CN111951279A - 颅脑超声图像的脑白质区域分割方法、装置及电子设备 - Google Patents
颅脑超声图像的脑白质区域分割方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111951279A CN111951279A CN202010775228.3A CN202010775228A CN111951279A CN 111951279 A CN111951279 A CN 111951279A CN 202010775228 A CN202010775228 A CN 202010775228A CN 111951279 A CN111951279 A CN 111951279A
- Authority
- CN
- China
- Prior art keywords
- image
- ultrasonic image
- white matter
- segmentation
- region
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 65
- 210000004885 white matter Anatomy 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000002490 cerebral effect Effects 0.000 title claims abstract description 5
- 238000009792 diffusion process Methods 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims description 30
- 238000002604 ultrasonography Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 210000002987 choroid plexus Anatomy 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract 1
- 210000004556 brain Anatomy 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 210000003140 lateral ventricle Anatomy 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 210000003161 choroid Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 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
- 238000005457 optimization Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002739 subcortical effect Effects 0.000 description 1
- 239000000126 substance 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明适用图像处理技术领域,提供了一种颅脑超声图像的脑白质区域分割方法、装置及电子设备;其中方法通过对原始的输入超声图像进行扩散和增强预处理,进而对处理后的超声图像进行粗糙分割,得到包含脑白质区域以及其余的非感兴趣区域的目标图像;对已缩小的区域进行二次分割,剔除掉框中的非感兴趣区域,得到精准分割的脑白质区域。可以有效避免超声图像中感兴趣的区域与周围环境没有清晰的边界、脑白质区域占比过低,脉络丛等高亮区域对分割结果有很强的负面影响;同时本发明提供的颅脑超声图像的脑白质区域分割装置和电子设备也能实现同样的技术效果。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及颅脑超声图像的脑白质区域分割方法、装置及电子设备。
背景技术
传统脑白质超声图像分析方法采用手动分割的方式。如果脑白质受到损伤的部位为侧脑室前角、后角附近白质、侧脑室外侧及背侧白质或者皮质下白质,此时手动分割的准确性容易受操作者经验水平影响产生人为性的误差。此外,传统方法在完成手动分割之后再进行特征提取和分类,耗费大量的人力物力。
对超声图像的脑白质区域分割难点在于图像对比度低,尤其在相邻组织声阻抗差异不大时,分割会很困难;同时,分辨率低,斑点噪点多,存在多种伪影,声影也会对分割精准度造成不好的影响。例如早产儿脑室周的超声图,感兴趣的区域与周围环境没有清晰的边界,与图像的其余部分有着非常相似的纹理,且脑白质区域占比过低,脉络丛等高亮区域对分割结果有很强的负面影响,因此直接做分割较为困难。
发明内容
本发明的目的在于提供颅脑超声图像的脑白质区域分割方法,旨在解决脑白质区域占比过低,脉络丛等高亮区域对分割结果有很强的负面影响的技术问题。
一方面,本发明提供了一种颅脑超声图像的脑白质区域分割方法,所述方法包括下述步骤:
S1.对原始超声图像进行滤波和均衡化的预处理;
S2.使用目标检测网络Faster-Rcnn对预处理后的超声图像进行目标检测,在图上生成检测框;
S3.将所述检测框内的超声图像裁剪出来,生成包含脑白质区域以及非感兴趣区域的目标图像;
S4.使用语义分割网络SegNet剔除所述目标图像中的所述非感兴趣区域,完成对所述目标图像的脑白质区域的精准分割。
