CN111784628A - 基于有效学习的端到端的结直肠息肉图像分割方法 - Google Patents
基于有效学习的端到端的结直肠息肉图像分割方法 Download PDFInfo
- Publication number
- CN111784628A CN111784628A CN202010389773.9A CN202010389773A CN111784628A CN 111784628 A CN111784628 A CN 111784628A CN 202010389773 A CN202010389773 A CN 202010389773A CN 111784628 A CN111784628 A CN 111784628A
- Authority
- CN
- China
- Prior art keywords
- network
- loss function
- segmentation
- colorectal
- model
- 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
- 208000022131 polyp of large intestine Diseases 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000003709 image segmentation Methods 0.000 title claims description 8
- 230000006870 function Effects 0.000 claims abstract description 39
- 230000011218 segmentation Effects 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000008447 perception Effects 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 230000000306 recurrent effect Effects 0.000 claims abstract description 8
- 210000000664 rectum Anatomy 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 230000002146 bilateral effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 1
- 208000037062 Polyps Diseases 0.000 abstract description 10
- 238000005065 mining Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 2
- 206010009944 Colon cancer Diseases 0.000 description 3
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008602 contraction Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000014081 polyp of colon Diseases 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/20—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
- G06T2207/30028—Colon; Small intestine
- G06T2207/30032—Colon polyp
Abstract
本发明公开了基于有效学习的端到端的结直肠息肉分割方法，该方法利用深度学习技术提出并设计全卷积神经网络结合完全连接的条件随机场递归神经网络的网络模型用于结直肠息肉分割。针对网络训练过程中息肉区域特征训练不足而无关组织学习过度的现象，引入有效学习损失函数，该损失函数借鉴了难例挖掘和边界感知思想。该损失函数借鉴了难例挖掘思想的目标函数，针对结直肠息肉前景区域和背景区域占比的不均匀问题，对样本训练误差加权处理，提升难例的关注程度，同时结合边界因子提升边界像素的关注度来提高轮廓分割的精度。
Description
技术领域
本发明属于医学图像分割领域，尤其涉及基于有效学习的端到端的结直肠息肉分割方法。
背景技术
随着医学图像成像技术和图像质量的不断提高使得在CT图像上完成结肠息肉的发现、分割和分型成为可能。结直肠癌作为全球第三大健康杀手，及早的对其进行防治十分重要。结直肠息肉作为结直肠癌的主要风险因素如果可以尽早被发现可以减少癌变的可能，对息肉检测首先要把息肉区域分割出来，只有准确分割目标区域，才能进行进一步的诊断。
目前深度学习技术在医学图像分割领域表现出众，但是将深度学习技术应用于结直肠息肉分割领域的相关研究比较少。因此基于深度学习技术提出并设计全卷积神经网络结合完全连接的条件随机场递归神经网络的网络模型用于结直肠息肉分割。针对网络训练过程中息肉区域特征训练不足而无关组织学习过度的现象，引入有效学习损失函数，该损失函数借鉴了难例挖掘和边界感知思想。
发明内容
针对结直肠息肉前景区域和背景区域占比的不均匀以及边缘不规则问题，本发明提供基于有效学习的端到端的结直肠息肉分割方法。具体而言，该损失函数借鉴了难例挖掘思想的目标函数，针对结直肠息肉前景区域和背景区域占比的不均匀问题，对样本训练误差加权处理，提升难例的关注程度，同时结合边界因子提升边界像素的关注度来提高轮廓分割的精度。
