CN111868781A - 一种按照3d医学图像的几何形状通过多个神经网络经由结构化卷积来自动分割3d医学图像的处理 - Google Patents
一种按照3d医学图像的几何形状通过多个神经网络经由结构化卷积来自动分割3d医学图像的处理 Download PDFInfo
- Publication number
- CN111868781A CN111868781A CN201980013054.2A CN201980013054A CN111868781A CN 111868781 A CN111868781 A CN 111868781A CN 201980013054 A CN201980013054 A CN 201980013054A CN 111868781 A CN111868781 A CN 111868781A
- Authority
- CN
- China
- Prior art keywords
- different
- image
- cnns
- cnn
- voxels
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 title claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 86
- 230000011218 segmentation Effects 0.000 claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 230000001575 pathological effect Effects 0.000 claims abstract description 19
- 238000003709 image segmentation Methods 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000001994 activation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- 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
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/08—Volume rendering
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及一种自动分割在由体素组成的对象的3D医学图像中可见的特征的自动分割方法，所述特征比如是解剖和病理结构或器械。所述方法的特征在于包括提供全局软件装置或布置，所述全局软件装置或布置组合N个不同的卷积神经网络(CNN)，N≥2，并且具有与图像体积的结构化几何形状或架构相适应和可比较的结构化几何形状或架构，和按照N个不同的重建轴线或平面分析形成3D图像的所述体积的体素，每个CNN被分配给属于一个轴线或平面的体素的分析。
Description
技术领域
本发明涉及数据处理领域，更具体地，涉及图像的处理和分析，尤其是医学图像的分割，并且涉及按照3D医学图像的几何形状(geometry)或结构，通过一个或多个神经网络经由结构化卷积来自动分割3D医学图像的处理。
背景技术
从医学成像设备形成的三维图像，比如扫描仪、MRI、超声、CT或SPEC类图像由一组体素组成，体素是3D图像的基本单元。体素是像素的3D延伸，而像素是2D图像的基本单元。每个体素与可被认为是2D函数F(x,y)或3D函数F(x,y,z)的结果的灰度或密度关联，其中x、y和z表示空间坐标(参见图1)。
在3D图像中，可以按照不同的轴线或平面来以2D查看体素。医学图像中的3个主要轴线或平面是轴向、矢状和额状轴线或平面(参见图2)。然而，利用不同的角度可以创建无限数量的轴线或平面。
通常，2D或3D医学图像包含临床医生必须进行描述以便评估情况并确定和计划其治疗策略的一组解剖和病理结构(器官、骨骼、组织、…)或人造元件(支架、植入物、器械、…)。在这方面，在图像中必须识别器官和病理，这意味标记(例如着色)2D图像的每个像素或者3D图像的每个体素。该处理被称为分割。
例如，图3表示按照横向视图的3D医学图像分割的各个阶段。
有许多已知的方法来进行分割，特别是利用算法尤其是AI算法的自动方法。
在这种情况下，现有技术中使用了神经网络的众多变种，所有的都基于标准的非特定架构，造成全局性不适当的资源浪费以及效率和准确性的缺乏。
发明内容
本发明的主要目的是提出一种旨在克服上述限制的新方法以及新系统。
因此，本发明涉及一种自动分割在由体素组成的对象的3D医学图像中可见的特征的自动分割方法，所述特征比如是解剖和病理结构或器械，
所述方法的特征在于包括：
提供全局软件装置或布置，所述全局软件装置或布置组合N个不同的卷积神经网络CNN，N≥2，并且具有与图像体积的结构化几何形状或架构相适应和可比较的结构化几何形状或架构，和
按照N个不同的重建轴线或平面分析形成3D图像的所述体积的体素，每个CNN被分配给属于一个轴线或平面的体素的分析。
附图说明
利用以下说明将更好地理解本发明，以下说明涉及作为非限制性例子给出的并且参考附图说明的一些优选实施例，附图中：
-图4是按照本发明的第一实施例，整合3D图像的不同分析轴线或平面的独特的全局CNN算法的示意和符号表示，特定的CNN被分配给每个轴线或平面；
-图5是本发明的再一个实施例的示意和符号表示，表示CNN的串行或顺序布置；
