CN112150425A - 一种基于神经网络的无监督血管内超声图像配准方法 - Google Patents

一种基于神经网络的无监督血管内超声图像配准方法 Download PDF

Info

Publication number
CN112150425A
CN112150425A CN202010975102.0A CN202010975102A CN112150425A CN 112150425 A CN112150425 A CN 112150425A CN 202010975102 A CN202010975102 A CN 202010975102A CN 112150425 A CN112150425 A CN 112150425A
Authority
CN
China
Prior art keywords
image
layer
registration
neural network
convolution
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
Application number
CN202010975102.0A
Other languages
English (en)
Other versions
CN112150425B (zh
Inventor
汪友生
刘继荣
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202010975102.0A priority Critical patent/CN112150425B/zh
Priority claimed from CN202010975102.0A external-priority patent/CN112150425B/zh
Publication of CN112150425A publication Critical patent/CN112150425A/zh
Application granted granted Critical
Publication of CN112150425B publication Critical patent/CN112150425B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于神经网络的无监督血管内超声图像配准方法，属于医学图像处理技术领域。针对传统配准方法迭代优化配准时间长的缺点，引入深度学习把迭代时间转移到网络模型训练时间中去，本发明使用类U‑net网络结构，用步长卷积代替池化层进行下采样，保留更多配准需要的空间位置特征。针对常见深度学习方法对于IVUS图像配准精度较低问题，本发明继续在网络结构引入注意力机制，这一改进使得配准网络模型在训练过程中能更好聚焦于待配准图像之间形态差异较大的地方，有效提高血管内超声图像配准精度。最终本发明配准精度和最先进传统配准方法不相上下，而配准用时大大减少。