另一方面,本发明还提供了一种颅脑超声图像的脑白质区域分割装置,包括:
预处理单元,用于对原始超声图像进行滤波和均衡化的预处理;
粗分割单元,使用目标检测网络Faster-Rcnn对预处理后的超声图像进行目标检测,在图上生成检测框;进而将所述检测框内的超声图像裁剪出来,生成包含脑白质区域以及非感兴趣区域的目标图像;
精细分割单元,使用语义分割网络SegNet剔除所述目标图像中的所述非感兴趣区域,完成对所述目标图像的脑白质区域的精准分割。
另一方面,本发明还提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述1至5任一项所述的颅脑超声图像的脑白质区域分割方法。
本发明通过对原始的输入超声图像进行扩散和增强预处理,进而对处理后的超声图像进行粗糙分割,得到包含脑白质区域以及其余的非感兴趣区域的目标图像;对已缩小的区域进行二次分割,剔除掉框中的非感兴趣区域,得到精准分割的脑白质区域。可以有效避免超声图像中感兴趣的区域与周围环境没有清晰的边界、脑白质区域占比过低,脉络丛等高亮区域对分割结果有很强的负面影响。
附图说明
图1是本发明实施例一提供的颅脑超声图像的脑白质区域分割方法的实现流程图;
图2是本发明实施例二提供的颅脑超声图像的脑白质区域分割装置结构框图;
图3是本发明施例一提供的颅脑超声图像的脑白质区域分割方法的流程示意图;
图4是本发明施例一提供的颅脑超声图像的脑白质区域分割方法的粗分割流程示意图;
图5是本发明施例一提供的颅脑超声图像的脑白质区域分割方法的精细分割流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述:
实施例一:
图1、图3示出了本发明实施例一提供的一种颅脑超声图像的脑白质区域分割方法,所述方法包括下述步骤:
S1.对原始超声图像进行滤波和均衡化的预处理;
S2.使用目标检测网络Faster-Rcnn对预处理后的超声图像进行目标检测,在图上生成检测框;
S3.将所述检测框内的超声图像裁剪出来,生成包含脑白质区域以及非感兴趣区域的目标图像;
S4.使用语义分割网络SegNet剔除所述目标图像中的所述非感兴趣区域,完成对所述目标图像的脑白质区域的精准分割。
进一步的,所述步骤S1包括以下步骤:
S11.使用各向异性滤波器对所述原始超声图像进行扩散处理;
S12.对扩散处理后的原始超声图像通过直方图均衡化进行增强处理。
进一步的,所述步骤S2包括以下步骤:
S21.将预处理后的超声图像缩放后放入卷积层提取特征,得到特征图;
S22.将所述特征图送入区域候选网络生成一系列可能的候选框;
S23.将所述特征图和所有的所述候选框输入到感兴趣区域池化层,提取出固定大小为7*7的候选特征图;
S24.将所述候选特征图送入全连接层进行目标分类与回归,得到带有所述检测框的超声图像。
具体的,如图4所示,粗分割的第一步使用的网络是Faster-RCNN网络。Faster-RCNN网络(Faster-神经卷积网络)通过添加RPN网络(区域候选网络),基于Anchor机制来生成候选框,最终将特征提取、候选框提取、边框回归和分类都整合到一个网络中,从而有效的提高检测精度和检测效率。具体的流程是是将输入图像缩放以后放入到卷积层提取特征得到特征图,然后将特征图送入RPN网络生成一系列可能的候选框,接下来将原始的特征图和RPN输出的所有候选框输入到ROI pooling层(感兴趣区域池化层),提取收集proposal(候选框),并计算出固定大小7*7的proposal特征图,送入全连接层Softmax层进行目标分类与回归。
本方法中,输入脑室的超声图像,由Faster-RCNN网络检测出白质区域和非感兴趣区域的目标图像,为下一步在白质区域基础上分割出损伤区域作准备。
进一步的,所述语义分割网络SegNet包括编码器与解码器。
进一步的,所述步骤S4包括以下步骤:
S41.所述编码器提取所述目标图像每一个像素点的特征并对该像素点分类,进而通过池化层增大感受野同时缩小图片尺寸;
S42.所述解码器对所述编码器处理后的目标图像进行反卷积使得图像分类后特征得以重现;
S43.所述解码器通过上采样操作还原到图像原始尺寸,输出不同分类的最大值;
S44.所述解码器将解析后的信息对应到所述原始超声图像,形成最终的脑白质精准分割图。
具体的,图5为语义分割的网络模型SegNet网络。SegNet是通过对图像中每一个像素点进行分类,识别每一个像素点的类别来实现图像的分割。该网络主要有两部分组成:编码器与解码器。在编码器部分,提取特征,通过池化层增大感受野,同时图片变小;而解码器部分,主要操作是反卷积与上采样,通过反卷积使得图像分类后特征得以重现,上采样还原到图像原始尺寸,最后通过Softmax层,输出不同分类的最大值,得到最终分割图。
解码器将解析后的信息对应成最终的图像形式。
在该算法中,使用梯度下降算法来优化模型,学习率设置为1,动力系数为0.9,共训练15个epochs。
优选的,将上述神经网络模型变体应用于颅脑超声图像的白质分割,网络模型变体包括修改简单修改网络层数,改变卷积核大小,优化函数和激活函数的选取等。
在本发明实施例中,利用Faster-Rcnn网络用矩形框定位出包含颅脑白质的区域,并裁剪出来;进一步使用语义分割SegNet网络较精确地分割出脑白质区域。可以提供给医生较为准确的分割图像,有助于医生对脑部损伤的判断。
实施例二:
图2示出了本发明实施例二提供的一种颅脑超声图像的脑白质区域分割装置,包括:
预处理单元,用于对原始超声图像进行滤波和均衡化的预处理;
粗分割单元,使用目标检测网络Faster-Rcnn对预处理后的超声图像进行目标检测,在图上生成检测框;进而将所述检测框内的超声图像裁剪出来,生成包含脑白质区域以及非感兴趣区域的目标图像;
