CN111667488B - 一种基于多角度U-Net的医学图像分割方法 - Google Patents

一种基于多角度U-Net的医学图像分割方法 Download PDF

Info

Publication number
CN111667488B
CN111667488B CN202010309836.5A CN202010309836A CN111667488B CN 111667488 B CN111667488 B CN 111667488B CN 202010309836 A CN202010309836 A CN 202010309836A CN 111667488 B CN111667488 B CN 111667488B
Authority
CN
China
Prior art keywords
angle
convolution
image
net
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
Application number
CN202010309836.5A
Other languages
English (en)
Other versions
CN111667488A (zh
Inventor
赵昶辰
赵志明
冯远静
韩蔚然
居峰
梅培义
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202010309836.5A priority Critical patent/CN111667488B/zh
Publication of CN111667488A publication Critical patent/CN111667488A/zh
Application granted granted Critical
Publication of CN111667488B publication Critical patent/CN111667488B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/30096—Tumor; Lesion
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Graphics (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

一种基于多角度U‑Net的医学图像分割方法，包括以下步骤：步骤1、获取对应分割图像的数据集，进行预处理；步骤2、生成待训练样本；步骤3、搭建多角度U‑Net网络模型，使用步骤2中生成的训练样本训练该网络模型；然后将待分割医学图像输入到构建好的网络模型，从而生成对应模态的目标三维图像。本发明的多角度卷积模块融合多角度2D可分离卷积与深度可分离卷积的优点，将空间和通道信息分开映射，实现了空间与通道的分离，同时加入残差结构，解决了梯度消失和梯度爆炸的问题，在训练更深网络的同时，又能保证良好的性能。本发明实现对医学图像的自动、准确描述。

