CN111968138B - 基于3d动态边缘不敏感性损失函数的医学图像分割方法 - Google Patents
基于3d动态边缘不敏感性损失函数的医学图像分割方法 Download PDFInfo
- Publication number
- CN111968138B CN111968138B CN202010682603.XA CN202010682603A CN111968138B CN 111968138 B CN111968138 B CN 111968138B CN 202010682603 A CN202010682603 A CN 202010682603A CN 111968138 B CN111968138 B CN 111968138B
- Authority
- CN
- China
- Prior art keywords
- image
- network
- segmentation
- loss function
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003709 image segmentation Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000002372 labelling Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims description 50
- 238000010606 normalization Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000001994 activation Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000000452 restraining effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 29
- 238000013461 design Methods 0.000 abstract description 3
- 230000007246 mechanism Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 210000002307 prostate Anatomy 0.000 description 9
- 230000002093 peripheral effect Effects 0.000 description 5
- 238000012800 visualization Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000000844 transformation 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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 using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T2207/30081—Prostate
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明属于医学图像处理技术领域,具体为一种基于3D动态边缘不敏感性损失函数的医学图像分割方法。本发明模型采用动态边缘不敏感性损失函数,该损失函数的设计原则为:在每次迭代训练过程中,距离边缘越远的预测错误的像素点,网络对其越敏感,惩罚权重越大。这样可以降低不可信的边缘敏感度,降低不同专家标注数据的边缘不确定性对模型的影响,提高模型对于医学图像分割的泛化性能。同时采用基于注意力机制的U‑net架构,通过融合注意力模块自适应特征图的权重分布,使网络模型的偏差较小,从而减少标注噪声对模型学习的影响,提高医学图像分割模型泛化性与精确度。
Description
技术领域
本发明属于医学图像处理技术领域,具体涉及医学图像分割方法。
背景技术
医学图像分割任务是临床问题中一个重要且必不可少的工作,随着人工智能的高速发展,已经有大量的优秀算法涌现,许多挑战赛数据集的指标不断被刷新。目前公认边缘的精确分割对于提升分割的准确性很重要,因此已经有非常多的工作去关注医学图像的边缘分割,其中增加额外的网络分支去学习边界特征是主流的方式之一。还有些工作在损失函数中增加对于边缘的关注以达到更好的分割效果。
这些算法的前提是训练集中的真实标注边缘分割是绝对正确的。但是,医学图像与自然图像不同,其边缘的界定争议较大。这可能是由于图像的对比度不高或者是由于医生标注时的主观性造成。在一项医学图像分割的研究中不同医生分割同一例数据的结果有明显的差异,这个差异主要体现在边缘部分。因此我们认为边缘像素的分类可信度相对较低,而离边缘越远的像素分类可信度则越高。当在有限训练样本中对感兴趣区域的边缘特征给予更多的关注时,尽管有限训练样本上的指标能够不断提高,但是模型的过拟合风险也越来越高,势必影响分割模型的泛化性。
在真实的医疗业务场景中,医疗图像数据来源非常丰富。这些不同来源的图像的特征各有不同。以MR图像为例,不同场强、不同扫描参数下图像的质量与特征差异很大。因此,特别需要泛化性强的模型以适应于多个来源的数据集分割任务。
参考文献:
[1]Bokhovkin A.,Burnaev E.(2019)Boundary Loss for Remote SensingImagery Semantic Segmentation.In:Lu H.,Tang H.,Wang Z.(eds)Advances in NeuralNetworks–ISNN 2019.ISNN 2019.Lecture Notes in Computer Science,vol11555.Springer,Cham
[2]Wang S.,Yu L.,Li K.,Yang X.,Fu CW.,Heng PA.(2019)Boundary andEntropy-Driven Adversarial Learning for Fundus Image Segmentation.In:ShenD.et al.(eds)Medical Image Computing and Computer Assisted Intervention–MICCAI 2019.MICCAI 2019.Lecture Notes in Computer Science,vol 11764.Springer,Cham
[3]Zhang Z.,Fu H.,Dai H.,Shen J.,Pang Y.,Shao L.(2019)ET-Net:AGeneric Edge-aTtention Guidance Network for Medical Image Segmentation.In:Shen D.et al.(eds)Medical Image Computing and Computer Assisted Intervention–MICCAI 2019.MICCAI 2019.Lecture Notes in Computer Science,vol 11764.Springer,Cham
[4]Baumgartner C.F.et al.(2019)PHiSeg:Capturing Uncertainty inMedical Image Segmentation.In:Shen D.et al.(eds)Medical Image Computing andComputer Assisted Intervention–MICCAI 2019.MICCAI 2019.Lecture Notes inComputer Science,vol 11765.Springer,Cham
[5]Kelvin K.Leung,Matthew J.Clarkson,Jonathan W.Bartlett.et al.Robustatrophy rate measurement in Alzheimer's disease using multi-site serial MRI:Tissue-specific intensity normalization and parameter selection[J].NeuroImage,2010,50(2):516.