-图6是本发明的另一个实施例的示意和符号表示，表示CNN的并行布置；和
-图7和8是包括CNN的并行布置的本发明的其他实施例的示意和符号表示。
具体实施方式
附图中的图4-8中所示的是在由体素组成的对象的3D医学图像中可见的特征(比如解剖和病理结构或器械之类)的自动分割方法。
按照本发明，所述方法包括提供全局软件装置或布置，所述软件置或布置组合N个不同的卷积神经网络(Convolutional Neural Networks,CNN)，N≥2，并且具有与图像体积的结构化几何形状或架构相适应和可比较的结构化几何形状或架构，以及按照N个不同的重建轴线或平面，分析形成3D图像的所述体积的体素，每个CNN被分配给属于一个轴线或平面的体素的分析。
因此，本发明提供考虑到医学图像的几何形状、结构和内容的多个CNN的结构化组织和协同工作。
按照3D图像体积的N个不同重建轴线或平面组合N个不同的CNN(N≥2，优选N≥3)的这种特定的复合计算系统(可能被集合在单一框架中)允许将用于分析和分割2D图像的已知CNN的使用扩展到3D图像。
通常，可以在本发明的方法和系统内使用的已知CNN算法是“U-Net”(例如参见：“U-Net:Convolutional Networks for Biomedical Image Segmentation”；O.Ronneberger等；MICCAI 2015,Part III,LNCS 3951,pp 234-‘’241,Springer IPS)。
“U-Net”可以结合其他已知的架构，比如“ResNet”或“DenseNet”之类实现。
有利的是，如同样在图4-8中所示，本发明的方法可以包括对3D图像的N个重建平面中的每一个，借助提供的N个CNN之中的专用CNNi来分析并分割由给定平面的体素形成的2D图像，所述CNN是类似于3D图像体积构成的，以及组合由所述不同的CNN进行的所述N个分析的中间或最终结果。
通过分割3D图像体积以便分析，并通过将这些部分分析的结果合并(组合)成单一的3D图像分割，本发明允许以有限的资源实现复杂的分割过程，并快速提供准确且以某种方式交叉检查过的结果。
通过以下操作，可以进行N个分析和分割的结果的组合或合并：
-对于每个体素，组合N个网络的中间激活(参见图4-所谓的“特征组合”)。所得合并信息随后作为输入数据被全局CNN接收，所述全局CNN提供图像的最终分割；
-组合N个不同CNN的退出信息(参见图7和8-后期(late)融合或合并)，例如，通过分类器的(加权)求和、乘法或者本领域的技术人员已知的其他适应的预测集成操作。
按照图4中所示的本发明的第一实施例，所述方法可包括提供单一神经网络，所述单一神经网络在其结构中整合N个不同的CNN，所述N个不同的CNN有利地是并行工作的，所述N个不同的CNN自动分割在3D医学图像中可见的解剖和病理结构或器械，每个CNN按照不同的重建平面或轴线分析形成所述3D图像的体积的所有体素，以及在具有结构化几何形状的所述神经网络的最终结构中，通过卷积组合不同的2D分析和分割的结果。
这种情况下，如此形成的单一元CNN的非常内部的结构整合3D轴图像分析，以及由不同的2D分析和分割产生的信息的组合。
当然，这样的多重并行2D处理连同这些处理的结果的组合也可通过没有整合在单一框架中的N个独立CNN的并行布置来管理(图6)。
按照图5中所示的本发明的第二备选实施例，所述方法还可包括进行N个顺序的操作步骤或图像处理步骤，其中每个步骤由自动分割在3D医学图像中可见的解剖和病理结构或器械的CNN进行，所述CNN中的每个CNNi按照用于N个不同的CNN中的每一个的特定重建平面，通过使用由序列中的前一个网络CNNi-1(当它存在时)所提供的结果，分析形成3D图像的体积的所有体素。
这种情况下，CNN 2D顺序处理方案被整合到算法框架的全局架构中，或者被整合到CNN布置的结构化几何形状中，该序列的信息的最终组合因此被固有地整合在所述框架或布置的结构中。
关于图6-8中所示的本发明的优选实施例，分割方法主要包括两个连续的操作步骤的组合，第一步骤包括进行N个分割，每个分割是按照N个不同的重建轴线或平面中的一个进行的，并且第二步骤包括将这N个分割的结果组合成在3D医学图像中可见的解剖和病理结构或器械的单一分割。
有利的是，第一个操作步骤由并行或者顺序地工作的N个不同CNN进行，其中这些CNN中的每个CNN都独立于其他CNN自动分割在3D医学图像中可见的解剖和病理结构或器械，每个CNN按照用于N个不同的CNN中的每一个的不同重建平面来分析形成3D图像的体积的所有体素。
按照图7中所示的本发明的第一备选实现，专用于将第一步骤的N个分割的结果组合成在3D医学图像中可见的解剖和病理结构或器械的单一分割的第二操作步骤是通过向图像体积的每个体素分配标记(label)进行的，所述标记对应于在第一步骤的N个分割期间，分配给同一个体素的N个标记的组合。
按照图8中所示的本发明的第二备选实现，专用于将第一步骤的N个分割的结果组合成在3D医学图像中可见的解剖和病理结构或器械的单一分割的第二操作步骤是通过向图像体积的每个体素分配标记进行的，所述标记对应于在第一步骤的N个分割期间，分配给同一个体素以及分配给该体素的一个或多个邻近体素的N个标记的组合。
在3D图像体积中，给定体素的邻近体素可涉及三组不同的体素，即(如图8中所示)：
-面对面接触所涉及的体素的一组6个体素；
-面对面或边对边接触所涉及的体素的一组18个体素；
-包括上述一组18个体素以及与所涉及的体素的角尖单点接触的8个附加体素。
