CN111754489A - 一种胎儿超声心动图中四腔心分割方法 - Google Patents
一种胎儿超声心动图中四腔心分割方法 Download PDFInfo
- Publication number
- CN111754489A CN111754489A CN202010596235.7A CN202010596235A CN111754489A CN 111754489 A CN111754489 A CN 111754489A CN 202010596235 A CN202010596235 A CN 202010596235A CN 111754489 A CN111754489 A CN 111754489A
- Authority
- CN
- China
- Prior art keywords
- rois
- segmentation
- fetal
- score
- mask
- 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
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000001605 fetal effect Effects 0.000 title claims abstract description 29
- 210000002837 heart atrium Anatomy 0.000 claims abstract description 13
- 210000002458 fetal heart Anatomy 0.000 claims abstract description 9
- 230000001965 increasing effect Effects 0.000 claims abstract description 5
- 238000002592 echocardiography Methods 0.000 claims description 13
- 230000000747 cardiac effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 230000008602 contraction Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 241000287196 Asthenes Species 0.000 claims description 2
- 238000013519 translation Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 5
- 208000002330 Congenital Heart Defects Diseases 0.000 description 4
- 210000005246 left atrium Anatomy 0.000 description 4
- 230000002861 ventricular Effects 0.000 description 4
- 210000005240 left ventricle Anatomy 0.000 description 3
- 210000005245 right atrium Anatomy 0.000 description 3
- 210000005241 right ventricle Anatomy 0.000 description 3
- 230000001746 atrial effect Effects 0.000 description 2
- 208000028831 congenital heart disease Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000001951 Fetal Death Diseases 0.000 description 1
- 206010055690 Foetal death Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 231100000479 fetal death Toxicity 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012549 training 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0866—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving foetal diagnosis; pre-natal or peri-natal diagnosis of the baby
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0883—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the heart
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/30048—Heart; Cardiac
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Cardiology (AREA)
