CN112070752A - 一种医学图像的心耳分割方法、装置及存储介质 - Google Patents

一种医学图像的心耳分割方法、装置及存储介质 Download PDF

Info

Publication number
CN112070752A
CN112070752A CN202010948652.3A CN202010948652A CN112070752A CN 112070752 A CN112070752 A CN 112070752A CN 202010948652 A CN202010948652 A CN 202010948652A CN 112070752 A CN112070752 A CN 112070752A
Authority
CN
China
Prior art keywords
segmentation
layer
auricle
image data
post
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
Application number
CN202010948652.3A
Other languages
English (en)
Inventor
高琪
方存亮
王哲
魏润杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Shengshi Technology Co ltd
Original Assignee
Hangzhou Shengshi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Shengshi Technology Co ltd filed Critical Hangzhou Shengshi Technology Co ltd
Priority to CN202010948652.3A priority Critical patent/CN112070752A/zh
Publication of CN112070752A publication Critical patent/CN112070752A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G06T3/4023—Decimation- or insertion-based scaling, e.g. pixel or line decimation
    • 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
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • 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
    • G06T2207/20—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
    • G06T2207/30048—Heart; Cardiac

Abstract

本发明公开了一种医学图像的心耳分割方法、装置及存储介质。具体方法为：获取原始图像数据集和标签图像数据集作为训练数据；基于3D‑Unet网络架构构建神经网络模型，神经网络模型包括输入层、前处理模块、后处理模块和输出层；将原始图像数据集和标签图像数据集输入神经网络模型进行训练，损失函数值采用均值Dice损失函数获得；根据训练好的神经网络模型对每组待分割的医学图像集进行心耳的识别和分割，输出一组心耳分割预测图像，完成医学图像的心耳分割。本发明能够自动识别医学图像中的心耳部分，并进行分割输出。