Description

一种基于神经网络的无监督血管内超声图像配准方法
技术领域
本发明属于医学图像处理技术领域，特别涉及一种基于卷积神经网络的医学图像配准方法。
背景技术
医学图像配准，是指对一组图像数据集中的两幅图像，通过寻找一种空间变换把一幅图像(移动图像)映射到另一幅图像(固定图像)，使得两图上的对应点达到空间上的一致。针对血管内超声(IVUS)图像，配准技术可以用来计算血管壁变形分析血管弹性，进而研究易损斑块的早期发现以及斑块破裂的风险，为预防和治疗心血管疾病提供重要依据，对引导介入性手术及手术支架的置入情况监测都有重要的意义。
传统的图像配准方法是一个迭代优化的过程，其基本思想是先定义一个相似性指标，通过对参数化转换或非参数化转换进行不断迭代优化，使得配准后的移动图像与固定图像相似性最高。传统的配准方法主要分为基于特征的配准方法和基于灰度的配准方法。(1)基于特征的配准方法，其基本思想是先提取图像的特征(点、边缘、区域等)，再生成相应特征描述子，最后根据描述子的相似程度对两幅图像的特征进行匹配，典型的算法有SIFT方法等。这种方法对于特征不明显的图像有很大局限性。(2)基于灰度的配准方法，其基本思想是直接利用两幅图像之间灰度度量的相似性，以图像内部信息为依据，采用搜索方法寻找相似度最大或者最小点，确定参考图像和待配准图像之间的变换参数，典型的算法有互相关法、互信息法等。这种方法实现简单，不需要对图像进行复杂的预处理，可以对小形变图像进行高精度的配准，但缺点是计算的复杂度较高，配准时间较长。由于传统的配准方法大都是采用迭代优化的方式搜寻最优参数的，这导致其处理速度相当慢，很难应用在实时化场景中。
为了解决传统图像配准方法迭代时间长的问题，将深度学习应用于图像配准领域，深度学习可以把迭代时间转移到网络模型训练时间中去，大大缩减实际的配准用时。深度学习的配准方法主要分为基于深度迭代的配准方法、基于监督学习或部分监督的方法和基于无监督学习的方法。(1)基于深度迭代的配准方法，其基本思想是在传统配准方法中嵌入了神经网络用来学习特征或者学习相似性测度。这种方法最大的缺点就是只利用深度学习进行特征学习或相似性度量，仍用传统配准方法进行迭代优化，没有充分发挥深度学习的优势，根本上没有解决配准花费时间长的问题。(2)基于监督学习或部分监督的方法，其基本思想是基于金标准通过神经网络来回归变换参数，相应的金标准就是真实的变换参数。这种方法最大的问题在于配准质量对金标准的依赖大，而金标准又依赖于制作者的专业程度，此外大量数据金标准的获取也是一个难题。(3)基于无监督学习的方法，其基本思想是通过神经网络生成位移矢量场，然后通过空间变化网络(STN)生成配准后的图像，目标函数为配准后图像与固定图像的灰度相似性测度和变形场的平滑正则项。典型的算法有DIRNet、BIRNet、voxelmorph等。尽管这种配准方法在MRI图像及CT图像配准方面取得较大进步，但对于IVUS图像配准仍存在配准精度相对较低的问题。
发明内容
本发明的目的是针对血管内超声图像提供一种更高效的无监督配准方法。在类U-net网络结构中，用步长卷积代替池化层进行下采样，保留更多配准需要的空间位置特征，并在网络结构引入注意力机制，这一改进使得神经网络模型在训练过程中能更好聚焦于待配准图像之间形态差异较大的地方，有效提高配准精度。
本发明的特征如下：
步骤1，从互联网获取医学图像序列，本文使用的是血管内超声(IVUS)图像；
步骤2，对获取到的二维血管内超声图像进行预处理；
步骤2.1，对所有图像进行感兴趣区域提取，像素值归一化到[0，1]，仿射对齐，图像尺寸大小统一为192*192；
步骤2.2，对数据集按照9:1比例划分为训练集和测试集；
步骤2.3，令训练集的每个图像为固定图像IF，对每个固定图像IF分别进行弯曲变换数据增强操作，得到各图像对应的弯曲变换后的图像为移动图像IM，所得到的移动图像IM为新增加的训练集图像；
步骤3，将预处理后得到的固定图像IF和移动图像IM作为神经网络的输入层输入神经网络，每组输入数据均包括所述的一张固定图像IF和一张移动图像IM，该神经网络由编码解码器组成；
步骤3.1，网络编码器包含5个下采样过程，每个下采样过程包含卷积核大小为3×3×3以及步长为2的三维卷积层和一个LeakyReLU激活函数层，5层三维卷积层的卷积核个数分别是16，32，32，32，32，编码器卷积层计算如下：