- Quality & Reliability (AREA)
- Gynecology & Obstetrics (AREA)
- Pregnancy & Childbirth (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本申请为一种胎儿超声心动图中四腔心分割方法,为了在小数据量数据集上快速精确胎儿超声心动图中四个心房/心室,首先使用数据增强策略来增加数据的多样性,例如平移、翻转、旋转、扭曲;其次利用基于Faster R‑CNN的Mask R‑CNN来产出精确的分割掩膜;最后通过ROI聚类重新计算每个ROI的得分,成功召回候选目标。与之前使用的语义分割方法不同,不仅可以利用实例分割方法来同时分割四腔心,而且伴随候选目标召回策略来召回丢失的部件,此项实例分割方法是第一个在胎儿超声心动图中实现四腔心的同时分割,这将帮助心脏病专家更好的分析胎儿心脏的结构和功能。
Description
技术领域
本发明涉及一种胎儿超声心动图中四腔心分割方法。
背景技术
先天性心脏病(Congenital Heart Disease(CHD))是最重要的引起胎儿死亡的疾病原因。它是胎儿出生时一种或多种心脏结构或者功能的异常。对胎儿超声心动图的分析对心脏病专家非常有用,可以用来测量胎儿心脏的大小和功能,以及做出心脏病诊断。四个心室/心房的分割可以作为额外信息用于诊断多种类型的先天性心脏病。
近年来,随着深度学习技术的发展,多种分割方法被用于超声心动图。之前的方法主要用于单心室,例如左心室,左心房或者右心室分割。目前,没有一种方法能够同时分割四个心房/心室。此外,之前的研究多关注于成年病人,只有很少的方法用于胎儿超声心动图。
发明内容
本发明提供了一种胎儿超声心动图中四腔心分割方法,提供一种可用于胎儿超声心动图中的心房与心室分割方法,与之前使用的语义分割方法不同,不仅可以利用实例分割方法来同时分割四腔心,而且伴随候选目标召回策略来召回丢失的部件,此项实例分割方法是第一个在胎儿超声心动图中实现四腔心的同时分割,这将帮助心脏病专家更好的分析胎儿心脏的结构和功能;解决了现有技术中存在的问题。
本发明为解决上述技术问题所采用的技术方案是:
一种胎儿超声心动图中四腔心分割方法,所述方法包括下列步骤:
通过胎儿超声心动图采集经数据增强策略增加的多样性的超声心动序列图像数据;
对输入的多样性的超声心动序列图像数据自动做逐像素标记;
通过候选目标召回方法召回在获取心室或心房过程中丢失的心室或心房的部分;以获得更好的四腔心切面分割效果;该方法通过以下步骤实现:
计算每个感兴趣区域ROI的中心,以及中心之间的L2距离;
如果2个中心之间的距离小于一个阈值,该感兴趣区域即为一个簇cluster;
如果一个簇中的感兴趣区域都属于同一个类别,它们被标记为这个类;否则,计算这些感兴趣区域的总的分数,将其判别为最大分数的那个类;如果一个类在之前环节已经出现,在分数计算环节中将不做考虑。
所述数据增强策略是利用旋转和扭曲模拟胎儿心脏在收缩和扩张时的有规律的运动。
所述旋转操作通过仿射变换方式实现;同时通过随机且弹性的扭曲方式增强图片。
所述标记方式为给图片的每个像素标记一个类别相关和实例相关的标签。
利用基于Faster R-CNN的Mask R-CNN来产出精确的分割掩膜;其中Faster R-CNN有2个输出,分别为类别标签和包围框偏移量;在Mask R-CNN中增加一个掩膜分支,该掩膜分支用来预测每个感兴趣区域的分割掩膜。
用ROI聚类算法重新计算每个感兴趣区域ROI的中心得分;
假设一个ROIs簇包含了N个ROI,每个ROI在四个类别中的得分为:
则ROIs的得分为:
比较每个ROIs簇的四个类别得分,并将所有ROIs簇的所有类别得分排序,最后每个ROIs簇的类别计算方式如下:
输入ROIs簇的个数M
score:所有ROIs簇的所有类别得分排序,大小为M*4;
ROIs_id:得分排序后对应的ROIs簇的索引,大小为M*4;
Class:得分排序后的类别索引,大小为M*4;
初始化ROIs_class=-ones(M)每个ROIs簇的类别,初始化为-1
输出每个ROIs簇的类别ROIs_class;即成功召回候选目标。
本发明的有益效果体现在:为了在小数据量数据集上快速精确胎儿超声心动图中四个心房/心室,首先使用数据增强策略来增加数据的多样性,例如平移、翻转、旋转、扭曲;其次利用基于Faster R-CNN的Mask R-CNN来产出精确的分割掩膜;最后通过ROI聚类重新计算每个ROI的得分,成功的召回候选目标。
本发明采用不同于之前使用的语义分割方法的实例分割方法,结合创新的候选目标召回方法,不仅可以同时分割四腔心,而且伴随候选目标召回策略来召回丢失的部件,分割相关的指标有明显提升;此项实例分割方法是第一个在胎儿超声心动图中实现四腔心的同时分割,这将帮助心脏病专家更好的分析胎儿心脏的结构和功能。
附图说明
图1为本发明所述胎儿超声心动图中四腔心分割方法的流程示意图。
图2为胎儿超声心动图的四腔心视图,可见四个心房/心室分别是左心房(LA)、右心房(RA)、左心室(LV)和右心室(RV)。
图3为本发明所用的数据增强中的图片扭曲方法,左图为原始图片,右图为随机扭曲的图片。
图4为本发明使用候选目标召回方法如右侧一列所示和不使用该方法如左侧一列所示的分割结果。