Description

一种医学图像的心耳分割方法、装置及存储介质
技术领域
本发明涉及医学图像后处理，尤其是涉及一种医学图像的心耳分割方法、装置及存储介质。
背景技术
心耳就是从心房伸出的耳状小囊，是心房的一部分，具有主动舒缩和分泌功能，对缓解心房内压力升高及保证心室充盈具有重要意义。
从解剖结构上看，心耳在心脏的角落，血液在心耳中流动缓慢，因而易形成血块，这些血块脱落后经主动脉流向全身，可能引发不同部位的栓塞，对身体造成严重的损害，甚至直接危及生命。虽然医学影像可以为临床诊断提供可靠的依据，但是生物医学图像本身有着许多不可避免的缺陷，使得医学影像的可读性存在一定局限，而且往往需要较多的医学经验。
目前针对心耳的分割算法中，大部分都是基于传统图像处理的方式。这些算法需要依赖一定的先验知识，特殊情况下需要人为干预，处理效率低，鲁棒性不佳。同时在CTA图像上左心耳与左心房没有明显的边界，无法从灰度中获得边界特征，因此传统方法更加难以准确确定分割边界。此外，其中的许多方法都是针对超声图像进行的处理，无法直接应用于CTA图像中的心耳分割。
发明内容
为了解决背景技术中的问题，本发明提供了一种医学图像的心耳分割方法、装置及存储介质，借助3D-Unet网络的特性，对心耳进行精准的定位，以实现高效、完整的三维分割，本发明旨在实现医学图像中心耳的自动准确提取，医学图像包括CTA图像(CT血管造影，CT Angiography)或其他成像数据。
本发明采用的技术方案如下：
一种医学图像的心耳分割方法，包括以下步骤：
S1：对包含心脏区域的多组医学图像数据集中的原始医学图像进行预处理后得到原始图像数据集；
将每组医学图像数据重构得到三维模型，从三维模型中分离出心耳三维模型，根据心耳三维模型得到对应的三维二值矩阵，通过三维二值矩阵生成对应的心耳图像作为标签图像数据集；
每组医学图像数据由一套病例获得，每组医学图像数据包含的医学图像数目不同，但每幅图像的分辨率均为512×512。
S2：基于3D-Unet网络架构构建神经网络模型，神经网络模型包括输入层、前处理模块、后处理模块和输出层。
S3：将步骤S1的原始图像数据集和标签图像数据集输入神经网络进行训练，损失函数值采用均值Dice损失函数获得。
S4：根据步骤S3训练好的神经网络模型对单组待分割的医学图像数据进行心耳的识别和分割，输出一组心耳分割预测图像，完成医学图像的心耳分割。
所述步骤S1中对包含心脏区域的医学图像进行预处理的方法具体为：
1.1)利用连续插值算法先对每组医学图像数据集中的医学图像进行重采样，以保证图像具有相同的像素间距；
1.2)对每幅医学图像中所有非零像素(前景)进行合并，根据设定的裁剪值对合并后的图像进行裁剪；
1.3)通过三次B样条基函数作为变形函数对医学图像进行仿射变换实现图像的整体配准；
1.4)最后对医学图像进行灰度阈值化处理。
所述步骤S2构建的神经网络模型具体为：输入层、前处理模块、后处理模块和输出层依次连接；
前处理模块包括五个依次连接的前处理子单元，第一个、第二个、第三个和第四个前处理子单元均包括依次连接的一个第一卷积块、两个第二卷积块和一个dropout层，第五个前处理子单元包括依次连接的一个第一卷积块、两个第二卷积块和一个上采样层；
后处理模块包括四个依次连接的后处理子单元，第一个后处理子单元、第二个后处理子单元和第三个后处理子单元包括依次连接的两个第二卷积块、一个第三卷积块和一个上采样层，第四个后处理子单元包括依次连接的一个第一卷积块和一个第三卷积块；
图像经输入层输入第一个前处理子单元，输出层主要由一个reshape层(尺寸重定义层)和一个激活函数层(activation层)依次连接组成；
每个前处理子单元中第一卷积块的输出经逐像素求和操作(element-wisesummation)均输入后一个前处理子单元的第一卷积块，其中，第五个前处理子单元中第一卷积块的输出输入第一个后处理子单元中第一个第二卷积块；第一个、第二个、第三个和第四个前处理子单元中第二个第二卷积块的输出经级联(concatenation)的操作分别输入第四个、第三个、第二个和第一个后处理子单元中第一个第二卷积块；
第二个后处理子单元的第三卷积块依次经第三卷积块和第一个upscale层的输出与第三个后处理子单元的第三卷积块经第三卷积块的输出逐像素求和后输入第二个upscale层，第二个upscale层的输出与第四个后处理子单元的输出逐像素求和后输入到输出层输出。