[6]OktayO.,SchlemperJ.,FolgocL.L.,LeeM.,Hein-richM.,MisawaK.,MoriK.,Mc DonaghS.,HammerlaN.Y.,KainzB.,et al.Attention U-Net:Learning where to lookfor the pancreas.arXiv preprint arXiv:1804.03999,2018.
[7]Woo S.,Park J.,Lee JY.,Kweon I.S.(2018)CBAM:Convolutional BlockAttention Module.In:Ferrari V.,Hebert M.,Sminchisescu C.,Weiss Y.(eds)Computer Vision–ECCV 2018.ECCV 2018.Lecture Notes in Computer Science,vol11211.Springer,Cham
[8]Lin Tsung-Yi,GoyalP.,Girshick,R.,et al.Focal Loss for Dense ObjectDetection[J].IEEE Transactions on Pattern Analysis&Machine Intelligence,2017,PP(99):2999-3007.
[9]Bertels J.et al.(2019)Optimizing the Dice Score and Jaccard Indexfor Medical Image Segmentation:Theory and Practice.In:Shen D.et al.(eds)Medical Image Computing and Computer Assisted Intervention–MICCAI 2019.MICCAI2019.Lecture Notes in Computer Science,vol 11765.Springer,Cham
[10]MatveyevS.V,Approximation of isosurface in the Marching Cube:ambiguity problem[C],Proceedings Visualization'94,Washington,DC,USA,1994:288-292.
[11]PARKERJ.A.Comparison of interpolation methods for imageresampling[J].IEEE Trans.med.imag,1983,2(1):31-39.
[12]Luo L,Xiong Y,Liu Y,et al.Adaptive Gradient Methods with DynamicBound of Learning Rate[J].2019.。
发明内容
本发明的目的在于提供一种可减少标注噪声对模型学习的影响,提升模型泛化性的医学图像分割方法。
本发明提出的医学图像分割方法,其模型采用动态边缘不敏感性损失函数,该损失函数的设计原则为:在每次迭代训练过程中,距离边缘越远的预测错误的像素点,网络对其越敏感,惩罚权重越大。这样的设计可以降低不可信的边缘敏感度,降低不同专家标注数据的边缘不确定性对模型的影响,提高模型对于医学图像分割的泛化性能。同时采用基于注意力机制的U-net架构,通过融合注意力模块自适应特征图的权重分布,以使网络模型的偏差较小,从而减少标注噪声对模型学习的影响,提高医学图像分割模型泛化性与精确度。
具体的,本发明的基于3D动态边缘不敏感性损失函数的医学图像分割方法,其流程如图1所示,具体步骤为:
步骤1,对临床图像预处理,包括进行强度归一化以及直方图均衡化等操作,把整个图像分成许多小块像素进行非线性拉伸,使局部的灰度直方图均匀分布;为了使网络能够正确学习空间语义,采用三阶样条插值法[10]将所有体素(组成三维图像的最小单位)重新采样为统一大小;采用最近邻插值法[11]用于相应的分割标注;在每次训练迭代中,主要通过包括随机旋转、剪切、缩放和翻转操作的随机变换以增强数据;
步骤2,采用定位网络对图像进行粗分割;将经步骤1预处理的MRI图像全图按比例缩小,输入定位网络中,对图像进行粗分割(约经过100个迭代),得到目标在原始大小图像中的大致区域;然后,在原始大小的图中裁剪出以目标为中心的图像,增大前景像素的占比,以解决类别的极度不平衡;所述定位网络与步骤(3)中的分割网络的模型一致;
步骤3,采用分割网络对图像进行精细分割;即将裁剪出的目标区域图像及相应的手工标注输入分割网络,进行精细分割(通过更多的迭代);