Figure BDA0002685485640000021
其中，
Figure BDA0002685485640000022
表示第l层第j个单元与第l+1层第i个单元的连接权重，
Figure BDA0002685485640000023
表示第l+1层第i个单元的偏置项，
Figure BDA0002685485640000024
表示第l层第i个单元的输入加权和；
步骤3.2，编码器LeakyReLU激活函数层计算过程如下：
Figure BDA0002685485640000031
其中，leak是小于1的常数；
步骤3.3，网络解码器包含上采样过程、三维卷积过程、跳跃连接以及注意力机制；
步骤3.4，解码器前4层是上采样过程和三维卷积过程交替进行，每个上采样过程是一个UpSampling层，每个三维卷积过程包含卷积核大小为3×3×3以及步长为2的三维卷积层和一个LeakyReLU激活函数层，4层三维卷积层的卷积核个数都是32，在进行每次卷积之前需要一次跳跃连接操作，除第一层外将来自编码器的特征与来自解码器的特征传入注意力机制；
步骤3.5，所述注意力机制输入是包含全局上下文信息的低级特征图
Figure BDA0002685485640000032
和包含丰富语义信息的高级特征图
Figure BDA0002685485640000033
通过生成一个注意力系数为α重新调整输入特征
Figure BDA0002685485640000034
具体公式如下：
Figure BDA0002685485640000035
αi＝σ2(wTf1+b2)
其中，wd、wu、w为线形变换参数，b1和b2为偏置项，线形变换通过1×1卷积操作完成，减少参数数量，降低模型计算复杂度，σ1为ReLU激活函数，σ2为Sigmoid激活函数，其将注意力系数归一化至α∈[0,1]，最后将低级特征图
Figure BDA0002685485640000036
与注意力系数α逐元素相乘即为输出的激活特征：
Figure BDA0002685485640000037
步骤3.6，将注意力机制的输出与解码层的特征采用特征层拼接方法进行拼接融合；
步骤3.7，解码器最后阶段，使用卷积层进行特征高维映射，输出移动图像IM到固定图像IF的变形场φ；
步骤4，将移动图像IM和上述输出的变形场φ输入到空间变换网络STN得到变形后的图像
Figure BDA0002685485640000039
，具体公式如下：
Figure BDA0002685485640000038
其中，p'＝p+u(p)，Z(p')表示p'的8邻域像素，d表示空间维度；
步骤5，利用损失函数计算固定图像IF与所述变形后的图像
Figure BDA00026854856400000310
的损失函数值，损失函数的计算公式为：
Figure BDA00026854856400000311
其中，Lsim()为相似性测度项，Lsmooth(φ)为平滑正则项，λ是正则化系数，计算公式分别为:
Figure BDA0002685485640000041
Figure BDA0002685485640000042
对神经网络进行反向传播优化，采用Adam优化器来优化训练模型，直至计算所得的损失函数值不再变小或网络训练达到预先设定的训练迭代次数，神经网络训练完成，得到训练好的神经网络模型；
步骤6，将待配准的医学图像输入到上述训练好的配准网络中，得到并输出该待配准图像配准好的图像。
附图说明
图1是本发明方法的流程图；
图2是采用本发明配准后的IVUS图像；a)为待配准图像，b)为移动图像，c)为配准后图像。
图3是采用本发明配准前与配准后结果图像对比图，a)为待配准图像与移动图像叠加效果；b)为待配准图像与配准后图像叠加效果。
具体实施方式
本发明是采用以下技术手段实现的：
一种基于神经网络的无监督血管内超声图像配准方法。首先对数据集进行预处理，并把数据集分为训练集和测试集，将训练集输入改进的配准网络输出得到变形场，将移动图像和得到的变形场输入到空间变换网络STN得到变形后的图像，通过固定图像与所述变形后的图像计算损失函数值，最后对配准网络进行反向传播优化参数，直至损失函数值不再变小或网络训练达到预先设定的训练迭代次数，得到训练好的配准网络模型。
上述基于神经网络的无监督血管内超声图像配准方法，包括下述步骤：
步骤1，从互联网获取医学图像序列，本文使用的是血管内超声(IVUS)图像；