第一个前处理子单元和第四个后处理子单元的第一卷积块由步长为1的3*3*3的卷积层组成；第二个、第三个、第四个和第五个前处理子单元的第一卷积块主要由一个步长为2的3*3*3的卷积层、一个实例规范化层(Instance Normalization)和一个激活函数层组成；第二卷积块主要由一个步长为1的3*3*3的卷积层、一个实例规范化层和一个激活函数层组成；第三卷积块主要由一个1*1*1的卷积层、一个实例规范化层和一个激活函数层组成。
所述激活函数层采用Leaky ReLU激活函数计算。
所述步骤S3具体为：将步骤S1的原始图像数据集和标签图像数据集通过翻转、旋转的方法进行数据增强后加入神经网络模型中进行训练；训练过程中，每次迭代训练处理得到原始图像数据集中每幅医学图像的心耳分割预测图像，采用均值Dice损失函数计算心耳分割预测图像与标签图像数据集中的心耳图像所构成的损失函数值。
输入层输入一组医学图像集，输出层输出一组医学图像集对应的一组预测分割图。
与原始Unet相比，本发明的神经网络模型采用使用整个图像而不是图像块的形式进行训练。
二、采用上述方法的医学图像心耳分割装置
包括预处理模块、网络训练模块和分割模块；
预处理模块，对获取到的多组医学图像数据集进行预处理，生成对应的原始图像数据集，再从多组医学图像数据集重构得到的三维模型中人为筛选出心耳部分，制成标签数据集；
网络训练模块，用于训练预处理模块获取的原始图像数据集和标签图像数据集，得到训练后的神经网络模型；训练采用基于3D-Unet网络架构构建的神经网络模型；
分割模块，用于对单组待分割的医学图像数据进行心耳的识别和分割，输出对应的心耳分割预测图像；心耳的识别和分割采用网络训练模块训练好的神经网络模型。
三、一种存储介质
包括处理器和存储器，存储器用于存储在处理器上运行的程序，处理器通过运行程序以实现上述医学图像的心耳分割方法。
所述程序为对应上述医学图像心耳分割方法的指令。
本发明的有益效果：
1、本发明能够自动识别CTA图像中的心耳部分，并进行分割输出，识别结果准确率高，鲁棒性好。
2、本发明流程操作简单，效率高，且不需要人工干预，大大减少了医生的工作量；医学经验不丰富的医生、学者亦能通过本发明得到需要的心耳部分。
附图说明
图1为本发明实施例中的心耳分割方法的流程示意图；
图2为本发明实施例中基于3D-Unet的网络结构图；
图3为本发明实施例中对心耳CTA图像的预测效果二值图；
图4为本发明实施例中心耳CTA图像的真实标签二值图；
图5为本发明实施例中经过网络训练得到的心耳预测模型图；
图6为本发明实施例中心耳的真实模型图；
图7为本发明实施例中CTA图像的心耳分割装置的结构示意图；
图8为本发明实施例中存储介质的结构示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。
本实例的原始图像为多组人类胸部(主要包含心脏区域)CTA图像，图像为DICOM格式，头文件中包含一定的信息。本实例中共采用16组CTA图像，每组CTA图像集由一套病例获得，由于拍摄选取的差异，每组CTA图像数据包含的CTA图像数目不同，但每幅图像的分辨率均为512×512。
如图1所示为本发明实施例的流程示意图，具体实施方法包括：
步骤1、原始图像数据集生成
利用连续插值算法先对每组CTA图像集中的CTA图像进行重采样，以保证图像具有相同的像素间距；对每幅CTA图像中所有非零像素(前景)进行合并，根据设定的裁剪值对合并后的图像进行裁剪；通过三次B样条基函数作为变形函数对CTA图像进行仿射变换以实现预处理后的三维模型与原始三维模型的整体配准；最后对CTA图像进行灰度阈值化处理，生成相对应的原始图像数据集。
预处理后的三维模型由仿射变换后的CTA图像集重构获得，原始三维模型由原始CTA图像集重构获得。本发明中均采用的是三维点云重构算法。
步骤2、标签图像数据集生成
将原始三维模型中人工分离出心耳三维模型，根据心耳三维模型制作得到对应的三维二值矩阵，通过三维二值矩阵生成对应的心耳图像作为标签图像数据集；
步骤3、训练神经网络模型
本发明采用的是基于Isensee等人提出的3D-Unet网络架构(Isensee,F.,Kickingereder,P.,Wick,et al.Brain tumor segmentation and radiomicssurvivalpredictation:Contribution to the brats 2017challenge.BrainLes 2017,SpringerLNCS vol.10670(2018):287–297)。与原始Unet相比，该网络使用整个图像而不是图像块的形式进行训练，同时添加了残差连接、深监督，使得网络能够得到更加充分的训练，避免了梯度消失等问题的产生。