精细分割单元,使用语义分割网络SegNet剔除所述目标图像中的所述非感兴趣区域,完成对所述目标图像的脑白质区域的精准分割。
进一步的,所述预处理单元包括:
滤波模块,使用各向异性滤波器对所述原始超声图像进行扩散处理;
图像增强模块,用于对扩散处理后的原始超声图像通过直方图均衡化进行增强处理。
进一步的,所述粗分割单元包括:
卷积层,用于提取预处理后的超声图像的特征,得到特征图;
区域候选网络,用于通过所述特征图生成一系列可能的候选框;
感兴趣区域池化层,用于根据所述特征图和所有的所述候选框提取出固定大小为7*7的候选特征图;
全连接层,用于对所述候选特征图进行目标分类与回归,得到带有所述检测框的超声图像。
进一步的,所述语义分割网络SegNet包括编码器和解码器;
所述编码器提取所述目标图像每一个像素点的特征并对该像素点分类,进而通过池化层增大感受野同时缩小图片尺寸;
所述解码器对所述编码器处理后的目标图像进行反卷积使得图像分类后特征得以重现;进而通过上采样操作还原到图像原始尺寸,输出不同分类的最大值;
所述解码器还用于将解析后的信息对应到所述原始超声图像,形成最终的脑白质精准分割图。
通过粗分割单元与精细分割单元的顺序分割,能够避免因主观性带来的影响,为医生进行后续诊断提供有效帮助。
实施例三:
本发明实施例三提供的一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述任一项所述的颅脑超声图像的脑白质区域分割方法。
解决了手动分割的各种弊端,采用自动分割的方法,减轻了医生负担。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种颅脑超声图像的脑白质区域分割方法,其特征在于,所述方法包括下述步骤:
S1.对原始超声图像进行滤波和均衡化的预处理;
S2.使用目标检测网络Faster-Rcnn对预处理后的超声图像进行目标检测,在图上生成检测框;
S3.将所述检测框内的超声图像裁剪出来,生成包含脑白质区域以及非感兴趣区域的目标图像;
S4.使用语义分割网络SegNet剔除所述目标图像中的所述非感兴趣区域,完成对所述目标图像的脑白质区域的精准分割。
2.如权利要求1所述的方法,其特征在于,所述步骤S1包括以下步骤:
S11.使用各向异性滤波器对所述原始超声图像进行扩散处理;
S12.对扩散处理后的原始超声图像通过直方图均衡化进行增强处理。
3.如权利要求1所述的方法,其特征在于,所述步骤S2包括以下步骤:
S21.将预处理后的超声图像缩放后放入卷积层提取特征,得到特征图;
S22.将所述特征图送入区域候选网络生成一系列可能的候选框;
S23.将所述特征图和所有的所述候选框输入到感兴趣区域池化层,提取出固定大小为7*7的候选特征图;
S24.将所述候选特征图送入全连接层进行目标分类与回归,得到带有所述检测框的超声图像。
4.如权利要求1所述的方法,其特征在于,所述语义分割网络SegNet包括编码器与解码器。
5.如权利要求4所述的方法,其特征在于,所述步骤S4包括以下步骤:
S41.所述编码器提取所述目标图像每一个像素点的特征并对该像素点分类,进而通过池化层增大感受野同时缩小图片尺寸;
S42.所述解码器对所述编码器处理后的目标图像进行反卷积使得图像分类后特征得以重现;
S43.所述解码器通过上采样操作还原到图像原始尺寸,输出不同分类的最大值;
S44.所述解码器将解析后的信息对应到所述原始超声图像,形成最终的脑白质精准分割图。
6.一种颅脑超声图像的脑白质区域分割装置,其特征在于,包括:
预处理单元,用于对原始超声图像进行滤波和均衡化的预处理;
粗分割单元,使用目标检测网络Faster-Rcnn对预处理后的超声图像进行目标检测,在图上生成检测框;进而将所述检测框内的超声图像裁剪出来,生成包含脑白质区域以及非感兴趣区域的目标图像;
精细分割单元,使用语义分割网络SegNet剔除所述目标图像中的所述非感兴趣区域,完成对所述目标图像的脑白质区域的精准分割。
7.如权利要求6所述的装置,其特征在于,所述预处理单元包括:
滤波模块,使用各向异性滤波器对所述原始超声图像进行扩散处理;
图像增强模块,用于对扩散处理后的原始超声图像通过直方图均衡化进行增强处理。
8.如权利要求7所述的装置,其特征在于,所述粗分割单元包括:
卷积层,用于提取预处理后的超声图像的特征,得到特征图;
区域候选网络,用于通过所述特征图生成一系列可能的候选框;
感兴趣区域池化层,用于根据所述特征图和所有的所述候选框提取出固定大小为7*7的候选特征图;
全连接层,用于对所述候选特征图进行目标分类与回归,得到带有所述检测框的超声图像。
9.如权利要求5所述的装置,其特征在于,所述语义分割网络SegNet包括编码器和解码器;
所述编码器提取所述目标图像每一个像素点的特征并对该像素点分类,进而通过池化层增大感受野同时缩小图片尺寸;
所述解码器对所述编码器处理后的目标图像进行反卷积使得图像分类后特征得以重现;进而通过上采样操作还原到图像原始尺寸,输出不同分类的最大值;
所述解码器还用于将解析后的信息对应到所述原始超声图像,形成最终的脑白质精准分割图。
10.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其特征在于,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述1至5任一项所述的颅脑超声图像的脑白质区域分割方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010775228.3A CN111951279B (zh) | 2020-08-05 | 2020-08-05 | 颅脑超声图像的脑白质区域分割方法、装置及电子设备 |