分割网络模型如图2所示,是一个基于经典U形结构的全卷积神经网络,每层模块包括:卷积、非线性激活、归一化、池化;使用负斜率为0.01的Leaky Relu用作激活函数;网络初始学习率设置为0.001;在解码过程中,通过深度监督(经过反卷积和上采样操作,使网络的中间特征图和输出图尺寸相同,结合输出图一起共同训练网络)使网络能够对大范围的图像前景内容进行响应;分割网络深度根据训练图像本身大小决定,每次经过下采样后,输入的图像或特征图在x、y、z轴纬度上都为原来的1/2大小或不变,直到图像三个维度上的长度都不大于4;
步骤4,采用注意力模块对图像进行自适应特征细化;即在跳跃连接中加入注意力模块,识别显著图像区域并抑制输入图像中不相关的区域,以保留与子区域分割相关的激活;注意力模块是一个轻量级卷积神经网络,定义如下:
其中,W表示多层感知机的权重,σ表示sigmoid函数,b表示偏差,x和g表示输入特征图和门控信号;最后计算x的注意力图Xatt,将其与输入特征图相乘,以进行自适应特征细化;
步骤5,上述网络输出与输入图像大小相同的分割概率图,然后与手工标注图通过损失函数计算预测图与标注之间偏差的大小,从而进行反向传播,更新网络权重;所述的损失函数采用软dice损失函数与动态边缘不敏感性(DBI)损失函数相结合的形式:LDBI+dice,公式如下:
其中,D为图像的深度,H为高度,W为宽度,f表示线性归一化,i=1,2,…,N(N为类别数),表示预测图中分类为i的像素点坐标位置,(hi,wi)表示标注图中分类为i的像素点的坐标位置,y为某一类别,为经过类别映射后的预测类别;
步骤6,重复迭代步骤3、步骤4、步骤5,采用优化算法Adabound[12]进行迭代优化,权重不断更新,损失值逐渐下降,最终训练完成目标任务的分割模型;
步骤7,将测试图像依次输入定位网络及分割网络,即可得到完整的分割结果。
本发明的基于3D动态边缘不敏感性损失函数的分割方法与现有技术相比,具有以下优点:
(1)通过动态自适应惩罚权重以避免超参数的设置;
(2)不需要增加额外的网络分支,减少网络训练参数;
(3)对于前景目标像素给予更多关注,提高分割精确度;如表1所示,模型相同情况下,dice+DBI损失函数各指标相对最优,在ISBI测试集中,外周带与中央区的dice系数分别为75.22%(±10.75),84.62%(±7.04),分别比dice损失函数分别提高了2.8%,1.2%,比Dice+CE分别提高了2.44%,0.56%;
(4)减少标注噪声对模型学习的影响,以提高分割模型的泛化性;在与训练集不同的数据集(Litjens’)上测试时dice+DBI损失函数的dice系数分别为71.08%(±13.35),86.43%(±7.11),比dice损失函数分别提高了0.68%,0.2%,比Dice+CE损失函数分别提高了1.24%,0.95%。
附图说明
图1本发明流程图,包含定位网络和分割网络。
图2本发明分割网络模型架构图。
图3本发明损失函数示意图。
图4前列腺MR分割结果。其中,红色表示中央区,绿色表示外周带。第一行是横截面中间切片分割结果图,第二行是分割结果3D可视化。下方标注为分割时所用的损失函数。
具体实施方式
实施例1采用本发明方法进行前列腺多区域分割
本发明提供的基于3D动态边缘不敏感性损失函数的医学图像分割方法是端到端的,实施例具体实现过程如下:
步骤1,训练集数据共68例,来自ISBI数据集。首先对于图像先进行了强度归一化以及直方图均衡化,把整个图像分成许多小块像素进行非线性拉伸,使局部的灰度直方图均匀分布。为了使网络能够正确学习空间语义,采用三阶样条插值法将所有MR体素重新采样为统一大小。采用最近邻插值法用于相应的分割标注。在每次训练迭代中主要包括随机旋转,剪切,缩放和翻转操作的随机变换以增强数据。
步骤2,将整个前列腺3D图像缩小到128×128×48之后输入定位网络中,得到前列腺的粗分割从而得到其大致的位置,在原大小图像中裁剪出以前列腺为中心的区域,然后再次输入网络中进行精分割。
步骤3,训练网络整体深度为六层,输入图像经过5次下采样后大小为4×4×2,其中在第一次下采样时第三个维度D大小不变,其他维度及层数输入的feature map都为原先大小的1/2。
步骤4,同时在跳跃连接过程中融入注意力模块,识别显著图像区域并抑制输入图像中不相关的区域,以保留与子区域分割相关的激活。网络初始学习率设置为0.001,采用最新提出的优化算法Adabound进行迭代优化。
