CN111815593B - 基于对抗学习的肺结节域适应分割方法、装置及存储介质 - Google Patents
基于对抗学习的肺结节域适应分割方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111815593B CN111815593B CN202010609079.3A CN202010609079A CN111815593B CN 111815593 B CN111815593 B CN 111815593B CN 202010609079 A CN202010609079 A CN 202010609079A CN 111815593 B CN111815593 B CN 111815593B
- Authority
- CN
- China
- Prior art keywords
- network model
- segmentation
- lung nodule
- domain
- 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
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 18
- 230000002685 pulmonary effect Effects 0.000 title claims description 3
- 206010056342 Pulmonary mass Diseases 0.000 claims abstract description 91
- 238000012549 training Methods 0.000 claims abstract description 63
- 230000015654 memory Effects 0.000 claims description 18
- 230000006978 adaptation Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003709 image segmentation Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 5
- 201000005202 lung cancer Diseases 0.000 description 5
- 208000020816 lung neoplasm Diseases 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 210000004072 lung Anatomy 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于对抗学习的肺结节域适应分割方法、装置及存储介质，属于图像分割技术领域，该方法对目标域网络模型进行了两次训练，第一训练采用的数据源是未标注肺结节的图像数据集，利用对抗训练的方式，基于Wasserstein距离对源域分割网络模型和目标域分割网络模型中的高级特征进行对齐；第二次训练采用的数据源是已标注肺结节的图像数据集，含有少量的肺结节图像，利用这部分图像，在第一次训练的基础之上，再对目标域分割网络模型进行辅助训练；经过两次训练，得到了精确的肺结节分割模型，能够实现待分割图像的精确分割，可靠性高，效果好。
Description
技术领域
本发明属于图像分割技术领域，具体涉及基于对抗学习的肺结节域适应分割方法、装置及存储介质。
背景技术
肺癌是全世界发病率和死亡率最高的恶行肿瘤之一，因此，及时进行肺癌的早期诊断和筛查，对保证患者的生命健康至关重要。肺结节是肺癌的早期表现形式，在肺癌的诊断中，需要医学影像科医生通过精确的肺结节数据进行判断。在肺部的CT图像上，肺结节通常多表现为直径小于3cm的局部病灶性以及类圆形的肺部阴影，病灶较小，需要根据医生的经验，对CT图像上的肺结节进行诊断，费时费力。
现有技术中，可以采用基于生成对抗网络实现目标域图像的无监督分割方法，实现CT图像上肺结节图像的分割，如图1所示，但是，该方法存在以下不足：
一，该无监督分割方法只能学习到两个域(源域和目标域)中相似的特征，在两个域相差较大时，如采集的图像亮度差异，分辨率差异以及采集设备差异等，训练完成的分割网络模型对目标域中特定特征的提取能力较弱，图像分割效果较差，分割精度较低。
二，生成对抗网络需要生成器和鉴别器达到纳什平衡，在训练过程中会出现训练不稳定的问题，导致肺结节图像的分割精确降低。
发明内容