步骤2，对获取到的二维血管内超声图像进行预处理；
步骤2.1，对所有图像进行感兴趣区域提取，像素值归一化到[0，1]，仿射对齐，图像尺寸大小统一为192*192；
步骤2.2，对数据集按照9:1比例划分为训练集和测试集；
步骤2.3，令训练集的每个图像为固定图像IF，对每个固定图像IF分别进行弯曲变换数据增强操作，得到各图像对应的弯曲变换后的图像为移动图像IM，所得到的移动图像IM为新增加的训练集图像；
步骤3，将预处理后得到的固定图像IF和移动图像IM作为神经网络的输入层输入神经网络，每组输入数据均包括所述的一张固定图像IF和一张移动图像IM，该神经网络由编码解码器组成；
步骤3.1，网络编码器包含5个下采样过程，每个下采样过程包含卷积核大小为3×3×3以及步长为2的三维卷积层和一个LeakyReLU激活函数层，5层三维卷积层的卷积核个数分别是16，32，32，32，32，编码器卷积层计算如下：
Figure BDA0002685485640000051
其中，
Figure BDA0002685485640000052
表示第l层第j个单元与第l+1层第i个单元的连接权重，
Figure BDA0002685485640000053
表示第l+1层第i个单元的偏置项，
Figure BDA0002685485640000054
表示第l层第i个单元的输入加权和；
步骤3.2，编码器LeakyReLU激活函数层计算过程如下：
Figure BDA0002685485640000055
其中，leak是小于1的常数；
步骤3.3，网络解码器包含上采样过程、三维卷积过程、跳跃连接以及注意力机制；
步骤3.4，解码器前4层是上采样过程和三维卷积过程交替进行，每个上采样过程是一个UpSampling层，每个三维卷积过程包含卷积核大小为3×3×3以及步长为2的三维卷积层和一个LeakyReLU激活函数层，4层三维卷积层的卷积核个数都是32，在进行每次卷积之前需要一次跳跃连接操作，除第一层外将来自编码器的特征与来自解码器的特征传入注意力机制；
步骤3.5，所述注意力机制输入是包含全局上下文信息的低级特征图
Figure BDA0002685485640000056
和包含丰富语义信息的高级特征图
Figure BDA0002685485640000057
通过生成一个注意力系数为α重新调整输入特征
Figure BDA0002685485640000058
具体公式如下：
Figure BDA0002685485640000059
αi＝σ2(wTf1+b2)
其中，wd、wu、w为线形变换参数，b1和b2为偏置项，线形变换通过1×1卷积操作完成，减少参数数量，降低模型计算复杂度，σ1为ReLU激活函数，σ2为Sigmoid激活函数，其将注意力系数归一化至α∈[0,1]，最后将低级特征图
Figure BDA00026854856400000510
与注意力系数α逐元素相乘即为输出的激活特征：
Figure BDA0002685485640000061
步骤3.6，将注意力机制的输出与解码层的特征采用特征层拼接方法进行拼接融合；
步骤3.7，解码器最后阶段，使用卷积层进行特征高维映射，输出移动图像IM到固定图像IF的变形场φ；
步骤4，将移动图像IM和上述输出的变形场φ输入到空间变换网络STN得到变形后的图像
Figure BDA0002685485640000065
，具体公式如下：
Figure BDA0002685485640000062
其中，p'＝p+u(p)，Z(p')表示p'的8邻域像素，d表示空间维度；
步骤5，利用损失函数计算固定图像IF与所述变形后的图像
Figure BDA0002685485640000066
的损失函数值，损失函数的计算公式为：
Figure BDA0002685485640000067
其中，Lsim()为相似性测度项，Lsmooth(φ)为平滑正则项，λ是正则化系数，计算公式分别为:
Figure BDA0002685485640000063
Figure BDA0002685485640000064
对神经网络进行反向传播优化，采用Adam优化器来优化训练模型，直至计算所得的损失函数值不再变小或网络训练达到预先设定的训练迭代次数，神经网络训练完成，得到训练好的神经网络模型；
步骤6，将待配准的医学图像输入到上述训练好的配准网络中，得到并输出该待配准图像配准好的图像。