步骤5,采用软dice损失函数与DBI损失函数计算分割结果与标注的偏差。偏差计算示意图如图3所示。前列腺多区域分割任务中一共有两类前景,分别是中央区(黄色,第一类)和外周带(绿色,第二类),背景为黑色。在每次迭代训练过程中,先计算第一类每一个预测错误的像素点与相应的中央区的边界的距离并进行线性归一化,预测错误的点包括:背景预测为中央区,外周带预测为中央区,以及中央区预测为其他类这三种情况。第二类同第一类,然后所得到的两个距离映射相加得到当前迭代的权重映射。当中央区像素被预测为外周带像素时,该像素惩罚权重将会计算两次并进行叠加,这样该损失函数将更加关注前景像素的分类情况。由于每次迭代预测错误的像素并不相同,网络将动态地学习当前迭代的重要特征,并随着不同的数据自适应地提取相应特征。
步骤6,重复迭代步骤3、4、5,采用优化算法Adabound进行迭代优化,权重不断更新,损失值逐渐下降,最终训练完成前列腺的分割模型。
步骤7,将测试的前列腺图像依次输入定位网络及分割网络,就可推理得到完整的分割结果。我们的与手动标注及dice loss,dice与交叉墒组合loss的分割结果其中一例比较如图4所示。该测试集主要分为两类,一类是与训练集来源相同数据集ISBI的数据10例,一类是与训练集数据不相同的Litjens’数据集30例。不同损失函数在不同数据集中的dice系数值,95%Hausdorf距离(HDE)和平均距离(ASD)如表1所示(均值+方差)。
表1
本实施例的实验结果表明,本发明方法分割精度更高,泛化性更好;我们提出的损失函数对于边缘像素占比更大的目标的分割性能提高更明显;且本方法实施简单,易于融合到逐像素损失函数中。
Claims (1)
1.一种基于3D动态边缘不敏感性损失函数的医学图像分割方法,其特征在于,具体步骤为:
步骤1,对临床图像预处理,包括进行强度归一化以及直方图均衡化操作,把整个图像分成许多小块像素进行非线性拉伸,使局部的灰度直方图均匀分布;为了使网络能够正确学习空间语义,采用三阶样条插值法将所有体素重新采样为统一大小;采用最近邻插值法用于相应的分割标注;在每次训练迭代中,通过包括随机旋转、剪切、缩放和翻转操作的随机变换以增强数据;
步骤2,采用定位网络对图像进行粗分割;将经步骤1预处理的MRI图像全图按比例缩小,输入定位网络中,对图像进行粗分割,得到目标在原始大小图像中的大致区域;然后,在原始大小的图中裁剪出以目标为中心的图像,增大前景像素的占比,以解决类别的极度不平衡;所述定位网络与步骤(3)中的分割网络的模型一致;
步骤3,采用分割网络对图像进行精细分割;即将裁剪出的目标区域图像及相应的手工标注输入分割网络,进行精细分割;
所述分割网络模型,是一个基于U形结构的全卷积神经网络,每层模块包括:卷积、非线性激活、归一化、池化;
在解码过程中,通过深度监督使网络能够对大范围的图像前景内容进行响应;分割网络深度根据训练图像本身大小决定,每次经过下采样后,输入的图像或特征图在x、y、z轴纬度上都为原来的1/2大小或不变,直到图像三个维度上的长度都不大于4;
步骤4,采用注意力模块对图像进行自适应特征细化;即在跳跃连接中加入注意力模块,识别显著图像区域并抑制输入图像中不相关的区域,以保留与子区域分割相关的激活;注意力模块是一个轻量级卷积神经网络,定义如下:
其中,W表示多层感知机的权重,σ表示sigmoid函数,b表示偏差,x和g表示输入特征图和门控信号;最后计算x的注意力图Xatt,并将其与输入特征图相乘,以进行自适应特征细化;
步骤5,上述网络输出与输入图像大小相同的分割概率图,然后与手工标注图通过损失函数计算预测图与标注之间偏差的大小,从而进行反向传播,更新网络权重;所述的损失函数采用软dice损失函数与动态边缘不敏感性(DBI)损失函数相结合的形式:LDBI+dice,公式如下:
其中,D为图像的深度,H为高度,W为宽度,f表示线性归一化,i=1,2,…,N,N为类别数,表示预测图中分类为i的像素点坐标位置,(hi,wi)表示标注图中分类为i的像素点的坐标位置,y为某一类别,为经过类别映射后的预测类别;
步骤6,重复迭代步骤3、步骤4、步骤5,采用优化算法Adabound进行迭代优化,权重不断更新,损失值逐渐下降,最终训练完成目标任务的分割模型;
步骤7,将测试图像依次输入经过训练的定位网络及分割网络,即得到完整的分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010682603.XA CN111968138B (zh) | 2020-07-15 | 2020-07-15 | 基于3d动态边缘不敏感性损失函数的医学图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010682603.XA CN111968138B (zh) | 2020-07-15 | 2020-07-15 | 基于3d动态边缘不敏感性损失函数的医学图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111968138A CN111968138A (zh) | 2020-11-20 |