更详细的处理过程如下：
3.1)搭建神经网络模型
如图2所示，该网络左边特征提取部分的每个前处理子单元分别包含2个3x3x3的卷积层和1个dropout层，每个前处理子单元之间还通过输入步长为2的3x3x3卷积连接以降低特征图的分辨率，并允许更多的特征向下传输；同时将每个前处理子单元作为残差块进行残差连接(即逐像素求和的操作)，使得信息前后向传播更加顺畅，网络的训练更加充分，避免产生深度神经网络的退化问题。
网络的右边上采样部分旨在从下层网络中获取特征，这些特征以较低的空间分辨率对上一层信息进行编码，并将该信息转换为较高的空间分辨率。首先通过对低分辨率特征图进行上采样，然后进行两个3x3x3的卷积操作，将特征图的数量减半。与更常用的转置卷积相比，该方法不仅可提供相似的性能，还能防止网络输出中出现棋盘伪影。进一步地，通过级联(concatenation操作)的方式分别将上采样的特征与前处理子单元得到的特征重新组合，再利用3x3x3卷积和1x1x1卷积进一步减少特征图的数量，加快计算的同时也减少了内存消耗。
进一步地，对后处理子单元的不同层利用upscale层和逐像素求和组合的方式来实现深监督(deep supervision)，用来解决深度神经网络训练梯度消失和收敛速度过慢等问题，并形成最终的网络输出。
3.2)生成训练样本
通过翻转、旋转的方法对S1和S2生成的图像数据集和标签样本集进行数据增强，将原先16组数据扩充至48组，并将增强后的图像与原始图像全部加入网络进行训练。
3.3)神经网络模型的训练
对于整个深度神经网络，由于每个批处理(Batch Normalization)的均值和标准差是不稳定的，本身相当于引入了噪声，所以本网络采用实例规范化(InstanceNormalization)代替了传统的批处理，增加了训练的稳定性。同时，网络采用Leaky ReLU激活函数来计算所有特征图的卷积值。
此外，医学图像分割中，常常由于数据类不平衡而导致当使用常规交叉熵作为损失函数进行训练时出现错误。所以本发明采用均值Dice损失函数来衡量预测值与真实值之间的相似性，并用以构建损失函数：
Figure BDA0002676154890000061
其中p是网络预测输出，t是真相分割图的编码，i是训练补丁中的体素，K是类别数目，ε是超参数。pi,k和ti,k分别表示体素i上k类的预测值和真实值。本实例中K＝1，ε＝10-4。
步骤4、利用神经网络模型进行心耳分割：
根据步骤3训练好的网络模型，对待分割的CTA图像数据进行心耳的识别和分割，得到一组心耳分割预测图像。最终的分割预测效果(部分)如图3所示，相应的真实标签结果(对应部分)如图4所示，所示的图片表示单个病例CTA图像的切片图，以二值图的形式显示分割效果。
将神经网络模型预测得到的一组心耳分割预测图像重构成如图5所示的三维模型，与如图6对应的三维真实模型对比可以看到本发明的分割方法识别结果准确率高。
基于同一发明构思，本发明实施例提供一种CTA图像中心耳的分割装置，图7为本发明实施例中的心耳分割装置的结构示意图，如图7所示，该装置包括：预处理模块，网络训练模块和分割模块。
其中，预处理模型，用于处理获取到的CTA图像数据和标签数据，生成对应的CTA图像数据集，再从重构好的CTA三维模型中人为筛选出心耳部分，制成标签数据集；网络训练模块，用于根据获取到的图像数据集和标签数据集，采用3D-Unet网络进行训练，得到网络的输出模型；分割模块，用于对某组CTA图像数据进行预测，输出相应存在的心耳部分。
基于同一发明构思，本实施例提供一种存储介质，图8为本发明实施例中的存储介质的结构示意图，如图8所示，该存储介质包括：处理器、存储器和通信总线；其中，通信总线用于实现处理器和存储器之间的连接通信；处理器用于执行存储器中存储的关于CTA图像心耳分割方法的程序，存储器中存储有可执行程序，该可执行程序的配置为执行本发明提供的CTA图像的心耳分割方法。
本领域内的技术人员应明白，本发明的实施例可提供方法、装置及对应的存储介质。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有可用程序代码的可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的程序产品的形式。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (10)