图5为本发明中的8张胎儿超声心动图分割结果,每张图的左上为原始图像,右上为真实标注,左下为叠加的分割效果,右下为分割示意图;其中红色表示左心房,黄色表示左心室,绿色右心房,蓝色右心室。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
如图1-5中所示,一种胎儿超声心动图中四腔心分割方法,所述方法包括下列步骤:
通过胎儿超声心动图采集经数据增强策略增加的多样性的超声心动序列图像数据;
对输入的多样性的超声心动序列图像数据自动做逐像素标记;
通过候选目标召回方法召回在获取心室或心房过程中丢失的心室或心房的部分;以获得更好的四腔心切面分割效果;该方法通过以下步骤实现:
计算每个感兴趣区域ROI的中心,以及中心之间的L2距离;
如果2个中心之间的距离小于一个阈值,该感兴趣区域即为一个簇cluster;
如果一个簇中的感兴趣区域都属于同一个类别,它们被标记为这个类;否则,计算这些感兴趣区域的总的分数,将其判别为最大分数的那个类;如果一个类在之前环节已经出现,在分数计算环节中将不做考虑。
所述数据增强策略是利用旋转和扭曲模拟胎儿心脏在收缩和扩张时的有规律的运动。
所述旋转操作通过仿射变换方式实现;同时通过随机且弹性的扭曲方式增强图片。
所述标记方式为给图片的每个像素标记一个类别相关和实例相关的标签。利用基于Faster R-CNN的Mask R-CNN来产出精确的分割掩膜;其中Faster R-CNN有2个输出,分别为类别标签和包围框偏移量;在Mask R-CNN中增加一个掩膜分支,该掩膜分支用来预测每个感兴趣区域的分割掩膜。
用ROI聚类算法重新计算每个感兴趣区域ROI的中心得分;
比较每个ROIs簇的四个类别得分,并将所有ROIs簇的所有类别得分排序,最后每个ROIs簇的类别计算方式如下:
输入ROIs簇的个数M
score:所有ROIs簇的所有类别得分排序,大小为M*4;
ROIs_id:得分排序后对应的ROIs簇的索引,大小为M*4;
Class:得分排序后的类别索引,大小为M*4;
初始化ROIs_class=-ones(M)每个ROIs簇的类别,初始化为-1
输出每个ROIs簇的类别ROIs_class;即成功召回候选目标。
本发明基于四个心室/心房的分割作为额外信息用于诊断多种类型的先天性心脏病的工作原理,为了将胎儿超声心动图采集的数据在小数据量数据集上快速精确胎儿分割超声心动图中四个心房/心室,首先使用数据增强策略来增加数据的多样性,例如平移、翻转、旋转、扭曲;这是因为由于标注非常困难,通常的胎儿超声心动图中只有少于1000张标注图像,这对于训练深度神经网络是不足的,所以需要使用数据增强策略来增加数据的多样性。基于胎儿心脏在收缩和扩张时的有规律的运动,利用旋转和扭曲来模拟心脏的运动;旋转操作能够通过仿射变换实现,同时我们使用随机且弹性的扭曲来增强图片。其次利用基于Faster R-CNN的Mask R-CNN来产出精确的分割掩膜;实例分割的任务是给图片的每个像素标记一个类别相关和实例相关的标签。为了分割四腔心,利用基于Faster R-CNN的Mask R-CNN来产出精确的分割掩膜;其中Mask R-CNN有2个输出,分别为类别标签和包围框偏移量;即在Mask R-CNN中增加了一个掩膜分支,用来预测每个感兴趣区域的分割掩膜。最后通过ROI聚类重新计算每个ROI的得分,成功的召回候选目标。因为在超声心动图中,一类心室只能出现一次,例如左心房只能出现一次。因此,如果仅保留每类中最大得分的候选目标,这将会在Mask R-CNN的最终分割结果中丢失个别心室。这是因为一个更高得分的目标可能被错误分类,挤掉了一个属于该类而分数较低的目标。而通过计算每个感兴趣区域的中心这个算法,可以成功召回丢失的部分和获得更好的分割结果,如图4所示。
如图5所示;本发明通过上述四腔心分割方法,能够获得很好的四腔心分割效果。即本发明采用不同于之前使用的语义分割方法的实例分割方法,结合创新的候选目标召回方法,不仅可以同时分割四腔心,而且伴随候选目标召回策略来召回丢失的部件,分割相关的指标有明显提升;此项实例分割方法是第一个在胎儿超声心动图中实现四腔心的同时分割,这将帮助心脏病专家更好的分析胎儿心脏的结构和功能。
上述具体实施方式不能作为对本发明保护范围的限制,对于本技术领域的技术人员来说,对本发明实施方式所做出的任何替代改进或变换均落在本发明的保护范围内。
本发明未详述之处,均为本技术领域技术人员的公知技术。
Claims (6)
1.一种胎儿超声心动图中四腔心分割方法,其特征在于:所述方法包括下列步骤:
(1)、通过胎儿超声心动图采集经数据增强策略增加的多样性的超声心动序列图像数据;
(2)、对输入的多样性的超声心动序列图像数据自动做逐像素标记;
(3)、通过候选目标召回方法召回在获取心室或心房过程中丢失的心室或心房的部分;以获得更好的四腔心切面分割效果;该方法通过以下步骤实现:
1)、计算每个感兴趣区域ROI的中心,以及中心之间的L2距离;
2)、如果2个中心之间的距离小于一个阈值,该感兴趣区域即为一个簇cluster;
3)、如果一个簇中的感兴趣区域都属于同一个类别,它们被标记为这个类;否则,计算这些感兴趣区域的总的分数,将其判别为最大分数的那个类;如果一个类在之前环节已经出现,在分数计算环节中将不做考虑。
2.根据权利要求1所述的胎儿超声心动图中四腔心分割方法,其特征在于:所述数据增强策略是利用旋转和扭曲模拟胎儿心脏在收缩和扩张时的有规律的运动。
3.根据权利要求2所述的胎儿超声心动图中四腔心分割方法,其特征在于:所述旋转操作通过仿射变换方式实现;同时通过随机且弹性的扭曲方式增强图片。