如图4-8中图解所示，(在实现本发明的方法时使用的)N个重建平面优选地包括矢状平面2和额状或冠状平面3，以及垂直于横向平面或轴向平面1、包含矢状平面和冠状平面的相交线并且绕所述相交线向这些平面进行角度移动(shift)的至少一个其他平面。
除了上述以外或者作为上述的替代，N个重建平面还可包括：
-平行于矢状平面2或者冠状平面3的平面，和/或
-多个相互平行的轴向平面1。
如图4-8中象征性所示，本发明还包括用于进行如上所述的自动分割方法的系统。
所述系统的特征在于它包括至少一个计算机设备，所述至少一个计算机设备以结构化布置的方式托管N个不同的卷积神经网络(CNNi)，并且以串行或并行组织的方式允许所述N个不同的卷积神经网络(CNNi)协同工作，其中N≥2，每个CNNi被调整和配置成通过按照N个不同的重建轴线或平面分析形成3D图像的所述体积的体素，来自动并且独立于其他CNN地进行在待处理的3D医学图像中可见的解剖和病理结构或器械的分割，每个CNN被分配给属于一个轴线或平面的体素的分析。
优选地，所述系统还包括组合并可能显示由所述N个不同的CNN进行的分析和分割的结果的装置。
按照第一备选方案，N个不同的CNN可以按如下方式布置成串行架构(图5)：所述N个不同的CNN中的每个CNNi按照用于所述N个不同的CNN中的每一个的特定重建平面分析形成3D图像的体积的所有体素，并使用由前一个网络CNNi-1(当它存在时)所提供的结果。
按照第二备选方案，N个不同的CNN可以布置成并行架构，可在单一算法框架内，所述N个不同的CNN的结果在最后阶段被组合(图4、6和8)。
当然，本发明并不限于附图中描述和表示的至少一个实施例。各种修改仍然是可能的，特别是从各要素的组成的视角来看，或者通过技术等同物的替代，而不超出本发明的保护范围。
Claims (15)
1.一种自动分割在由体素组成的对象的3D医学图像中可见的特征的自动分割方法，所述特征比如是解剖和病理结构或器械，
所述方法的特征在于包括：
提供全局软件装置或布置，所述全局软件装置或布置组合N个不同的卷积神经网络CNN，N≥2，并且具有与图像体积的结构化几何形状或架构相适应和可比较的结构化几何形状或架构，和
按照N个不同的重建轴线或平面分析形成3D图像的所述体积的体素，每个CNN被分配给属于一个轴线或平面的体素的分析。
2.按照权利要求1所述的自动分割方法，其特征在于包括对3D图像的N个重建平面中的每一个，借助提供的N个CNN之中的专用CNNi，分析并分割由给定平面的体素形成的2D图像，所述CNN是类似于3D图像体积构成的，和组合由所述不同的CNN进行的所述N个分析的中间或最终结果。
3.按照权利要求1或2所述的自动分割方法，其特征在于包括提供单一神经网络，所述单一神经网络在其结构中整合有N个不同的CNN，所述N个不同的CNN有利地是并行工作的，所述N个不同的CNN自动分割在3D医学图像中可见的解剖和病理结构或器械，每个CNN按照不同的重建平面或轴线来分析形成所述3D图像的体积的所有体素，和在具有结构化几何形状的所述神经网络的最终结构中，通过卷积组合不同的2D分析和分割的结果。
4.按照权利要求1或2所述的自动分割方法，其特征在于包括进行N个顺序的操作步骤或图像处理步骤，其中每个步骤由自动分割在3D医学图像中可见的解剖和病理结构或器械的CNN进行，所述CNN中的每个CNNi按照用于N个不同的CNN中的每一个的特定重建平面并通过使用由序列中如果存在的前一个网络CNNi-1所提供的结果，来分析形成3D图像的体积的所有体素。
5.按照权利要求1-4任意之一所述的自动分割方法，其特征在于所述方法主要包括两个连续的操作步骤的组合，第一步骤包括进行N个分割，每个分割是按照N个不同的重建轴线或平面中的一个进行的，并且第二步骤包括将这N个分割的结果组合成在3D医学图像中可见的解剖和病理结构或器械的单一分割。
6.按照权利要求5所述的自动分割方法，其特征在于第一操作步骤由并行或者顺序地工作的N个不同CNN进行，其中这些CNN中的每个CNN都独立于其他CNN地自动分割在3D医学图像中可见的解剖和病理结构或器械，每个CNN按照用于N个不同的CNN中的每一个的不同重建平面来分析形成3D图像的体积的所有体素。
7.按照权利要求5或6所述的自动分割方法，其特征在于专用于将第一步骤的N个分割的结果组合成在3D医学图像中可见的解剖和病理结构或器械的单一分割的第二操作步骤是通过向图像体积的每个体素分配标记进行的，所述标记对应于在第一步骤的N个分割期间分配给同一个体素的N个标记的组合。
8.按照权利要求5或6所述的自动分割方法，其特征在于专用于将第一步骤的N个分割的结果组合成在3D医学图像中可见的解剖和病理结构或器械的单一分割的第二操作步骤是通过向图像体积的每个体素分配标记进行的，所述标记对应于在第一步骤的N个分割期间分配给同一个体素以及分配给该体素的一个或多个邻近体素的N个标记的组合。
9.按照权利要求1-8任意之一所述的自动分割方法，其特征在于所述N个平面包括矢状平面(2)和额状或冠状平面(3)，以及垂直于横向或轴向平面(1)、包含矢状平面和冠状平面的相交线并且绕所述相交线向这些平面进行角度移动的至少一个其他平面。
10.按照权利要求1-8任意之一所述的自动分割方法，其特征在于使用的N个重建平面包括平行于矢状平面(2)或者冠状平面(3)的平面。
11.按照权利要求1-8任意之一所述的自动分割方法，其特征在于使用的N个重建平面包括多个相互平行的轴向平面(1)。