PCT/CN2020/140244 WO2022027910A1 (zh) | 2020-08-05 | 2020-12-28 | 颅脑超声图像的脑白质区域分割方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010775228.3A CN111951279B (zh) | 2020-08-05 | 2020-08-05 | 颅脑超声图像的脑白质区域分割方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111951279A true CN111951279A (zh) | 2020-11-17 |
CN111951279B CN111951279B (zh) | 2024-04-23 |
Family
ID=73337966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010775228.3A Active CN111951279B (zh) | 2020-08-05 | 2020-08-05 | 颅脑超声图像的脑白质区域分割方法、装置及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111951279B (zh) |
WO (1) | WO2022027910A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022027910A1 (zh) * | 2020-08-05 | 2022-02-10 | 中国科学院深圳先进技术研究院 | 颅脑超声图像的脑白质区域分割方法、装置及电子设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115880287B (zh) * | 2023-02-20 | 2023-07-21 | 广东工业大学 | 一种脑白质高信号病灶区域分割及评级装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150023556A1 (en) * | 2013-07-17 | 2015-01-22 | Samsung Electronics Co., Ltd. | Method and apparatus for selecting seed area for tracking nerve fibers in brain |
CN107862695A (zh) * | 2017-12-06 | 2018-03-30 | 电子科技大学 | 一种基于全卷积神经网络的改进型图像分割训练方法 |
CN109389585A (zh) * | 2018-09-20 | 2019-02-26 | 东南大学 | 一种基于全卷积神经网络的脑组织提取方法 |
CN109859215A (zh) * | 2019-01-30 | 2019-06-07 | 北京慧脑云计算有限公司 | 一种基于Unet模型的脑白质高信号自动分割系统及其方法 |
CN110533664A (zh) * | 2019-07-26 | 2019-12-03 | 浙江工业大学 | 一种基于大样本数据驱动的颅神经自动分割方法 |
CN110910396A (zh) * | 2019-10-18 | 2020-03-24 | 北京量健智能科技有限公司 | 一种用于优化图像分割结果的方法和装置 |
CN110991408A (zh) * | 2019-12-19 | 2020-04-10 | 北京航空航天大学 | 基于深度学习方法分割脑白质高信号的方法和装置 |
CN111105421A (zh) * | 2019-11-29 | 2020-05-05 | 上海联影智能医疗科技有限公司 | 一种脑白质高信号分割方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951279B (zh) * | 2020-08-05 | 2024-04-23 | 中国科学院深圳先进技术研究院 | 颅脑超声图像的脑白质区域分割方法、装置及电子设备 |
-
2020
- 2020-08-05 CN CN202010775228.3A patent/CN111951279B/zh active Active
- 2020-12-28 WO PCT/CN2020/140244 patent/WO2022027910A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150023556A1 (en) * | 2013-07-17 | 2015-01-22 | Samsung Electronics Co., Ltd. | Method and apparatus for selecting seed area for tracking nerve fibers in brain |
CN107862695A (zh) * | 2017-12-06 | 2018-03-30 | 电子科技大学 | 一种基于全卷积神经网络的改进型图像分割训练方法 |
CN109389585A (zh) * | 2018-09-20 | 2019-02-26 | 东南大学 | 一种基于全卷积神经网络的脑组织提取方法 |
CN109859215A (zh) * | 2019-01-30 | 2019-06-07 | 北京慧脑云计算有限公司 | 一种基于Unet模型的脑白质高信号自动分割系统及其方法 |