Description

一种基于多角度U-Net的医学图像分割方法
技术领域
本发明涉及图像处理领域、尤其是一种基于深度学习的医学图像分割方法。
背景技术
医学图像分割问题是决定医学图像在临床诊疗中能否提供可靠依据的关键问题，因此备受关注。现有的医学图像分割方法可以分为两种，一种是传统人工分割算法，其包括阈值法分割、基于模糊均值聚类的分割以及基于模型的分割等，这些方法虽然也具有较高性能，但是，这些方法不仅费时费力，而且严重依赖于专家的专业知识和经验，而且存在主观差异。另一种则是以深度学习为代表的分割算法，这种算法因为其在医学图像分割上体现的强大性能，使得基于深度学习的医学图像分割的相关研究迅速增长。
自Ronneberger等人于2015年提出U-Net网络以来，以U-Net为代表的神经网络在医学图像分割领域大放光彩，这是一个带有下采样层和上采样层的特殊的卷积神经网络。然而，由于U-Net网络是进行二维输入的，而医学图像往往是三维图像，因此利用U-Net网络进行训练会丢失原始数据在空间上的信息，使得图像分割精度始终达不到较高水准。由Ahmed Abdulkadir等人于2017年提出的3D U-Net,因其优异的性能被广泛应用于医学图像分割，而3D U-Net网络由于模型参数数量庞大，难以训练且容易出现过拟合，因此发展受到限制。
发明内容
在医学图像分割领域，为了让网络参数量减少使其计算量与U-Net网络相当，同时保持三维图像的空间语义信息使其性能又可以媲美3D U-Net网络，本发明重新设计了卷积模块，提出了多角度U-Net网络，多角度卷积模块融合多角度2D可分离卷积与深度可分离卷积的优点，将空间和通道信息分开映射，实现了空间与通道的分离，同时加入残差结构，解决了梯度消失和梯度爆炸的问题，在训练更深网络的同时，又能保证良好的性能。
本发明解决其技术问题所采用的技术方案是：
一种基于多角度U-Net的医学图像分割方法，所述方法包括以下步骤：
步骤1，图像预处理：训练集中原始图像经过空间重采样、灰度值归一化等过程，生成对应的身体组织以及背景图像；然后，通过裁剪上步生成的图像以及对应该图像的标签，得到包含目标组织的最小非0区域；
步骤2，生成训练样本：利用给定的patch size将步骤1中生成的最小非0区域裁剪为固定尺寸的patch，同时，以不同概率提取patch作为训练样本，克服被分割组织与其他组织之间的数据不均衡问题；
步骤3，训练网络模型：搭建多角度U-Net网络模型，使用步骤2中生成的训练样本训练该网络模型，然后将待分割医学图像输入到构建好的网络模型，从而生成对应模态的目标三维图像。
进一步，所述步骤3中的多角度U-Net网络，是将多角度卷积模块作为卷积层，多角度卷积模块融合多角度2D可分离卷积与深度可分离卷积，将空间和通道信息分开映射，实现了空间与通道的分离，同时加入残差结构，解决了梯度消失和梯度爆炸的问题。
优选的，所述多角度U-Net网络模型是在3D U-Net的基础上，采用多角度卷积模块代替原有的3D卷积模块，多角度卷积的卷积过程为：
3.1、对输入的三维图像分别在冠状面、矢状面以及横截面三个方向上进行2D卷积，得到与原输入三维图像尺寸相同的三个特征图；
3.2、在横截面方向上对三个数据进行拼接，得到一个新的三维特征图；
3.3、利用指定个1×1的卷积核对该三维特征图进行卷积，得到指定个与原输入三维图像尺寸相同的三维特征图；
3.4、在多角度卷积模块上加入残差结构，使得当网络层数过大时，仍能使训练过程取得较好结果。
再进一步，所述步骤1中，所述重采样算法采用最邻近算法。
所述医学图像为肿瘤图像，当然也可以是其他医学图像。
本发明的有益效果为：多角度卷积模块融合多角度2D可分离卷积与深度可分离卷积的优点，将空间和通道信息分开映射，实现了空间与通道的分离，同时加入残差结构，解决了梯度消失和梯度爆炸的问题，在训练更深网络的同时，又能保证良好的性能。实现对医学图像的自动、准确描述。
附图说明
图1为本发明实施方案的流程示意图。
图2为本发明方案中的多角度卷积模块与普通3D卷积模块的对比图，其中，(a)是多角度卷积模块，(b)是普通3D卷积模块。
图3为本发明方案中多角度U-Net的网络结构图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施和附图，对本发明做进一步补充说明。
参照图1～图3，一种基于多角度U-Net的医学图像分割方法，能够将网络中特征图的空间和通道信息分开映射，实现了空间与通道的分离，使得这种分割方法的计算量与U-Net网络相当，但是性能又可以媲美3D U-Net网络，包括以下步骤：
步骤1，图像预处理：训练集中原始图像经过最邻近算法进行空间重采样，进一步经过灰度值归一化生成对应的身体组织以及背景图像；然后，通过裁剪上步生成的图像以及对应该训练集图像的标签，得到包含目标组织的最小非0区域；
步骤2，生成训练样本：利用给定的patch size＝64×64×64将步骤1中生成的最小非0区域裁剪为该尺寸的patch，同时，以不同概率提取patch作为训练样本，克服被分割组织与其他组织之间的数据不均衡问题；
步骤3，训练网络模型：搭建多角度U-Net网络模型，使用步骤2中生成的训练样本训练该网络模型，然后将待分割医学图像输入到构建好的网络模型，从而生成对应模态的目标三维图像。
进一步，所述步骤3中的多角度U-Net网络，是将多角度卷积模块作为卷积层，多角度卷积模块融合多角度2D可分离卷积与深度可分离卷积，将空间和通道信息分开映射，实现了空间与通道的分离，同时加入残差结构，解决了梯度消失和梯度爆炸的问题。
优选的，所述多角度U-Net网络模型是在3D U-Net的基础上，采用多角度卷积模块代替原有的3D卷积模块，多角度卷积的卷积过程为：
3.1、对输入的三维图像分别在冠状面、矢状面以及横截面三个方向上进行2D卷积，得到与原输入三维图像尺寸相同的三个特征图；
3.2、在横截面方向上对三个数据进行拼接，得到一个新的三维特征图；
3.3、利用指定个1×1的卷积核对该三维特征图进行卷积，得到指定个与原输入三维图像尺寸相同的三维特征图；
3.4、在多角度卷积模块上加入残差结构，使得当网络层数过大时，仍能使训练过程取得较好结果。
所述医学图像为肿瘤图像，当然也可以是其他医学图像。
本发明应用到的多角度卷积模块，利用多角度U-Net网络的第一次多角度卷积作为示例。
将尺寸为64×64×64的一个patch输入到网络中，分别在冠状面、矢状面以及横截面三个方向上用1个通道数为1、尺寸为3×3的卷积核对其进行2D卷积，得到尺寸为64×64×64的三个不同特征图P1、P2、P3。然后在横截面方向上对三个数据进行拼接，得到一个通道数为3、尺寸为64×64×64的特征图PC，最后利用32个通道数为3、尺寸为1×1的卷积核对其进行卷积，得到32个尺寸为64×64×64的特征图；
本发明应用到的多角度U-Net网络框架，编码器模块分别包含5个卷积层和最大池层，分别包含32、64、128、256、512个特征映射；解码器模块包含5个反卷积层和卷积层，分别包含512、256、128、64、32特征映射；在卷积层中，所有卷积结构均为多角度卷积，对于所有的最大池层，池大小为2×2×2，步长为2，对于所有的反卷积层，将反卷积后的特征映射与编码器模块中的相应特征相结合，解码后，使用Softmax分类器生成体素级概率映射和预测，使用步骤2中生成的训练样本训练构建好的网络模型，然后输入待分割医学图像，从而生成对应模态的目标三维图像。
以上所述的具体实施仅为本发明的一种最佳实现方式,并不用于限制本发明的专利范围,凡是利用本发明精神和原则及附图内容所作的等效结构或等效流程变换,均应包括在本发明的专利保护范围内。