1.一种医学图像的心耳分割方法，其特征在于，包括以下步骤：
S1：对包含心脏区域的多组医学图像数据集中的原始医学图像进行预处理后得到原始图像数据集；
将每组医学图像数据重构得到三维模型，从三维模型中分离出心耳三维模型，根据心耳三维模型得到对应的三维二值矩阵，通过三维二值矩阵生成对应的心耳图像作为标签图像数据集；
S2：基于3D-Unet网络架构构建神经网络模型，神经网络模型包括输入层、前处理模块、后处理模块和输出层；
S3：将步骤S1的原始图像数据集和标签图像数据集输入神经网络进行训练，损失函数值采用均值Dice损失函数获得；
S4：根据步骤S3训练好的神经网络模型对单组待分割的医学图像数据进行心耳的识别和分割，输出一组心耳分割预测图像，完成医学图像的心耳分割。
2.根据权利要求1所述的一种医学图像的心耳分割方法，其特征在于，所述步骤S1中对包含心脏区域的医学图像进行预处理的方法具体为：
1.1)利用连续插值算法先对每组医学图像数据集中的医学图像进行重采样；
1.2)对每幅医学图像中所有非零像素进行合并，根据设定的裁剪值对合并后的图像进行裁剪；
1.3)通过三次B样条基函数作为变形函数对医学图像进行仿射变换；
1.4)最后对医学图像进行灰度阈值化处理。
3.根据权利要求1所述的一种医学图像的心耳分割方法，其特征在于，所述步骤S2构建的神经网络模型具体为：
输入层、前处理模块、后处理模块和输出层依次连接；
前处理模块包括五个依次连接的前处理子单元，第一个、第二个、第三个和第四个前处理子单元均包括依次连接的一个第一卷积块、两个第二卷积块和一个dropout层，第五个前处理子单元包括依次连接的一个第一卷积块、两个第二卷积块和一个上采样层；
后处理模块包括四个依次连接的后处理子单元，第一个后处理子单元、第二个后处理子单元和第三个后处理子单元包括依次连接的两个第二卷积块、一个第三卷积块和一个上采样层，第四个后处理子单元包括依次连接的一个第一卷积块和一个第三卷积块；
图像经输入层输入第一个前处理子单元，输出层主要由一个reshape层和一个激活函数层依次连接组成。
4.根据权利要求3所述的一种医学图像的心耳分割方法，其特征在于，
每个前处理子单元中第一卷积块的输出经逐像素求和操作均输入后一个前处理子单元的第一卷积块，其中，第五个前处理子单元中第一卷积块的输出输入第一个后处理子单元中第一个第二卷积块；第一个、第二个、第三个和第四个前处理子单元中第二个第二卷积块的输出经级联的操作分别输入第四个、第三个、第二个和第一个后处理子单元中第一个第二卷积块；
第二个后处理子单元的第三卷积块依次经第三卷积块和第一个upscale层的输出与第三个后处理子单元的第三卷积块经第三卷积块的输出逐像素求和后输入第二个upscale层，第二个upscale层的输出与第四个后处理子单元的输出逐像素求和后输入到输出层输出。
5.根据权利要求3所述的一种医学图像的心耳分割方法，其特征在于，
第一个前处理子单元和第四个后处理子单元的第一卷积块由步长为1的3*3*3的卷积层组成；第二个、第三个、第四个和第五个前处理子单元的第一卷积块主要由一个步长为2的3*3*3的卷积层、一个实例规范化层和一个激活函数层组成；
第二卷积块主要由一个步长为1的3*3*3的卷积层、一个实例规范化层和一个激活函数层组成；
第三卷积块主要由一个1*1*1的卷积层、一个实例规范化层和一个激活函数层组成。
6.根据权利要求3或5任一所述的一种医学图像的心耳分割方法，其特征在于，所述激活函数层采用Leaky ReLU激活函数计算。
7.根据权利要求1所述的一种医学图像的心耳分割方法，其特征在于，所述步骤S3具体为：将步骤S1的原始图像数据集和标签图像数据集通过翻转、旋转的方法进行数据增强后加入神经网络模型中进行训练；训练过程中，每次迭代训练处理得到原始图像数据集中每幅医学图像的心耳分割预测图像，采用均值Dice损失函数计算心耳分割预测图像与标签图像数据集中的心耳图像所构成的损失函数值。
8.采用权利要求1～7任一所述方法的一种医学图像的心耳分割装置，其特征在于，包括预处理模块、网络训练模块和分割模块；
预处理模块，对获取到的多组医学图像数据集进行预处理，生成对应的原始图像数据集，再从多组医学图像数据集重构得到的三维模型中人为筛选出心耳部分，制成标签数据集；
网络训练模块，用于训练预处理模块获取的原始图像数据集和标签图像数据集，得到训练后的神经网络模型；训练采用基于3D-Unet网络架构构建的神经网络模型；
分割模块，用于对单组待分割的医学图像数据进行心耳的识别和分割，输出对应的心耳分割预测图像；心耳的识别和分割采用网络训练模块训练好的神经网络模型。
9.一种存储介质，其特征在于，包括处理器和存储器，存储器用于存储在处理器上运行的程序，处理器通过运行程序以实现权利要求1～7任一所述的医学图像的心耳分割方法。
10.根据权利要求9所述的一种存储介质，其特征在于，所述程序为对应权利要求1～7任一所述的医学图像的心耳分割方法的指令。
CN202010948652.3A 2020-09-10 2020-09-10 一种医学图像的心耳分割方法、装置及存储介质 Pending CN112070752A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010948652.3A CN112070752A (zh) 2020-09-10 2020-09-10 一种医学图像的心耳分割方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010948652.3A CN112070752A (zh) 2020-09-10 2020-09-10 一种医学图像的心耳分割方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN112070752A true CN112070752A (zh) 2020-12-11

