法 | |
US20090180675A1 (en) | System and method for image based multiple-modality cardiac image alignment | |
CN111667478A (zh) | Cta到mra跨模态预测的颈动脉斑块识别方法及系统 | |
CN111415361B (zh) | 基于深度学习的胎儿大脑脑龄估计和异常检测方法及装置 | |
US20210271914A1 (en) | Image processing apparatus, image processing method, and program | |
CN113298830B (zh) | 一种基于自监督的急性颅内ich区域图像分割方法 | |
CN115830016B (zh) | 医学图像配准模型训练方法及设备 | |
CN113361689A (zh) | 超分辨率重建网络模型的训练方法和扫描图像处理方法 | |
CN115908449A (zh) | 一种基于改进UNet模型的2.5D医学CT影像分割方法及装置 | |
CN116091466A (zh) | 图像分析方法、计算机设备和存储介质 | |
CN116758087B (zh) | 一种腰椎ct骨窗侧隐窝间隙检测方法及装置 | |
Dong et al. | A novel end‐to‐end deep learning solution for coronary artery segmentation from CCTA | |
Yang et al. | Benchmarking the CoW with the TopCoW Challenge: Topology-Aware Anatomical Segmentation of the Circle of Willis for CTA and MRA | |
Wang et al. | AVDNet: Joint coronary artery and vein segmentation with topological consistency | |
CN115294023A (zh) | 肝脏肿瘤自动分割方法及装置 | |
CN113850794A (zh) | 一种图像处理方法及装置 | |
US20220076421A1 (en) | Method for identifying bone images | |
CN112508882A (zh) | 一种脑血管图像预处理方法 | |
Dharwadkar et al. | Right ventricle segmentation of magnetic resonance image using the modified convolutional neural network | |
CN112767299B (zh) | 一种多模态三维图像配准融合方法 | |
CN116958217B (zh) | 一种mri与ct多模态3d自动配准方法及装置 | |
Jiao et al. | Anatomy-aware self-supervised fetal MRI synthesis from unpaired ultrasound images |
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 |