12.一种进行按照权利要求1-11任意之一所述的自动分割方法的系统，其特征在于所述系统包括至少一个计算机设备，所述至少一个计算机设备以结构化布置的方式托管N个不同的卷积神经网络(CNNi)，并且以串行或并行组织的方式允许所述N个不同的卷积神经网络(CNNi)协同工作，其中N≥2，每个CNNi被调整和配置成通过按照N个不同的重建轴线或平面分析形成3D图像的所述体积的体素，来自动并且独立于其他CNN地进行在待处理的3D医学图像中可见的解剖和病理结构或器械的分割，每个CNN被分配给属于一个轴线或平面的体素的分析。
13.按照权利要求12所述的系统，其特征在于所述系统还包括组合并且可能地显示由所述N个不同的CNNi进行的分析和分割的结果的装置。
14.按照权利要求12或13所述的系统，其特征在于所述N个不同的CNN按照如下方式布置成串行架构：所述N个不同的CNN中的每个CNNi按照用于所述N个不同的CNN中的每一个的特定重建平面来分析形成3D图像的体积的所有体素，并使用由如果存在的前一个网络CNNi-1所提供的结果。
15.按照权利要求12或13所述的系统，其特征在于所述N个不同的CNN布置成并行架构，可能在单一算法框架内，所述N个不同的CNN的结果在最后阶段被组合。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862615529P | 2018-01-10 | 2018-01-10 | |
| US62/615,529 | 2018-01-10 | ||
| PCT/EP2019/050542 WO2019137997A1 (en) | 2018-01-10 | 2019-01-10 | Automatic segmentation process of a 3d medical image by several neural networks through structured convolution according to the geometry of the 3d medical image |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111868781A true CN111868781A (zh) | 2020-10-30 |
Family
ID=65019502
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980013054.2A Pending CN111868781A (zh) | 2018-01-10 | 2019-01-10 | 一种按照3d医学图像的几何形状通过多个神经网络经由结构化卷积来自动分割3d医学图像的处理 |
Country Status (8)
| Country | Link |
|---|---|
| US (1) | US11551362B2 (zh) |
| EP (1) | EP3738099A1 (zh) |
| JP (1) | JP7398377B2 (zh) |
| KR (1) | KR20200119250A (zh) |
| CN (1) | CN111868781A (zh) |
| BR (1) | BR112020014144A2 (zh) |
| CA (1) | CA3087740A1 (zh) |
| WO (1) | WO2019137997A1 (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| BR112020014201A2 (pt) * | 2018-01-10 | 2020-12-01 | Institut de Recherche sur les Cancers de l'Appareil Digestif - IRCAD | sistema e método de segmentação automática de uma imagem médica 3d por uma ou várias redes neurais através de convolução estruturada de acordo com a geometria anatômica da imagem médica 3d |
| CN110852325B (zh) * | 2019-10-31 | 2023-03-31 | 上海商汤智能科技有限公司 | 图像的分割方法及装置、电子设备和存储介质 |
| JP7316611B2 (ja) * | 2020-01-30 | 2023-07-28 | 富士通株式会社 | 推定処理プログラム、推定処理方法、及び情報処理装置 |
| WO2021209542A1 (en) | 2020-04-17 | 2021-10-21 | Visible Patient | Automatic determination method of at least one parameter indicative of the degree or level of functionality of a lung |
| JP2024077825A (ja) | 2022-11-29 | 2024-06-10 | 富士通株式会社 | 病変検出方法および病変検出プログラム |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020042785A1 (en) * | 1995-09-19 | 2002-04-11 | Ryan S. Raz | Neural network assisted multi-spectral segmentation system |