Claims (3)

1.一种基于多角度U-Net的医学图像分割方法，其特征在于，所述方法包括以下步骤：
步骤1，图像预处理：训练集中原始图像经过空间重采样、灰度值归一化过程，生成对应的身体组织以及背景图像；然后，通过裁剪生成的图像以及对应该图像的标签，得到包含目标组织的最小非0区域；
步骤2，生成训练样本：利用给定的patch size将步骤1中生成的最小非0区域裁剪为固定尺寸的patch，同时，以不同概率提取patch作为训练样本；
步骤3，训练网络模型：搭建多角度U-Net网络模型，使用步骤2中生成的训练样本训练该网络模型，生成对应模态的目标三维图像；
所述步骤3中的多角度U-Net网络，是将多角度卷积模块作为卷积层，多角度卷积模块融合多角度2D可分离卷积与深度可分离卷积，将空间和通道信息分开映射，实现了空间与通道的分离，同时加入残差结构，解决了梯度消失和梯度爆炸的问题；
所述多角度U-Net网络模型是在3D U-Net的基础上，采用多角度卷积模块，多角度卷积的卷积过程为：
3.1、对输入的三维图像分别在冠状面、矢状面以及横截面三个方向上进行2D卷积，得到与原输入三维图像尺寸相同的三个特征图；
3.2、在横截面方向上对三个特征图进行拼接，得到一个通道数为3，尺寸与原输入三维图像尺寸相同的新的三维特征图；
3.3、利用指定个通道数为3，尺寸为1×1的卷积核对该三维特征图进行卷积，得到指定个与原输入三维图像尺寸相同的三维特征图；
3.4、在多角度卷积模块上加入残差结构，使得当网络层数过大时，仍能使训练过程取得较好结果。
2.如权利要求1所述的基于多角度U-Net的医学图像分割方法，其特征在于，所述步骤1中，重采样算法采用最邻近算法。
3.如权利要求1所述的基于多角度U-Net的医学图像分割方法，其特征在于，所述医学图像为肿瘤图像。
CN202010309836.5A 2020-04-20 2020-04-20 一种基于多角度U-Net的医学图像分割方法 Active CN111667488B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010309836.5A CN111667488B (zh) 2020-04-20 2020-04-20 一种基于多角度U-Net的医学图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010309836.5A CN111667488B (zh) 2020-04-20 2020-04-20 一种基于多角度U-Net的医学图像分割方法

Publications (2)