本发明的目的是提供一种基于对抗学习的肺结节域适应分割方法，用于解决现有方法的肺结节图像分割效果差的问题；本发明提出一种基于对抗学习的肺结节域适应分割装置，以解决现有方法的肺结节图像分割效果差的问题；同时，本发明还提出了一种计算机可读存储介质，用于解决上述问题。
基于上述目的，一种基于对抗学习的肺结节域适应分割方法的技术方案如下：
获取待分割图像，将该待分割图像输入肺结节分割模型中，得到分割后的肺结节图像；所述肺结节分割模型的确定步骤如下：
(1)获取肺结节图像的公共数据集，作为源域数据集，利用该源域数据集训练源域分割网络模型，训练完成后得到源域分割网络模型的参数；
(2)获取未标注肺结节的图像数据集，作为目标域数据集，将该目标域数据集输入至预设的目标域分割网络模型，将所述目标域数据集输入至源域分割网络模型，利用对抗训练的方式，基于Wasserstein距离对源域分割网络模型和目标域分割网络模型中的高级特征进行对齐，确定目标域分割网络模型中的参数；所述高级特征包括结构特征和空间特征；
(3)获取已标注肺结节的图像数据集，利用该图像数据集对目标域分割网络模型进行辅助训练，更新目标域分割网络模型中的参数，得到肺结节分割模型。
一种基于对抗学习的肺结节域适应分割装置的技术方案如下：
包括存储器和处理器，以及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器与所述存储器相耦合，所述处理器执行所述计算机程序时实现上述的肺结节域适应分割方法。
上述两个技术方案的有益效果是：
本发明的肺结节域适应分割方法及装置，对目标域网络模型进行了两次训练，第一训练采用的数据源是未标注肺结节的图像数据集，利用对抗训练的方式，基于Wasserstein距离对源域分割网络模型和目标域分割网络模型中的高级特征进行对齐；第二次训练采用的数据源是已标注肺结节的图像数据集，含有少量的肺结节图像，利用这部分图像，在第一次训练的基础之上，再对目标域分割网络模型进行辅助训练；前述两次训练过程，相当于在进行第一次无监督式的训练之后，再进行一次有监督式训练，经过此两次训练，得到了精确的肺结节分割模型，能够实现待分割图像的精确分割，相对于现有技术，本发明的方法能够大大增强该肺结节分割模型对待分割图像中肺结节特征的提取能力，可靠性高，效果好。
进一步的，为了提高目标域网络模型的第一次训练速度，步骤(2)中，在进行对抗训练前，将目标域分割网络模型的初始参数设置为源域分割网络模型的参数。
进一步的，所述源域分割网络模型和目标域分割网络模型均采用U-net基础模型。
进一步的，为了保证模型训练效果，还包括：将所述公共数据集、未标注肺结节的图像数据集和已标注肺结节的图像数据集中的图像大小转为统一规格。
基于上述目的，一种计算机可读存储介质的技术方案如下：
所述存储介质存储有计算机程序，所述计算机程序用于执行所述的肺结节域适应分割方法。
附图说明
图1是现有技术中无监督分割方法采用的生成对抗网络实现目标域图像分割的示意图；
图2是本发明方法实施例中的肺结节域适应分割方法流程图；
图3是本发明方法实施例中的用于构建源域网络模型和目标域网络模型采用的U-net基础模型图；
图4是本发明方法实施例中的实现目标域图像分割的示意图；
图5是装置实施例中的肺结节域适应分割装置示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的说明。
方法实施例：
本实施例提出一种基于对抗学习的肺结节域适应分割方法，该方法的基本原理是，首先采用肺结节图像的公共数据集训练源域分割网络模型，确定源域分割网络模型的参数；然后将图像中未标注肺结节的训练数据集分别作为源域分割网络模型和目标域分割网络模型的输入，利用对抗训练的方式，对源域分割网络模型和目标域分割网络模型中的高级特征进行对齐，确定目标域分割网络模型中的参数；最后，利用已标注有肺结节的图像，对目标域分割网络模型进行辅助训练，更新目标域分割网络模型中的参数，得到优化的目标域分割网络模型(即肺结节分割模型)。利用该肺结节分割模型能够实现待分割图像的精确肺结节分割。
下面，具体阐述实现上述肺结节域适应分割方法的步骤：
步骤S10，获取含有肺结节的肺部图像，作为待分割图像；
步骤S20，将待分割图像输入至肺结节分割模型中，能够得到分割后的肺结节图像。本步骤中，肺结节分割模型是通过两次训练确定的。
下面介绍肺结节分割模型的具体训练方法，整体流程如图2所示：
(1)数据获取及数据处理：
本实施例中需要用到的数据集由以下三部分组成：
第一部分是肺结节图像的公共数据集，为现有技术中公开的图像数据集，其中每一张肺结节图像中均标注有肺结节，此公共数据集用于作为源域数据集；