为实现上述目的，本发明采用如下的技术方案：
基于有效学习的端到端的结直肠息肉分割方法，包括以下步骤：
步骤1：对初始结直肠CT图像数据集进行数据预处理；
步骤2：根据选用的网络结构进行网络搭建；
步骤3：准备训练集，让数据预处理后的直肠CT图像数据集在搭建好的网络上进行训练，获得初始直肠CT图像分割模型；
步骤4：通过有效学习损失函数衡量直肠CT图像分割模型预测的好坏；
步骤5：使用最小化有效学习损失函数的方式不断优化网络分割模型，最后得到是分割结果达到最优的网络模型；
本发明所述的基于有效学习的端到端的结直肠息肉分割方法特征还包括：
所述步骤1中，含有息肉的原始结直肠CT图像数据带有很多无关信息，息肉相对于整个CT图像来说所占比例过小，同时CT图像的大小存在差别，所以首先对图像进行尺寸归一化处理。同时针对训练数据有限且医学图像获取困难的问题，使用翻转、旋转、对比度增强、噪音扰动等数据增强手段增加数据量。
所述步骤2中，选用U-Net网络结合完全连接的条件随机场递归神经网络的网络模型用于结直肠息肉分割。把U-net和CRF-RNN结合在一起作为一整个深度网络进行训练，U-net可以输出每个的像素点属于每个类别的概率值，即标签分数图，把此标签分数图作为能量方程的一元势函数。把迭代条件随机场(CRF) 推断作为循环神经网络(RNN)，在每次迭代中的平均场中使用高斯空间和双边滤波器作近似值，分类结果为两类：目标区域和背景，网络最后使用Sigmoid 激活函数。
所述步骤3中，准备标注集，根据U-net网络输入格式设计标注集。标注好的数据中5/6用来做训练集和验证集，训练集和验证集的比例是9:1，其余数据作为测试集。将训练集在设计好的网络模型上训练，获得初始模型M。
所述步骤4中，把训练好的模型M应用到验证集上，通过有效学习损失函数衡量该网络模型预测的好坏。
有效学习损失函数的设计如下：
结合Focal因子和边界感知因子得到适用于占比不平衡且对边缘像素敏感的目标损失函数——有效学习损失函数，损失函数表示为：
其中fi(x)为像素i预测属于目标区域的概率，则取(1-fi(x))为表征难以程度的调节因子，此时使用(1-fi(x))r加权会增强训练误差在损失函数中的贡献， r为权值，大于0。wE是边界感知因子，给与边缘像素更多的关注以提高轮廓分割的精度。N是图像中像素的总个数。
在边界感知因子中，
和
是像素i的水平、垂直和对角线梯度。如果
的值大于阈值ξ，则将像素i作为边缘像素，Θ(*) 为指标函数，w0为权重值。
所述步骤5中，使用Adam自适应优化算法对有效学习损失函数进行最小化，并用反向传播的方式更新网络参数，不断优化网络分割模型，最后得到是分割结果达到最优的网络模型；
与已有技术相比，本发明有益效果在于：
1、本发明针对结直肠息肉前景区域和背景区域占比的不均匀以及边缘不规则问题，提出了新的损失函数—有效学习的损失函数，该损失函数借鉴了难例挖掘思想的目标函数，对样本训练误差加权处理，提升了难例的关注程度，同时结合边界因子提升边界像素的关注度提高了轮廓分割的精度。
2、本发明采用端到端的方法进行结直肠息肉分割，给模型更多根据结直肠 CT数据自动调节的空间，减少了人工干预，使得结直肠息肉分割更加自动化。
附图说明
结合附图，从下面对本发明实施例的详细描述，将更好地理解本发明，附图中类似的标号指示类似的部分，其中：
图1为本发明基于有效学习的端到端的结直肠息肉分割的流程图；
图2为图像尺寸归一化处理。
图3为利用标记文件生成的被标注图像的掩膜图。
具体实施方式
本发明所述的基于有效学习的端到端的结直肠息肉分割方法的具体实施采用端到端的网络模型做结直肠息肉分割的工具，其中特征提取过程和分类过程是一体的，不需要人工组合。用104例为确诊的结肠息肉患者的图像做模型训练数据，经过数据处理后的650张CT图像中545张图像按9:1的比例分成训练集(用于模型拟合)和测试集(用于调整模型的超参数和对模型的能力进行初步评估)，剩余的105张图像做测试集(用于评估模型的泛化能力)。
本实施例中：
步骤一中含有息肉的原始结直肠CT图像数据带有很多无关信息，息肉相对于整个CT图像来说所占比例过小。经过的观察和实践，息肉分割是一个局部性操作，仅仅是通过检测息肉周边的区域进行检测，因此，选取了以候选区域为中心的128x128像素的子图像，以下所有的操作都是基于子图像来完成，以减少计算时间和来自不相关组织的伪影，图2为图像尺寸归一化处理。然后翻转、旋转、对比度变换、噪音扰动对数据增强。
步骤二，选用的是U-Net网络结合完全连接的条件随机场递归神经网络的网络模型，在U-Net神经网络的收缩路径中，每一个3x3卷积后面跟随一个归一化层和一个修正线性单元(ReLU)，经过一个步长为2的2x2最大池化层到达下一个下采样模块，在每个下采样步骤中将特征通道数量加倍；扩张路径的每个阶段由一个特征图上采样和紧随的卷积模块构成，扩张路径中使用包含特征映射的上采样将特征通道数减半，每个2x2反卷积层与来自收缩路径的相应裁剪的特征映射相连接，将上下文信息传播到更高分辨率的层，来实现高低层次特征融合，进而实现特征像素级定位。U-Net网络网络结构之后连接迭代条件随机场(CRF)推断作为循环神经网络(RNN)的CrfRNNLayer层。
U-net+CRF-RNN网络搭建
步骤三：训练数据集需要含有格式化疾病标注信息，即需要准确的描绘出目标区域的轮廓并对其进行标记。选取了标注工具VGG Image Annotator(VIA)，标注结果导出json文件格式，其存储格式按照数据集的原始序列进行存储，方便和原始数据进行关联，利用以上标记文件生成的被标注图像的掩膜图，见图3。将训练集在设计好的网络模型上训练，获得初始模型M。