Publication Number Publication Date
CN111667488A CN111667488A (zh) 2020-09-15
CN111667488B true CN111667488B (zh) 2023-07-28

Family

ID=72382779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010309836.5A Active CN111667488B (zh) 2020-04-20 2020-04-20 一种基于多角度U-Net的医学图像分割方法

Country Status (1)

Country Link
CN (1) CN111667488B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561868B (zh) * 2020-12-09 2021-12-07 深圳大学 一种基于多视角级联深度学习网络的脑血管分割方法
CN112686850B (zh) * 2020-12-24 2021-11-02 上海体素信息科技有限公司 基于空间位置和原型网络的ct图像的少样本分割方法和系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017215284A1 (zh) * 2016-06-14 2017-12-21 山东大学 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法
CN109509178A (zh) * 2018-10-24 2019-03-22 苏州大学 一种基于改进的U-net网络的OCT图像脉络膜分割方法
CN109670529A (zh) * 2018-11-14 2019-04-23 天津大学 一种用于快速语义分割的可分离分解残差模块设计方法
US10304193B1 (en) * 2018-08-17 2019-05-28 12 Sigma Technologies Image segmentation and object detection using fully convolutional neural network
CN109949309A (zh) * 2019-03-18 2019-06-28 安徽紫薇帝星数字科技有限公司 一种基于深度学习的肝脏ct图像分割方法
CN110084823A (zh) * 2019-04-18 2019-08-02 天津大学 基于级联各向异性fcnn的三维脑肿瘤图像分割方法
CN110570431A (zh) * 2019-09-18 2019-12-13 东北大学 一种基于改进的卷积神经网络的医学图像分割方法
CN110570416A (zh) * 2019-09-12 2019-12-13 杭州海睿博研科技有限公司 多模态心脏图像的可视化和3d打印的方法
WO2020001217A1 (zh) * 2018-06-27 2020-01-02 东南大学 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法
CN110706214A (zh) * 2019-09-23 2020-01-17 东南大学 融合条件随机与残差的三维U-Net大脑肿瘤分割方法
CN110853048A (zh) * 2019-10-14 2020-02-28 北京缙铖医疗科技有限公司 基于粗、精训练的mri图像分割方法、装置和存储介质
WO2020051816A1 (en) * 2018-09-13 2020-03-19 Intel Corporation Condense-expansion-depth-wise convolutional neural network for face recognition
CN110910408A (zh) * 2019-11-28 2020-03-24 慧影医疗科技（北京）有限公司 图像分割方法、装置、电子设备及可读存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109741343B (zh) * 2018-12-28 2020-12-01 浙江工业大学 一种基于3D-Unet和图论分割的T1WI-fMRI图像肿瘤协同分割方法
CN110120033A (zh) * 2019-04-12 2019-08-13 天津大学 基于改进的U-Net神经网络三维脑肿瘤图像分割方法
CN110120048B (zh) * 2019-04-12 2023-06-06 天津大学 结合改进U-Net和CMF的三维脑肿瘤图像分割方法
CN110136145A (zh) * 2019-05-17 2019-08-16 东北大学 基于多通道可分离卷积神经网络的mr脑部图像分割方法
CN110533113B (zh) * 2019-09-04 2022-11-11 湖南大学 一种数字图像中树状结构的分支点检测方法
CN110689543A (zh) * 2019-09-19 2020-01-14 天津大学 基于注意机制的改进卷积神经网络脑肿瘤图像分割方法
CN110853038A (zh) * 2019-10-15 2020-02-28 哈尔滨工程大学 一种用于肝脏肿瘤CT图像分割技术的DN-U-net网络方法
CN110890143B (zh) * 2019-11-21 2022-03-08 重庆邮电大学 一种引入空间信息的2d卷积方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017215284A1 (zh) * 2016-06-14 2017-12-21 山东大学 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法
WO2020001217A1 (zh) * 2018-06-27 2020-01-02 东南大学 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法
US10304193B1 (en) * 2018-08-17 2019-05-28 12 Sigma Technologies Image segmentation and object detection using fully convolutional neural network
WO2020051816A1 (en) * 2018-09-13 2020-03-19 Intel Corporation Condense-expansion-depth-wise convolutional neural network for face recognition
CN109509178A (zh) * 2018-10-24 2019-03-22 苏州大学 一种基于改进的U-net网络的OCT图像脉络膜分割方法
CN109670529A (zh) * 2018-11-14 2019-04-23 天津大学 一种用于快速语义分割的可分离分解残差模块设计方法
CN109949309A (zh) * 2019-03-18 2019-06-28 安徽紫薇帝星数字科技有限公司 一种基于深度学习的肝脏ct图像分割方法
CN110084823A (zh) * 2019-04-18 2019-08-02 天津大学 基于级联各向异性fcnn的三维脑肿瘤图像分割方法
CN110570416A (zh) * 2019-09-12 2019-12-13 杭州海睿博研科技有限公司 多模态心脏图像的可视化和3d打印的方法
CN110570431A (zh) * 2019-09-18 2019-12-13 东北大学 一种基于改进的卷积神经网络的医学图像分割方法
CN110706214A (zh) * 2019-09-23 2020-01-17 东南大学 融合条件随机与残差的三维U-Net大脑肿瘤分割方法
CN110853048A (zh) * 2019-10-14 2020-02-28 北京缙铖医疗科技有限公司 基于粗、精训练的mri图像分割方法、装置和存储介质
CN110910408A (zh) * 2019-11-28 2020-03-24 慧影医疗科技（北京）有限公司 图像分割方法、装置、电子设备及可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于压缩感知高阶张量扩散磁共振稀疏成像方法;冯远静等;《模式识别与人工智能》;全文 *
基于残差双注意力U-Net模型的CT图像囊肿肾脏自动分割;徐宏伟;闫培新;吴敏;徐振宇;孙玉宝;;计算机应用研究(07);全文 *