CN111968138B true CN111968138B (zh) | 2022-03-18 |
Family
ID=73361501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010682603.XA Active CN111968138B (zh) | 2020-07-15 | 2020-07-15 | 基于3d动态边缘不敏感性损失函数的医学图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111968138B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967300A (zh) * | 2021-02-23 | 2021-06-15 | 艾瑞迈迪医疗科技(北京)有限公司 | 基于多尺度融合网络的三维超声甲状腺分割方法及装置 |
CN113077471B (zh) * | 2021-03-26 | 2022-10-14 | 南京邮电大学 | 一种基于u型网络的医学图像分割方法 |
US11580646B2 (en) | 2021-03-26 | 2023-02-14 | Nanjing University Of Posts And Telecommunications | Medical image segmentation method based on U-Net |
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 |
CN113012172B (zh) * | 2021-04-09 | 2023-10-03 | 杭州师范大学 | 一种基于AS-UNet的医学图像分割方法及系统 |
CN114972380A (zh) * | 2022-05-26 | 2022-08-30 | 北京百度网讯科技有限公司 | 边缘分割方法和装置 |
CN118071969A (zh) * | 2024-04-25 | 2024-05-24 | 山东金东数字创意股份有限公司 | 一种基于ai实时生成xr环境背景的方法、介质及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109509178A (zh) * | 2018-10-24 | 2019-03-22 | 苏州大学 | 一种基于改进的U-net网络的OCT图像脉络膜分割方法 |
CN109741343A (zh) * | 2018-12-28 | 2019-05-10 | 浙江工业大学 | 一种基于3D-Unet和图论分割的T1WI-fMRI图像肿瘤协同分割方法 |
EP3660785A1 (en) * | 2018-11-30 | 2020-06-03 | Laralab UG | Method and system for providing an at least 3-dimensional medical image segmentation of a structure of an internal organ |
-
2020
- 2020-07-15 CN CN202010682603.XA patent/CN111968138B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109509178A (zh) * | 2018-10-24 | 2019-03-22 | 苏州大学 | 一种基于改进的U-net网络的OCT图像脉络膜分割方法 |
EP3660785A1 (en) * | 2018-11-30 | 2020-06-03 | Laralab UG | Method and system for providing an at least 3-dimensional medical image segmentation of a structure of an internal organ |
CN109741343A (zh) * | 2018-12-28 | 2019-05-10 | 浙江工业大学 | 一种基于3D-Unet和图论分割的T1WI-fMRI图像肿瘤协同分割方法 |
Non-Patent Citations (2)