步骤四：把训练好的模型M应用到验证集上，利用有效学习损失函数增强对困难样本和边缘样本的关注度。有效学习损失函数的计算公式如下：
对于一个结直肠息肉区域的像素i，如果模型M对其的预测概率为0.96，那么它被判为目标区域且为简单样本，所以(1-0.96)的r次方就会特别小，这是损失函数就会很小，模型训练是就不会过多关注；如果模型预测概率为0.35，则 (1-0.35)的r次方就会很大，相应的样本损失值很大。对于背景区域而言同样，预测概率为0.2的结果比预测概率为0.8的结果的损失值小很多，这样下一次模型会更加关注难以区分的像素点，减少对多数类的学习。
可以理解的是，以上是为了阐述本发明的原理和可实施性的示例，本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
Claims (7)
1.基于有效学习的端到端的结直肠息肉分割方法，其特征在于，该方法包括以下步骤：
步骤1：对初始结直肠CT图像数据集进行数据预处理；
步骤2：根据选用的网络结构进行网络搭建；
步骤3：准备训练集，让数据预处理后的直肠CT图像数据集在搭建好的网络上进行训练，获得初始直肠CT图像分割模型；
步骤4：通过有效学习损失函数衡量直肠CT图像分割模型预测的好坏；
步骤5：使用最小化有效学习损失函数的方式不断优化网络分割模型，最后得到是分割结果达到最优的网络模型。
2.根据权利要求1所述的基于有效学习的端到端的结直肠息肉分割方法，其特征在于，所述步骤1中，对图像进行尺寸归一化处理，针对训练数据使用翻转、旋转、对比度增强、噪音扰动数据增强手段增加数据量。
3.根据权利要求1所述的基于有效学习的端到端的结直肠息肉分割方法，其特征在于，所述步骤2中，选用U-Net网络结合完全连接的条件随机场递归神经网络的网络模型用于结直肠息肉分割；把U-net和CRF-RNN结合在一起作为一整个深度网络进行训练，U-net输出每个的像素点属于每个类别的概率值，即标签分数图，把此标签分数图作为能量方程的一元势函数；把迭代条件随机场CRF推断作为循环神经网络RNN，在每次迭代中的平均场中使用高斯空间和双边滤波器作近似值，分类结果为两类：目标区域和背景，网络最后使用Sigmoid激活函数。
4.根据权利要求1所述的基于有效学习的端到端的结直肠息肉分割方法，其特征在于，所述步骤3中，准备标注集，根据U-net网络输入格式设计标注集；标注好的数据中5/6用来做训练集和验证集，训练集和验证集的比例是9:1，其余数据作为测试集；将训练集在设计好的网络模型上训练，获得初始模型M。
5.根据权利要求4所述的基于有效学习的端到端的结直肠息肉分割方法，其特征在于，所述步骤4中，把训练好的模型M应用到验证集上，通过有效学习损失函数衡量该网络模型预测的好坏。
6.根据权利要求5所述的基于有效学习的端到端的结直肠息肉分割方法，其特征在于，有效学习损失函数的设计如下：
结合Focal因子和边界感知因子得到适用于占比不平衡且对边缘像素敏感的目标损失函数——有效学习损失函数，损失函数表示为：
其中fi(x)为像素i预测属于目标区域的概率，则取(1-fi(x))为表征难以程度的调节因子，此时使用(1-fi(x))r加权会增强训练误差在损失函数中的贡献，r为权值，大于0；wE是边界感知因子，给与边缘像素更多的关注以提高轮廓分割的精度；N是图像中像素的总个数；
在边界感知因子中，
和
是像素i的水平、垂直和对角线梯度；如果
的值大于阈值ξ，则将像素i作为边缘像素，Θ(*)为指标函数，w0为权重值。
7.根据权利要求1所述的基于有效学习的端到端的结直肠息肉分割方法，其特征在于，所述步骤5中，使用Adam自适应优化算法对有效学习损失函数进行最小化，并用反向传播的方式更新网络参数，优化网络分割模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010389773.9A CN111784628B (zh) | 2020-05-11 | 2020-05-11 | 基于有效学习的端到端的结直肠息肉图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010389773.9A CN111784628B (zh) | 2020-05-11 | 2020-05-11 | 基于有效学习的端到端的结直肠息肉图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111784628A true CN111784628A (zh) | 2020-10-16 |
| CN111784628B CN111784628B (zh) | 2024-03-29 |
Family
ID=72753501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010389773.9A Active CN111784628B (zh) | 2020-05-11 | 2020-05-11 | 基于有效学习的端到端的结直肠息肉图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111784628B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112001921A (zh) * | 2020-10-30 | 2020-11-27 | 北京信诺卫康科技有限公司 | 一种基于病灶加权损失函数的新冠肺炎ct影像病灶分割图像处理方法 |
| CN112419269A (zh) * | 2020-11-23 | 2021-02-26 | 成都圭目机器人有限公司 | 一种提高道面病害分割效果的改进型Focal Loss函数的构建方法及应用 |