Claims (3)

1.一种基于神经网络的无监督血管内超声图像配准方法，其特征在于，包括以下步骤：
步骤1，从互联网获取医学图像序列，使用的是血管内超声IVUS图像；
步骤2，对获取到的二维血管内超声图像进行预处理；
步骤3，将预处理后得到的固定图像IF和移动图像IM作为神经网络的输入层输入神经网络，每组输入数据均包括所述的一张固定图像IF和一张移动图像IM，该神经网络由编码解码器组成；
步骤4，将移动图像IM和上述输出的变形场φ输入到空间变换网络STN得到变形后的图像
Figure FDA0002685485630000011
具体公式如下：
Figure FDA0002685485630000012
其中，p'＝p+u(p)，Z(p')表示p'的8邻域像素，d表示空间维度；
步骤5，利用损失函数计算固定图像IF与所述变形后的图像
Figure FDA0002685485630000013
的损失函数值，损失函数的计算公式为：
Figure FDA0002685485630000014
其中，Lsim()为相似性测度项，Lsmooth(φ)为平滑正则项，λ是正则化系数，计算公式分别为:
Figure FDA0002685485630000015
Figure FDA0002685485630000016
对神经网络进行反向传播优化，采用Adam优化器来优化训练模型，直至计算所得的损失函数值不再变小或网络训练达到预先设定的训练迭代次数，神经网络训练完成，得到训练好的神经网络模型；
步骤6，将待配准的医学图像输入到上述训练好的配准网络中，得到并输出该待配准图像配准好的图像。
2.根据权利要求1所述的一种基于神经网络的无监督血管内超声图像配准方法，其特征在于，步骤2包括如下步骤，步骤2.1，对所有图像进行感兴趣区域提取，像素值归一化到[0，1]，仿射对齐，图像尺寸大小统一为192*192；
步骤2.2，对数据集按照9:1比例划分为训练集和测试集；
步骤2.3，令训练集的每个图像为固定图像IF，对每个固定图像IF分别进行弯曲变换数据增强操作，得到各图像对应的弯曲变换后的图像为移动图像IM，所得到的移动图像IM为新增加的训练集图像。
3.根据权利要求1所述的一种基于神经网络的无监督血管内超声图像配准方法，其特征在于，步骤3包括如下步骤，步骤3.1，网络编码器包含5个下采样过程，每个下采样过程包含卷积核大小为3×3×3以及步长为2的三维卷积层和一个LeakyReLU激活函数层，5层三维卷积层的卷积核个数分别是16，32，32，32，32，编码器卷积层计算如下：
Figure FDA0002685485630000021
其中，
Figure FDA0002685485630000022
表示第l层第j个单元与第l+1层第i个单元的连接权重，
Figure FDA0002685485630000023
表示第l+1层第i个单元的偏置项，
Figure FDA0002685485630000024
表示第l层第i个单元的输入加权和；
步骤3.2，编码器LeakyReLU激活函数层计算过程如下：
Figure FDA0002685485630000025
其中，leak是小于1的常数；
步骤3.3，网络解码器包含上采样过程、三维卷积过程、跳跃连接以及注意力机制；
步骤3.4，解码器前4层是上采样过程和三维卷积过程交替进行，每个上采样过程是一个UpSampling层，每个三维卷积过程包含卷积核大小为3×3×3以及步长为2的三维卷积层和一个LeakyReLU激活函数层，4层三维卷积层的卷积核个数都是32，在进行每次卷积之前需要一次跳跃连接操作，除第一层外将来自编码器的特征与来自解码器的特征传入注意力机制；
步骤3.5，所述注意力机制输入是包含全局上下文信息的低级特征图
Figure FDA0002685485630000026
和包含丰富语义信息的高级特征图
Figure FDA0002685485630000027
通过生成一个注意力系数为α重新调整输入特征
Figure FDA0002685485630000028
具体公式如下：
Figure FDA0002685485630000029
αi＝σ2(wTf1+b2)
其中，wd、wu、w为线形变换参数，b1和b2为偏置项，线形变换通过1×1卷积操作完成，减少参数数量，降低模型计算复杂度，σ1为ReLU激活函数，σ2为Sigmoid激活函数，其将注意力系数归一化至α∈[0,1]，最后将低级特征图
Figure FDA00026854856300000210
与注意力系数α逐元素相乘即为输出的激活特征：
Figure FDA00026854856300000211
步骤3.6，将注意力机制的输出与解码层的特征采用特征层拼接方法进行拼接融合；
步骤3.7，解码器最后阶段，使用卷积层进行特征高维映射，输出移动图像IM到固定图像IF的变形场φ。
CN202010975102.0A 2020-09-16 一种基于神经网络的无监督血管内超声图像配准方法 Active CN112150425B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010975102.0A CN112150425B (zh) 2020-09-16 一种基于神经网络的无监督血管内超声图像配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010975102.0A CN112150425B (zh) 2020-09-16 一种基于神经网络的无监督血管内超声图像配准方法