Family

ID=73664688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010948652.3A Pending CN112070752A (zh) 2020-09-10 2020-09-10 一种医学图像的心耳分割方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112070752A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801964A (zh) * 2021-01-20 2021-05-14 中国人民解放军总医院 肺部ct图像的多标签智能检测方法、装置、设备和介质
CN113112475A (zh) * 2021-04-13 2021-07-13 五邑大学 一种基于机器学习的中医耳部五脏区域分割方法和装置
CN113160253A (zh) * 2020-12-29 2021-07-23 南通大学 基于稀疏标记的三维医学图像分割方法及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130083983A1 (en) * 2011-10-04 2013-04-04 Siemens Aktiengesellschaft Method and System for Segmentation and Removal of Pulmonary Arteries, Veins, Left Atrial Appendage
CN108876769A (zh) * 2018-05-31 2018-11-23 厦门大学 一种左心耳ct图像分割方法
CN109598728A (zh) * 2018-11-30 2019-04-09 腾讯科技（深圳）有限公司 图像分割方法、装置、诊断系统及存储介质
CN110211140A (zh) * 2019-06-14 2019-09-06 重庆大学 基于3D残差U-Net和加权损失函数的腹部血管分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130083983A1 (en) * 2011-10-04 2013-04-04 Siemens Aktiengesellschaft Method and System for Segmentation and Removal of Pulmonary Arteries, Veins, Left Atrial Appendage
CN108876769A (zh) * 2018-05-31 2018-11-23 厦门大学 一种左心耳ct图像分割方法
CN109598728A (zh) * 2018-11-30 2019-04-09 腾讯科技（深圳）有限公司 图像分割方法、装置、诊断系统及存储介质
CN110211140A (zh) * 2019-06-14 2019-09-06 重庆大学 基于3D残差U-Net和加权损失函数的腹部血管分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
韩路易 等: "基于深度学习的超声图像左心耳自动分割方法", 计算机应用, vol. 39, no. 11, pages 3361 - 3365 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160253A (zh) * 2020-12-29 2021-07-23 南通大学 基于稀疏标记的三维医学图像分割方法及存储介质
CN113160253B (zh) * 2020-12-29 2024-01-30 南通大学 基于稀疏标记的三维医学图像分割方法及存储介质
CN112801964A (zh) * 2021-01-20 2021-05-14 中国人民解放军总医院 肺部ct图像的多标签智能检测方法、装置、设备和介质
CN113112475A (zh) * 2021-04-13 2021-07-13 五邑大学 一种基于机器学习的中医耳部五脏区域分割方法和装置

Similar Documents

Publication Publication Date Title
CN110827216B (zh) 图像去噪的多生成器生成对抗网络学习方法
Du et al. Learning invariant representation for unsupervised image restoration
Wang et al. Laplacian pyramid adversarial network for face completion
CN112070752A (zh) 一种医学图像的心耳分割方法、装置及存储介质
Zhang et al. Automatic segmentation of the cardiac MR images based on nested fully convolutional dense network with dilated convolution
Du et al. Accelerated super-resolution MR image reconstruction via a 3D densely connected deep convolutional neural network
CN111028248A (zh) 一种基于ct图像的静动脉分离方法及装置
CN114429422A (zh) 基于残差通道注意力网络的图像超分辨率重建方法及系统
CN110570394B (zh) 医学图像分割方法、装置、设备及存储介质
CN112991365B (zh) 一种冠状动脉分割方法、系统及存储介质
Shan et al. SCA-Net: A spatial and channel attention network for medical image segmentation
Yang et al. A survey of super-resolution based on deep learning
Angermann et al. Projection-based 2.5 d u-net architecture for fast volumetric segmentation
KR102514727B1 (ko) 대칭 시리즈 합성곱 신경망 기반 초해상도 모델을 이용한 영상 처리 방법 및 시스템
US20230386067A1 (en) Systems and methods for segmenting 3d images
CN115705638A (zh) 医学图像优化方法、系统、电子设备及存储介质
Sander et al. Autoencoding low-resolution MRI for semantically smooth interpolation of anisotropic MRI
CN114708353B (zh) 图像重建方法、装置、电子设备与存储介质
CN115797176A (zh) 一种图像超分辨率重建方法
Muhammad et al. IRMIRS: Inception-ResNet-Based Network for MRI Image Super-Resolution.
CN115147426A (zh) 基于半监督学习的模型训练与图像分割方法和系统
Shao et al. Semantic segmentation method of 3D liver image based on contextual attention model
Xing et al. Image super-resolution using aggregated residual transformation networks with spatial attention
Patel et al. Deep Learning in Medical Image Super-Resolution: A Survey
US20230169659A1 (en) Image segmentation and tracking based on statistical shape model

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