第二部分是通过采集得到的图像数据集，其中每一张肺结节图像均未标注肺结节，此部分数据集用于作为目标域数据集；
第三部分是通过采集得到的少量图像数据集，在每一张肺结节图像中标出肺结节，此部分数据集用于作为辅助训练数据集。
获取上述三部分的数据集后，需要对所有数据集中的肺结节图像进行统一处理，将所有图像的大小转为统一规格，用于进行接下来的网络模型训练。
(2)源域网络模型的训练：
具体而言，首先构建源域网络模型，包括特征编码器和特征解码器，其中，编码器和解码器中均包含卷积块，每个卷积块包含有卷积层和卷积核，编码器中还包含有池化层，用于输出全局特征；解码器中还包含有上采样层，用于输出分割结果。本步骤中，构建如图3所示的U-net基础模型，作为源域网络模型。
然后，获取步骤(1)中的源域数据集，利用该源域数据集对构建的源域网络模型进行训练，并在训练完成后保存网络参数，训练后得到的网络参数包括编码器的参数和解码器的参数。
(3)目标域网络模型的第一次训练：
具体的，本步骤中的目标网络模型包括特征编码器和特征解码器，结构与源域网络模型的结构相同，仍采用图3所示的U-net基础模型(深度学习神经网络模型)。
下面介绍目标域网络模型的第一次训练过程：
步骤A10，确定目标网络模型和特征判别器的初始参数(即初始权重)，具体的，将步骤(2)中得到的网络参数作为目标域网络模型的初始参数，达到加快本次训练的收敛速度；而特征判别器的初始参数通过设定即可。
步骤A20，将目标域数据集输入源域网络模型的特征编码器，提取图像的特征；将目标域数据集输入目标网络模型的特征编码器，提取图像的特征；然后将两个网络中特征编码器输出的特征代入设定的特征鉴别器，利用特征生成器(即目标网络模型)与特征鉴别器对抗训练的方式，基于W距离(Wasserstein距离)对目标域和源域中的高级特征(即结构特征和/或空间特征)进行对齐，如图4所示。图4中，源域图像X为源域数据集中的图像，目标域图像Y1为目标域数据集中的图像，Lseg为训练源域分割网络的损失函数，Ladv为对抗训练阶段的损失函数。其中，训练源域分割网络的损失函数的计算式如下：
上式中，y为源域标签图像中每个像素的像素值；为源域分割图像中每个像素的像素值。
上述的对抗训练阶段的损失函数Ladv包含两部分，训练鉴别器的损失函数Ld，以及训练目标域分割网络的损失函数Lg；具体的，Ld和Lg的表达式分别如下：
Lg＝Exq(x)[D(x)] (3)
上式中，Exp(x)[D(x)]为源域分割网络提取出来的特征在鉴别器中的得分值；Exq(x)[D(x)]为目标域分割网络提取出来的特征在鉴别器中的得分值；表示梯度惩罚。
本步骤中，通过特征匹配的损失来更新目标网络模型和特征鉴别器的初始参数，具体更新过程如下：
1)将源域网络模型输出的肺结节图像和目标域网络模型输出的伪肺结节图像，输入到特征鉴别器中，输出第一得分，通过Wasserstein距离的损失函数，计算出一个损失值，作为第一损失值；
2)将目标域网络模型的参数固定的基础上，利用第一损失值通过方向传播更新特征判别器的参数；
3)将伪肺结节图像输入已经训练一轮后的特征判别器中，输出第二得分，通过Wasserstein距离的损失函数，计算出一个损失值，作为第二损失值；
4)在特征判别器的参数固定的基础上，使用第二损失值通过方向传播更新目标域网络模型的参数。
重复上述步骤，直到上面的第一损失值和第二损失值相等或近似相等，达到纳什平衡，从确定出目标域网络模型和特征判别器的最终参数，并更新该参数。
步骤A30，目标网络模型的参数更新完之后，使目标网络模型中的编码器学习到了源域和目标域的共同特征，并且使源域的特征迁移向目标域，从而得到肺结节分割模型。
(4)目标域网络模型的第二次训练：
利用步骤(1)获取的辅助训练数据集，即标注有肺结节的图像数据集，对步骤(3)中确定的目标域网络模型进行辅助训练，继续更新目标域网络模型的参数，训练完成后，得到优化的肺结节检测模型，如图4所示。图4中，目标域图像Y2为辅助训练数据集中的图像，Ly为辅助训练目标域分割网路的损失函数，表达式如下：
上式中，ya为目标域标签图像中每个像素的像素值；为目标域分割图像中每个像素的像素值。
本实施例中的肺结节域适应分割方法，具有以下优点：
一，在目标域网络模型进行第一次训练过程中，采用高级特征空间对齐的方式，对肺结节进行跨域分割。由于分割网络模型中编码器的浅层次特征为低级特征，如灰度值、亮度、分辨率以及纹理等特征，深层次特征为高级特征，例如结构和空间特征。而对于不同的数据集，主要差别在于低级特征的差异性，而在结构和空间特征上相似性较高，因此，基于此考虑，采用对齐深层次特征(即高级特征)的方式，进行对抗迁移学习，实现肺结节特征的转移，以确定目标域网络模型的参数。