| WO2007105107A2 (en) * | 2006-03-14 | 2007-09-20 | Agency For Science, Technology And Research | Methods, apparatus and computer-readable media for image segmentation |
| US20090028403A1 (en) * | 2006-03-03 | 2009-01-29 | Medic Vision - Brain Technologies Ltd. | System and Method of Automatic Prioritization and Analysis of Medical Images |
| US20090306496A1 (en) * | 2008-06-04 | 2009-12-10 | The Board Of Trustees Of The Leland Stanford Junior University | Automatic segmentation of articular cartilage from mri |
| CN106373168A (zh) * | 2016-11-24 | 2017-02-01 | 北京三体高创科技有限公司 | 一种基于医疗图像的分割与三维重建方法、3d打印系统 |
| US9589374B1 (en) * | 2016-08-01 | 2017-03-07 | 12 Sigma Technologies | Computer-aided diagnosis system for medical images using deep convolutional neural networks |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9965863B2 (en) | 2016-08-26 | 2018-05-08 | Elekta, Inc. | System and methods for image segmentation using convolutional neural network |
| US9947102B2 (en) | 2016-08-26 | 2018-04-17 | Elekta, Inc. | Image segmentation using neural network method |
| US10387740B2 (en) | 2016-10-10 | 2019-08-20 | Gyrfalcon Technology Inc. | Object detection and recognition apparatus based on CNN based integrated circuits |
| US10360494B2 (en) * | 2016-11-30 | 2019-07-23 | Altumview Systems Inc. | Convolutional neural network (CNN) system based on resolution-limited small-scale CNN modules |
| US10580131B2 (en) | 2017-02-23 | 2020-03-03 | Zebra Medical Vision Ltd. | Convolutional neural network for segmentation of medical anatomical images |
| US9968257B1 (en) * | 2017-07-06 | 2018-05-15 | Halsa Labs, LLC | Volumetric quantification of cardiovascular structures from medical imaging |
| US10769788B2 (en) | 2017-09-12 | 2020-09-08 | Nantomics, Llc | Few-shot learning based image recognition of whole slide image at tissue level |
| US10546389B2 (en) | 2018-04-06 | 2020-01-28 | Elekta Ab (Publ) | Devices and methods for identifying an object in an image |
| US10430949B1 (en) | 2018-04-24 | 2019-10-01 | Shenzhen Keya Medical Technology Corporation | Automatic method and system for vessel refine segmentation in biomedical images using tree structure based deep learning model |
| EP3567548B1 (en) | 2018-05-09 | 2020-06-24 | Siemens Healthcare GmbH | Medical image segmentation |
| US20200037962A1 (en) | 2018-08-01 | 2020-02-06 | General Electric Company | Plane selection using localizer images |
-
2019