4.根据权利要求1所述的胎儿超声心动图中四腔心分割方法,其特征在于:所述标记方式为给图片的每个像素标记一个类别相关和实例相关的标签。
5.根据权利要求4所述的胎儿超声心动图中四腔心分割方法,其特征在于:利用基于Faster R-CNN的Mask R-CNN来产出精确的分割掩膜;其中Faster R-CNN有2个输出,分别为类别标签和包围框偏移量;在Mask R-CNN中增加一个掩膜分支,该掩膜分支用来预测每个感兴趣区域的分割掩膜。
6.根据权利要求1所述的胎儿超声心动图中四腔心分割方法,其特征在于:
用ROI聚类算法重新计算每个感兴趣区域ROI的中心得分;
比较每个ROIs簇的四个类别得分,并将所有ROIs簇的所有类别得分排序,最后每个ROIs簇的类别计算方式如下:
输入ROIs簇的个数M
score:所有ROIs簇的所有类别得分排序,大小为M*4;
ROIs_id:得分排序后对应的ROIs簇的索引,大小为M*4;
Class:得分排序后的类别索引,大小为M*4;
初始化ROIs_class=-ones(M)每个ROIs簇的类别,初始化为-1
输出每个ROIs簇的类别ROIs_class;即成功召回候选目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010596235.7A CN111754489A (zh) | 2020-06-28 | 2020-06-28 | 一种胎儿超声心动图中四腔心分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010596235.7A CN111754489A (zh) | 2020-06-28 | 2020-06-28 | 一种胎儿超声心动图中四腔心分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111754489A true CN111754489A (zh) | 2020-10-09 |
Family
ID=72677535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010596235.7A Pending CN111754489A (zh) | 2020-06-28 | 2020-06-28 | 一种胎儿超声心动图中四腔心分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754489A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642667A (zh) * | 2021-08-30 | 2021-11-12 | 重庆紫光华山智安科技有限公司 | 一种增强策略确定方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106230891A (zh) * | 2016-07-18 | 2016-12-14 | 上海市第人民医院 | 一种传输超声心动图报告的方法和系统 |
CN110619632A (zh) * | 2019-09-18 | 2019-12-27 | 华南农业大学 | 一种基于Mask R-CNN的芒果实例对抗分割方法 |
CN111062948A (zh) * | 2019-11-18 | 2020-04-24 | 北京航空航天大学合肥创新研究院 | 一种基于胎儿四腔心切面图像的多组织分割方法 |
CN111297399A (zh) * | 2019-03-26 | 2020-06-19 | 华南理工大学 | 一种基于超声视频的胎心定位和胎心率提取方法 |
-
2020
- 2020-06-28 CN CN202010596235.7A patent/CN111754489A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106230891A (zh) * | 2016-07-18 | 2016-12-14 | 上海市第人民医院 | 一种传输超声心动图报告的方法和系统 |
CN111297399A (zh) * | 2019-03-26 | 2020-06-19 | 华南理工大学 | 一种基于超声视频的胎心定位和胎心率提取方法 |
CN110619632A (zh) * | 2019-09-18 | 2019-12-27 | 华南农业大学 | 一种基于Mask R-CNN的芒果实例对抗分割方法 |
CN111062948A (zh) * | 2019-11-18 | 2020-04-24 | 北京航空航天大学合肥创新研究院 | 一种基于胎儿四腔心切面图像的多组织分割方法 |
Non-Patent Citations (1)
Title |
---|
陈侃: "基于局部阈值和聚类中心迭代的肺结节检测算法", 《计算机科学》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642667A (zh) * | 2021-08-30 | 2021-11-12 | 重庆紫光华山智安科技有限公司 | 一种增强策略确定方法、装置、电子设备及存储介质 |