并且，在第一次训练过程中，以Wasserstein距离作为深度特征空间之间差距的评价方式，减少了对抗学习过程中产生的模式崩溃问题。
二，需要少量标注有肺结节的图像，作为辅助训练目标域网络模型的数据集，利用此数据集对目标域分割网络模型进行辅助训练，由于此辅助训练为监督式训练，在进行第一次无监督式的训练之后，再进行一次有监督式训练，能够大大增强该肺结节分割模型对待分割图像中肺结节特征的提取能力，从而进一步提高了肺结节图像的分割精度。
本实施例中，为了加快目标域网络模型进行第一次训练的收敛速度，将源域网络模型中得到的网络参数作为目标域网络模型的初始参数，作为其他实施方式，若不考虑收敛速度问题，还可以设定目标域网络模型的初始参数。
本实施例中，并不唯一限定肺结节分割模型的具体训练方法中的步骤执行先后顺序，作为其他实施方式，还可以先构建源域网络模型和目标域网络模型，后准备和处理需要的训练数据；或者同时进行网络模型的构建和数据的准备，在相应网络模型构建完毕，且相关数据准备完毕后，即可进行相应的数据训练。
本实施例中，源域分割网络模型和目标域分割网络模型均采用U-net基础模型，作为其他实施方式，还可以采用现有技术中改进的U-net模型。
装置实施例：
本实施例提供了一种基于对抗学习的肺结节域适应分割装置，包括存储器和处理器，以及存储在存储器上并在处理器上运行的计算机程序，处理器与存储器相耦合，处理器用于运行存储在存储器中的程序指令，以实现方法实施例中的基于对抗学习的肺结节域适应分割方法，由于该方法在方法实例中的记载已经足够清楚、完整，本实施例不再赘述。
也就是说，以上方法实施例中的方法应理解可由计算机程序指令实现肺结节域适应分割方法的流程。可提供这些计算机程序指令到处理器(如通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备等)，使得通过处理器执行这些指令产生用于实现上述方法流程所指定的功能。
具体的，如图5所示的肺结节域适应分割装置，该肺结节域适应分割装置可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processingunits，CPU)和存储器，一个或一个以上存储应用程序或数据的存储介质。其中，存储器和存储介质可以是短暂存储或持久存储。存储在存储介质的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，处理器可以设置为与存储介质通信，在肺结节域适应分割装置上执行存储介质中的一系列指令操作。
本实施例的肺结节域适应分割装置，还可以包括一个或一个以上电源，一个或一个以上有线或无线网络接口，用于传输需要的图像数据；一个或一个以上输入输出接口，其中输入接口用于获取需要的图像数据；一个或一个以上操作系统。例如，WindowsServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM等。
本实施例所指的处理器是指微处理器MCU或可编程逻辑器件FPGA等的处理装置。
本实施例所指的存储器包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。例如：利用电能方式存储信息的各式存储器，RAM、ROM等；利用磁能方式存储信息的各式存储器，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的各式存储器，CD或DVD。当然，还有其他方式的存储器，例如量子存储器、石墨烯存储器等等。
作为其他实施方式，本实施例的肺结节域适应分割装置还包括显示器，显示器用于显示各分割后的肺结节图像。
存储介质实施例：
本实施例提出一种计算机可读存储介质，该存储介质存储有计算机程序，该计算机程序用于执行方法实施例中的肺结节域适应分割方法，由于该方法在方法实例中的记载已经足够清楚、完整，本实施例不再赘述。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (5)
1.一种基于对抗学习的肺结节域适应分割方法，其特征在于，包括以下步骤：
获取待分割图像，将该待分割图像输入肺结节分割模型中，得到分割后的肺结节图像；所述肺结节分割模型的确定步骤如下：
(1)获取肺结节图像的公共数据集，作为源域数据集，利用该源域数据集训练源域分割网络模型，训练完成后得到源域分割网络模型的参数；