CN110533664A (zh) * | 2019-07-26 | 2019-12-03 | 浙江工业大学 | 一种基于大样本数据驱动的颅神经自动分割方法 |
CN110910396A (zh) * | 2019-10-18 | 2020-03-24 | 北京量健智能科技有限公司 | 一种用于优化图像分割结果的方法和装置 |
CN111105421A (zh) * | 2019-11-29 | 2020-05-05 | 上海联影智能医疗科技有限公司 | 一种脑白质高信号分割方法、装置、设备及存储介质 |
CN110991408A (zh) * | 2019-12-19 | 2020-04-10 | 北京航空航天大学 | 基于深度学习方法分割脑白质高信号的方法和装置 |
Non-Patent Citations (1)
Title |
---|
MENG WANG等: "Multi-Strategy Deep Learning Method for Glaucoma Screening on Fundus Image", 《INVESTIGATIVE OPHTHALMOLOGY & VISUAL SCIENCE》, vol. 60, pages 6148, XP009533830 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022027910A1 (zh) * | 2020-08-05 | 2022-02-10 | 中国科学院深圳先进技术研究院 | 颅脑超声图像的脑白质区域分割方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2022027910A1 (zh) | 2022-02-10 |
CN111951279B (zh) | 2024-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109191457B (zh) | 一种病理图像质量有效性识别方法 | |
Çalişkan et al. | An efficient noisy pixels detection model for CT images using extreme learning machines | |
CN112488234A (zh) | 一种基于注意力池化的端到端组织病理图像分类方法 | |
CN111951279B (zh) | 颅脑超声图像的脑白质区域分割方法、装置及电子设备 | |
CN108305241B (zh) | 基于深度投票模型的sd-oct图像ga病变分割方法 | |
Ghazali et al. | Automated system for diagnosis intestinal parasites by computerized image analysis | |
CN113205509B (zh) | 一种基于位置卷积注意力网络的血管斑块ct影像分割方法 | |
CN109544564A (zh) | 一种医疗图像分割方法 | |
CN112614145A (zh) | 一种基于深度学习的颅内出血ct图像分割方法 | |
CN113223005B (zh) | 一种甲状腺结节自动分割及分级的智能系统 | |
CN112330613B (zh) | 一种细胞病理数字图像质量的评价方法及系统 | |
Sundararajan | Detection of conjunctivitis with deep learning algorithm in medical image processing | |
CN116758336A (zh) | 一种基于人工智能的医学图像智能分析系统 | |
US20200242772A1 (en) | Automatic region of interest selection in centrosome analysis | |
CN113592843B (zh) | 基于改进的U-Net眼底视网膜血管图像分割方法及装置 | |
CN106073823A (zh) | 一种智能化医用超声图像处理设备、系统及方法 | |
Chandran et al. | Segmentation of dental radiograph images | |
Naidu et al. | Enhancement of X-ray images using various Image Processing Approaches | |
CN113920108A (zh) | 一种对用于处理细胞图像的U-Net模型进行训练的训练方法 | |
CN112927808A (zh) | 一种基于甲状腺超声图像的结节分级系统及方法 | |
Ali et al. | Deep learning-based classification of viruses using transmission electron microscopy images | |
CN111640126A (zh) | 基于医学影像的人工智能诊断辅助方法 | |
CN111127391A (zh) | 一种基于甲状腺超声视频流动态识别结节良恶性的方法 | |
Cyriac et al. | Renal Calculi Detection using Image Processing | |
WO2022160118A1 (zh) | 基于计算机视觉特征的oct图像分类方法及系统、设备 |
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 |