| CN112489061A (zh) * | 2020-12-09 | 2021-03-12 | 浙江工业大学 | 一种基于多尺度信息与并行注意力机制的深度学习肠道息肉分割方法 |
| CN112950651A (zh) * | 2021-02-02 | 2021-06-11 | 广州柏视医疗科技有限公司 | 基于深度学习网络的纵隔淋巴引流区的自动勾画方法 |
| CN113284146A (zh) * | 2021-07-23 | 2021-08-20 | 天津御锦人工智能医疗科技有限公司 | 结直肠息肉图像的识别方法、装置及存储介质 |
| CN113283434A (zh) * | 2021-04-13 | 2021-08-20 | 北京工业大学 | 一种基于分割网络优化的图像语义分割方法及系统 |
| CN113744229A (zh) * | 2021-08-27 | 2021-12-03 | 北京航空航天大学 | 一种基于cta图像的适用于不同分割模型的改进因子 |
| CN114359157A (zh) * | 2021-12-08 | 2022-04-15 | 南通大学 | 一种基于深度学习的结直肠息肉检测方法 |
| WO2023030426A1 (zh) * | 2021-09-02 | 2023-03-09 | 北京字节跳动网络技术有限公司 | 息肉识别方法、装置、介质及设备 |
| CN115880266A (zh) * | 2022-12-27 | 2023-03-31 | 深圳市大数据研究院 | 一种基于深度学习的肠道息肉检测系统和方法 |
| WO2023077809A1 (zh) * | 2021-11-05 | 2023-05-11 | 五邑大学 | 神经网络训练的方法、电子设备及计算机存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180260957A1 (en) * | 2017-03-08 | 2018-09-13 | Siemens Healthcare Gmbh | Automatic Liver Segmentation Using Adversarial Image-to-Image Network |
| CN109741347A (zh) * | 2018-12-30 | 2019-05-10 | 北京工业大学 | 一种基于卷积神经网络的迭代学习的图像分割方法 |
| CN109993735A (zh) * | 2019-03-29 | 2019-07-09 | 成都信息工程大学 | 基于级联卷积的图像分割方法 |
| CN110993064A (zh) * | 2019-11-05 | 2020-04-10 | 北京邮电大学 | 面向深度学习的医学影像标注方法及装置 |
-
2020
- 2020-05-11 CN CN202010389773.9A patent/CN111784628B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180260957A1 (en) * | 2017-03-08 | 2018-09-13 | Siemens Healthcare Gmbh | Automatic Liver Segmentation Using Adversarial Image-to-Image Network |
| CN109741347A (zh) * | 2018-12-30 | 2019-05-10 | 北京工业大学 | 一种基于卷积神经网络的迭代学习的图像分割方法 |
| CN109993735A (zh) * | 2019-03-29 | 2019-07-09 | 成都信息工程大学 | 基于级联卷积的图像分割方法 |
| CN110993064A (zh) * | 2019-11-05 | 2020-04-10 | 北京邮电大学 | 面向深度学习的医学影像标注方法及装置 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112001921A (zh) * | 2020-10-30 | 2020-11-27 | 北京信诺卫康科技有限公司 | 一种基于病灶加权损失函数的新冠肺炎ct影像病灶分割图像处理方法 |
| CN112419269B (zh) * | 2020-11-23 | 2023-05-26 | 成都圭目机器人有限公司 | 一种道面病害分割的方法 |
| CN112419269A (zh) * | 2020-11-23 | 2021-02-26 | 成都圭目机器人有限公司 | 一种提高道面病害分割效果的改进型Focal Loss函数的构建方法及应用 |
| CN112489061A (zh) * | 2020-12-09 | 2021-03-12 | 浙江工业大学 | 一种基于多尺度信息与并行注意力机制的深度学习肠道息肉分割方法 |
| CN112489061B (zh) * | 2020-12-09 | 2024-04-16 | 浙江工业大学 | 一种基于多尺度信息与并行注意力机制的深度学习肠道息肉分割方法 |
| CN112950651A (zh) * | 2021-02-02 | 2021-06-11 | 广州柏视医疗科技有限公司 | 基于深度学习网络的纵隔淋巴引流区的自动勾画方法 |
| CN113283434A (zh) * | 2021-04-13 | 2021-08-20 | 北京工业大学 | 一种基于分割网络优化的图像语义分割方法及系统 |
| CN113284146B (zh) * | 2021-07-23 | 2021-10-22 | 天津御锦人工智能医疗科技有限公司 | 结直肠息肉图像的识别方法、装置及存储介质 |