CN113642667B (zh) * | 2021-08-30 | 2024-02-02 | 重庆紫光华山智安科技有限公司 | 一种图片增强策略确定方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584254B (zh) | 一种基于深层全卷积神经网络的心脏左心室分割方法 | |
Du et al. | Deep regression segmentation for cardiac bi-ventricle MR images | |
CN101111865A (zh) | 用于在心脏图像中分割左心室的系统和方法 | |
Nurmaini et al. | Accurate detection of septal defects with fetal ultrasonography images using deep learning-based multiclass instance segmentation | |
Mahapatra | Cardiac MRI segmentation using mutual context information from left and right ventricle | |
CN110059730A (zh) | 一种基于胶囊网络的甲状腺结节超声图像分类方法 | |
Snaauw et al. | End-to-end diagnosis and segmentation learning from cardiac magnetic resonance imaging | |
Chang et al. | Medical image segmentation using a contextual-constraint-based Hopfield neural cube | |
CN112820399A (zh) | 自动诊断甲状腺结节良恶性的方法及装置 | |
CN110197206A (zh) | 图像处理的方法及装置 | |
Zyuzin et al. | Segmentation of 2D echocardiography images using residual blocks in U-net architectures | |
Yang et al. | Segmentation of five components in four chamber view of fetal echocardiography | |
CN111754489A (zh) | 一种胎儿超声心动图中四腔心分割方法 | |
Howard et al. | Machine learning with convolutional neural networks for clinical cardiologists | |
Sengan et al. | Echocardiographic image segmentation for diagnosing fetal cardiac rhabdomyoma during pregnancy using deep learning | |
CN106952268A (zh) | 一种基于关联矩阵自学习及显式秩约束的医学图像分割方法 | |
Kumar et al. | Echocardiogram view classification using edge filtered scale-invariant motion features | |
CN114445328A (zh) | 基于改进Faster R-CNN的医学影像脑肿瘤检测方法与系统 | |
Chen et al. | Mu-Net: Multi-Path Upsampling Convolution Network for Medical Image Segmentation. | |
Liu et al. | Toward automated right ventricle segmentation via edge feature-induced self-attention multiscale feature aggregation full convolution network | |
Yang et al. | Toward unpaired multi-modal medical image segmentation via learning structured semantic consistency | |
CN111951252B (zh) | 多时序图像处理方法、电子设备及存储介质 | |
Kumar et al. | Cardiac disease detection from echocardiogram using edge filtered scale-invariant motion features | |
Yuan et al. | Fully automatic segmentation of the left ventricle using multi-scale fusion learning | |
Lv et al. | An improved residual U-Net with morphological-based loss function for automatic liver segmentation in computed tomography |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201009 |