Title |
---|
SEGMENTING HEPATIC LESIONS USING RESIDUAL ATTENTION U-NET WITH AN ADAPTIVE WEIGHTED DICE LOSS;Yu-Cheng Liu et al.;《ICIP 2019》;20191231;第3322-第3326页 * |
改进 U-Net 网络的肺结节分割方法;钟思华等;《计算机工程与应用》;20200416;第203-209页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111968138A (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111968138B (zh) | 基于3d动态边缘不敏感性损失函数的医学图像分割方法 | |
CN110889852B (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
CN108776969B (zh) | 基于全卷积网络的乳腺超声图像肿瘤分割方法 | |
CN110889853B (zh) | 基于残差-注意力深度神经网络的肿瘤分割方法 | |
CN107016681B (zh) | 基于全卷积网络的脑部mri肿瘤分割方法 | |
CN112819076B (zh) | 基于深度迁移学习的医学图像分类模型的训练方法及装置 | |
Liu et al. | Adaptive partial differential equation learning for visual saliency detection | |
WO2021203795A1 (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
Enokiya et al. | Automatic liver segmentation using U-Net with Wasserstein GANs | |
CN111738363B (zh) | 基于改进的3d cnn网络的阿尔茨海默病分类方法 | |
CN111612008A (zh) | 基于卷积网络的图像分割方法 | |
CN113112534B (zh) | 一种基于迭代式自监督的三维生物医学图像配准方法 | |
CN113177592B (zh) | 一种图像分割方法、装置、计算机设备及存储介质 | |
CN110490915B (zh) | 一种基于卷积受限玻尔兹曼机的点云配准方法 | |
Ninh et al. | Skin lesion segmentation based on modification of SegNet neural networks | |
Shan et al. | SCA-Net: A spatial and channel attention network for medical image segmentation | |
CN115294086A (zh) | 医学影像分割方法、分割模型训练方法、介质及电子设备 | |
Kitrungrotsakul et al. | Interactive deep refinement network for medical image segmentation | |
Khattar et al. | Computer assisted diagnosis of skin cancer: a survey and future recommendations | |
CN112329662B (zh) | 基于无监督学习的多视角显著性估计方法 | |
CN113781465A (zh) | 基于Grad-CAM的医学图像分割模型可视化方法 | |
Zhang et al. | Segmentation of brain tumor MRI image based on improved attention module Unet network | |
CN117437423A (zh) | 基于sam协同学习和跨层特征聚合增强的弱监督医学图像分割方法及装置 | |
CN108765384B (zh) | 一种联合流形排序和改进凸包的显著性检测方法 | |
CN116258877A (zh) | 土地利用场景相似度变化检测方法、装置、介质及设备 |
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 | ||
GR01 | Patent grant |