- 2019-01-10 EP EP19700464.1A patent/EP3738099A1/en active Pending
- 2019-01-10 CA CA3087740A patent/CA3087740A1/en active Pending
- 2019-01-10 WO PCT/EP2019/050542 patent/WO2019137997A1/en active Search and Examination
- 2019-01-10 KR KR1020207023061A patent/KR20200119250A/ko unknown
- 2019-01-10 JP JP2020538900A patent/JP7398377B2/ja active Active
- 2019-01-10 CN CN201980013054.2A patent/CN111868781A/zh active Pending
- 2019-01-10 US US16/960,709 patent/US11551362B2/en active Active
- 2019-01-10 BR BR112020014144-5A patent/BR112020014144A2/pt active Search and Examination
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020042785A1 (en) * | 1995-09-19 | 2002-04-11 | Ryan S. Raz | Neural network assisted multi-spectral segmentation system |
| US20090028403A1 (en) * | 2006-03-03 | 2009-01-29 | Medic Vision - Brain Technologies Ltd. | System and Method of Automatic Prioritization and Analysis of Medical Images |
| WO2007105107A2 (en) * | 2006-03-14 | 2007-09-20 | Agency For Science, Technology And Research | Methods, apparatus and computer-readable media for image segmentation |
| US20090306496A1 (en) * | 2008-06-04 | 2009-12-10 | The Board Of Trustees Of The Leland Stanford Junior University | Automatic segmentation of articular cartilage from mri |
| US9589374B1 (en) * | 2016-08-01 | 2017-03-07 | 12 Sigma Technologies | Computer-aided diagnosis system for medical images using deep convolutional neural networks |
| CN106373168A (zh) * | 2016-11-24 | 2017-02-01 | 北京三体高创科技有限公司 | 一种基于医疗图像的分割与三维重建方法、3d打印系统 |
Non-Patent Citations (3)
| Title |
|---|
| ADHISH PRASOON, ETC: "Deep Feature Learning for Knee Cartilage Segmentation Using a Triplanar Convolutional Neural Network", SPRINGER INTERNATIONAL PUBLISHING, 1 January 2013 (2013-01-01) * |
| JIANXU CHEN, ETC: "Combining Fully Convolutional and Recurrent Neural Networks for 3D Biomedical Image Segmentation", HTTP://PAPERS.NIPS.CC/PAPER/6448-COMBINING-FULLY-CONVOLUTIONAL-AND-RECURRENT-NEURAL-NETWORKS-FOR-3D-BIOMEDICAL-IMAGE-SEGMENTATION.PDF, 4 September 2016 (2016-09-04) * |
| 王媛媛;周涛;吴翠颖;: "深度学习及其在医学图像分析中的应用研究", 电视技术, no. 10, 17 October 2016 (2016-10-17) * |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200119250A (ko) | 2020-10-19 |
| WO2019137997A1 (en) | 2019-07-18 |
| EP3738099A1 (en) | 2020-11-18 |
| CA3087740A1 (en) | 2019-07-18 |
| BR112020014144A2 (pt) | 2020-12-08 |
| JP7398377B2 (ja) | 2023-12-14 |