Also Published As

Publication number Publication date
CN111667488A (zh) 2020-09-15

Similar Documents

Publication Publication Date Title
CN113077471B (zh) 一种基于u型网络的医学图像分割方法
CN111340828A (zh) 基于级联卷积神经网络的脑部胶质瘤分割
CN109829918B (zh) 一种基于密集特征金字塔网络的肝脏图像分割方法
WO2024104035A1 (zh) 基于长短期记忆自注意力模型的三维医学图像分割方法及系统
CN113674253A (zh) 基于U-Transformer的直肠癌CT影像自动分割方法
JP2023550844A (ja) 深層形状学習に基づく肝臓ｃｔ自動分割方法
CN112734755A (zh) 基于3d全卷积神经网络与多任务学习的肺叶分割方法
CN114359292A (zh) 一种基于多尺度和注意力的医学图像分割方法
CN111667488B (zh) 一种基于多角度U-Net的医学图像分割方法
CN112348830B (zh) 基于改进3D U-Net的多器官分割方法
CN114066913B (zh) 一种心脏图像分割方法及系统
CN114913327A (zh) 一种基于改进U-Net的下肢骨骼CT图像分割算法
CN112381846A (zh) 一种基于非对称网络的超声甲状腺结节分割方法
CN112288749A (zh) 一种基于深度迭代融合深度学习模型的颅骨图像分割方法
CN110782427A (zh) 基于可分离空洞卷积的磁共振脑肿瘤自动分割方法
CN112465754A (zh) 基于分层感知融合的3d医疗图像分割方法、装置及存储介质
CN116228792A (zh) 一种医学图像分割方法、系统及电子装置
CN115393293A (zh) 基于UNet网络与分水岭算法的电镜红细胞分割与定位方法
CN115496720A (zh) 基于ViT机制模型的胃肠癌病理图像分割方法及相关设备
CN115311194A (zh) 一种基于transformer和SE块的CT自动肝脏图像分割方法
CN115661165A (zh) 基于增强注意力的编解码网络胶质瘤融合分割系统及方法
CN115222748A (zh) 一种基于并联深度u形网络和概率密度图的多器官分割方法
CN117523194A (zh) 一种基于稀疏标注的图像分割方法
CN114882048A (zh) 基于小波散射学习网络的图像分割方法和系统
JP2024143991A (ja) マルチタスク学習ネットワークにおける画像分割方法及びシステム

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