| CN113284146A (zh) * | 2021-07-23 | 2021-08-20 | 天津御锦人工智能医疗科技有限公司 | 结直肠息肉图像的识别方法、装置及存储介质 |
| CN113744229A (zh) * | 2021-08-27 | 2021-12-03 | 北京航空航天大学 | 一种基于cta图像的适用于不同分割模型的改进因子 |
| CN113744229B (zh) * | 2021-08-27 | 2024-02-23 | 北京航空航天大学 | 一种基于cta图像的适用于不同分割模型的改进因子 |
| WO2023030426A1 (zh) * | 2021-09-02 | 2023-03-09 | 北京字节跳动网络技术有限公司 | 息肉识别方法、装置、介质及设备 |
| WO2023077809A1 (zh) * | 2021-11-05 | 2023-05-11 | 五邑大学 | 神经网络训练的方法、电子设备及计算机存储介质 |
| CN114359157A (zh) * | 2021-12-08 | 2022-04-15 | 南通大学 | 一种基于深度学习的结直肠息肉检测方法 |
| CN115880266A (zh) * | 2022-12-27 | 2023-03-31 | 深圳市大数据研究院 | 一种基于深度学习的肠道息肉检测系统和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111784628B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111784628B (zh) | 基于有效学习的端到端的结直肠息肉图像分割方法 | |
| Huang et al. | Fast and fully-automated detection and segmentation of pulmonary nodules in thoracic CT scans using deep convolutional neural networks | |
| CN109191476B (zh) | 基于U-net网络结构的生物医学图像自动分割新方法 | |
| CN108268870B (zh) | 基于对抗学习的多尺度特征融合超声图像语义分割方法 | |
| CN110930416B (zh) | 一种基于u型网络的mri图像前列腺分割方法 | |
| CN110930397B (zh) | 一种磁共振图像分割方法、装置、终端设备及存储介质 | |
| CN112927255B (zh) | 一种基于上下文注意力策略的三维肝脏影像语义分割方法 | |
| CN110276745B (zh) | 一种基于生成对抗网络的病理图像检测算法 | |
| US11562491B2 (en) | Automatic pancreas CT segmentation method based on a saliency-aware densely connected dilated convolutional neural network | |
| CN111784671A (zh) | 基于多尺度深度学习的病理图像病灶区域检测方法 | |
| CN111105424A (zh) | 淋巴结自动勾画方法及装置 | |
| CN110689525B (zh) | 基于神经网络识别淋巴结的方法及装置 | |
| WO2021136368A1 (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
| CN112348082B (zh) | 深度学习模型构建方法、影像处理方法及可读存储介质 | |
| CN112862824A (zh) | 新型冠状病毒肺炎病灶检测方法、系统、装置和存储介质 | |
| CN113516659A (zh) | 一种基于深度学习的医学影像自动分割方法 | |
| Tan et al. | Analysis of segmentation of lung parenchyma based on deep learning methods | |
| CN111275686B (zh) | 用于人工神经网络训练的医学图像数据的生成方法及装置 | |
| CN112150476A (zh) | 基于时空判别性特征学习的冠状动脉序列血管分割方法 | |
| Cao et al. | Gastric cancer diagnosis with mask R-CNN | |
| Liu et al. | ECSD-Net: A joint optic disc and cup segmentation and glaucoma classification network based on unsupervised domain adaptation | |
| CN114998265A (zh) | 一种基于改进U-Net的肝脏肿瘤分割方法 | |
| CN114648806A (zh) | 一种多机制自适应的眼底图像分割方法 | |
| Yang et al. | RADCU-Net: Residual attention and dual-supervision cascaded U-Net for retinal blood vessel segmentation | |
| CN116542924A (zh) | 一种前列腺病灶区域检测方法、装置及存储介质 |
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 |