(2)获取未标注肺结节的图像数据集，作为目标域数据集，将该目标域数据集输入至预设的目标域分割网络模型，将所述目标域数据集输入至源域分割网络模型，利用对抗训练的方式，基于Wasserstein距离对源域分割网络模型和目标域分割网络模型中的高级特征进行对齐，确定目标域分割网络模型中的参数；所述高级特征包括结构特征和空间特征；步骤(2)中，在进行对抗训练前，将目标域分割网络模型的初始参数设置为源域分割网络模型的参数；
(3)获取已标注肺结节的图像数据集，利用该图像数据集对目标域分割网络模型进行辅助训练，更新目标域分割网络模型中的参数，得到肺结节分割模型。
2.根据权利要求1所述的基于对抗学习的肺结节域适应分割方法，其特征在于，所述源域分割网络模型和目标域分割网络模型均采用U-net基础模型。
3.根据权利要求1所述的基于对抗学习的肺结节域适应分割方法，其特征在于，还包括：将所述公共数据集、未标注肺结节的图像数据集和已标注肺结节的图像数据集中的图像大小转为统一规格。
4.一种基于对抗学习的肺结节域适应分割装置，包括存储器和处理器，以及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器与所述存储器相耦合，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-3任一项所述的肺结节域适应分割方法。
5.一种计算机可读存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序用于执行如权利要求1-3任一项所述的肺结节域适应分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010609079.3A CN111815593B (zh) | 2020-06-29 | 2020-06-29 | 基于对抗学习的肺结节域适应分割方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010609079.3A CN111815593B (zh) | 2020-06-29 | 2020-06-29 | 基于对抗学习的肺结节域适应分割方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111815593A CN111815593A (zh) | 2020-10-23 |
| CN111815593B true CN111815593B (zh) | 2024-03-01 |
Family
ID=72856648
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010609079.3A Active CN111815593B (zh) | 2020-06-29 | 2020-06-29 | 基于对抗学习的肺结节域适应分割方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111815593B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112419326B (zh) * | 2020-12-02 | 2023-05-23 | 腾讯科技（深圳）有限公司 | 图像分割数据处理方法、装置、设备及存储介质 |
| CN112927220A (zh) * | 2021-03-25 | 2021-06-08 | 郑州大学 | 基于对抗学习的绝缘子故障检测方法、装置及终端设备 |
| CN113205528B (zh) * | 2021-04-02 | 2023-07-07 | 上海慧虎信息科技有限公司 | 医学影像分割模型训练方法、分割方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110322446A (zh) * | 2019-07-01 | 2019-10-11 | 华中科技大学 | 一种基于相似性空间对齐的域自适应语义分割方法 |
| CN111199550A (zh) * | 2020-04-09 | 2020-05-26 | 腾讯科技（深圳）有限公司 | 图像分割网络的训练方法、分割方法、装置和存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108446730B (zh) * | 2018-03-16 | 2021-05-28 | 推想医疗科技股份有限公司 | 一种基于深度学习的ct肺结节检测装置 |
| US10915792B2 (en) * | 2018-09-06 | 2021-02-09 | Nec Corporation | Domain adaptation for instance detection and segmentation |