| US20200334826A1 (en) | 2020-10-22 |
| RU2020126037A (ru) | 2022-02-10 |
| US11551362B2 (en) | 2023-01-10 |
| JP2021511577A (ja) | 2021-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111868781A (zh) | 一种按照3d医学图像的几何形状通过多个神经网络经由结构化卷积来自动分割3d医学图像的处理 | |
| Folmsbee et al. | Active deep learning: Improved training efficiency of convolutional neural networks for tissue classification in oral cavity cancer | |
| Meirovitch et al. | A multi-pass approach to large-scale connectomics | |
| US10127710B2 (en) | Processor and method for accelerating ray casting | |
| EP2620909B1 (en) | Method, system and computer readable medium for automatic segmentation of a medical image | |
| WO2016038604A1 (en) | Interactive segmentation | |
| CN111709925A (zh) | 用于血管斑块分析的装置、系统及介质 | |
| CN109712163B (zh) | 冠脉提取方法、装置、图像处理工作站和可读存储介质 | |
| US10390726B2 (en) | System and method for next-generation MRI spine evaluation | |
| CN110969623B (zh) | 一种肺部ct多征象自动检测方法、系统、终端及存储介质 | |
| EP3719745A1 (en) | Processing a medical image | |
| CN113935943A (zh) | 颅内动脉瘤识别检测的方法、装置、计算机设备和存储介质 | |
| US11288812B2 (en) | Automatic segmentation process of a 3D medical image by one or several neural networks through structured convolution according to the anatomic geometry of the 3D medical image | |
| US20080118130A1 (en) | method and system for grouping images in a tomosynthesis imaging system | |
| Wang et al. | Coronary artery segmentation and skeletonization based on competing fuzzy connectedness tree | |
| RU2803978C2 (ru) | Процесс автоматической сегментации трехмерного медицинского изображения с помощью нескольких нейронных сетей посредством структурированной свертки в соответствии с геометрией трехмерного медицинского изображения | |
| Ravi et al. | Pathological medical image segmentation: A quick review based on parametric techniques | |
| JPWO2019137997A5 (zh) | ||
| Vi et al. | Automatic Extraction of Liver Region from Medical Images by Using an MFUnet | |
| Khan et al. | Cell Nuclei Segmentation With Dynamic Token-Based Attention Network | |
| TW202349337A (zh) | 醫療影像偵測系統、訓練方法以及醫療分析方法 | |
| CN115331784A (zh) | 生成用于训练深度学习算法的罕见医学图像的方法 | |
| Undrill | 102 Transputer Applications M. Jane et al., Eds. IOS Press, 1992 | |
| JP2004078960A (ja) | 医療用三次元可視化画像の自動最適化 | |
| Danek | Applications of Graph Cut Optimization in Fluorescence Microscopy |
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 |