-
2020
- 2020-06-29 CN CN202010609079.3A patent/CN111815593B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110322446A (zh) * | 2019-07-01 | 2019-10-11 | 华中科技大学 | 一种基于相似性空间对齐的域自适应语义分割方法 |
| CN111199550A (zh) * | 2020-04-09 | 2020-05-26 | 腾讯科技（深圳）有限公司 | 图像分割网络的训练方法、分割方法、装置和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 徐峰 ; 郑斌 ; 郭进祥 ; 刘立波 ; .基于U-Net的结节分割方法.软件导刊.2018,(08),全文. * |
| 贾颖霞 ; 郎丛妍 ; 冯松鹤 ; .基于类别相关的领域自适应交通图像语义分割方法.计算机研究与发展.2020,(04),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111815593A (zh) | 2020-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109242844B (zh) | 基于深度学习的胰腺癌肿瘤自动识别系统、计算机设备、存储介质 | |
| CN110047056B (zh) | 用深度图像到图像网络和对抗网络的跨域图像分析和合成 | |
| CN111815593B (zh) | 基于对抗学习的肺结节域适应分割方法、装置及存储介质 | |
| WO2020215984A1 (zh) | 基于深度学习的医学图像检测方法及相关设备 | |
| CN108596882B (zh) | 病理图片的识别方法及装置 | |
| CN108062753B (zh) | 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法 | |
| CN111476805B (zh) | 一种基于多重约束的跨源无监督域适应分割模型 | |
| CN109377520B (zh) | 基于半监督循环gan的心脏图像配准系统及方法 | |
| AU2015221826B2 (en) | System and method for auto-contouring in adaptive radiotherapy | |
| CN107481252A (zh) | 医学图像的分割方法、装置、介质和电子设备 | |
| US8861891B2 (en) | Hierarchical atlas-based segmentation | |
| CN112614169B (zh) | 基于深度学习网络的2d/3d脊椎ct层级配准方法 | |
| CN106327479B (zh) | 血管造影中介下先心病术中血管辨识的装置及方法 | |
| CN110136135B (zh) | 分割方法、装置、设备以及存储介质 | |
| CN111242956A (zh) | 基于U-Net超声胎心和胎肺深度学习联合分割方法 | |
| CN110751651A (zh) | 基于多尺度迁移学习的mri胰腺图像分割方法 | |
| CN116309571B (zh) | 一种基于半监督学习的三维脑血管分割方法和装置 | |
| TW202347180A (zh) | 影像處理模型的訓練方法 | |
| CN111242953A (zh) | 一种基于条件生成对抗网络的mr图像分割方法及装置 | |
| WO2023092959A1 (zh) | 图像分割方法及其模型的训练方法及相关装置、电子设备 | |
| CN112164447B (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN114283110A (zh) | 用于医学图像的图像处理方法、装置、设备及存储介质 | |
| CN117437420A (zh) | 一种跨模态医学影像分割方法及系统 | |
| CN116469103A (zh) | 一种医学图像分割数据自动标注的方法 | |
| CN114758130B (zh) | 图像处理及模型训练方法、装置、设备和存储介质 |
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 |