Publications (2)

Publication Number Publication Date
CN112150425A true CN112150425A (zh) 2020-12-29
CN112150425B CN112150425B (zh) 2024-05-24

Family

ID=

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598718A (zh) * 2020-12-31 2021-04-02 北京深睿博联科技有限责任公司 一种无监督多视角多模态智能眼镜图像配准方法及装置
CN112819871A (zh) * 2021-03-02 2021-05-18 华融融通（北京）科技有限公司 一种基于直线分割的表格图像配准方法
CN112991406A (zh) * 2021-02-07 2021-06-18 清华大学深圳国际研究生院 一种基于微分几何技术构建脑图谱的方法
CN113112534A (zh) * 2021-04-20 2021-07-13 安徽大学 一种基于迭代式自监督的三维生物医学图像配准方法
CN113160289A (zh) * 2021-03-31 2021-07-23 哈尔滨工业大学（深圳） 一种基于深度学习的工业印刷品图像配准方法及装置
CN113344991A (zh) * 2021-05-17 2021-09-03 山东师范大学 基于深度学习的无监督医学图像配准方法及系统
CN113538533A (zh) * 2021-06-22 2021-10-22 南方医科大学 一种脊柱配准方法、装置、设备及计算机存储介质
CN113724304A (zh) * 2021-07-15 2021-11-30 山东师范大学 一种基于深度学习的食管区域图像自动配准方法及系统
CN113724301A (zh) * 2021-04-23 2021-11-30 天津师范大学 一种基于互卷积的生物组织透射图像配准系统
CN113763441A (zh) * 2021-08-25 2021-12-07 中国科学院苏州生物医学工程技术研究所 无监督学习的医学图像配准方法及系统
CN114119549A (zh) * 2021-11-26 2022-03-01 卡本(深圳)医疗器械有限公司 一种多模态医学图像三维点云配准优化方法
CN114170276A (zh) * 2021-10-15 2022-03-11 烟台大学 一种磁共振脑图像海马配准方法
CN114511602A (zh) * 2022-02-15 2022-05-17 河南工业大学 基于图卷积Transformer的医学图像配准方法
WO2022193750A1 (zh) * 2021-03-16 2022-09-22 深圳先进技术研究院 一种基于深度学习的乳腺图像配准方法
CN115115676A (zh) * 2022-04-29 2022-09-27 腾讯医疗健康(深圳)有限公司 图像配准方法、装置、设备和存储介质
CN116416289A (zh) * 2023-06-12 2023-07-11 湖南大学 基于深度曲线学习的多模图像配准方法、系统及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101799864A (zh) * 2010-01-15 2010-08-11 北京工业大学 基于血管内超声波图像的动脉斑块类型自动识别方法
US20190205766A1 (en) * 2018-01-03 2019-07-04 Siemens Healthcare Gmbh Medical Imaging Diffeomorphic Registration based on Machine Learning
CN109978781A (zh) * 2019-03-14 2019-07-05 北京工业大学 一种基于极值区域检测的血管内超声图像分割方法
CN110599528A (zh) * 2019-09-03 2019-12-20 济南大学 一种基于神经网络的无监督三维医学图像配准方法及系统
CN111091589A (zh) * 2019-11-25 2020-05-01 北京理工大学 基于多尺度监督学习的超声和核磁图像配准方法及装置
CN111524170A (zh) * 2020-04-13 2020-08-11 中南大学 一种基于无监督深度学习的肺部ct图像配准方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101799864A (zh) * 2010-01-15 2010-08-11 北京工业大学 基于血管内超声波图像的动脉斑块类型自动识别方法
US20190205766A1 (en) * 2018-01-03 2019-07-04 Siemens Healthcare Gmbh Medical Imaging Diffeomorphic Registration based on Machine Learning
CN109978781A (zh) * 2019-03-14 2019-07-05 北京工业大学 一种基于极值区域检测的血管内超声图像分割方法
CN110599528A (zh) * 2019-09-03 2019-12-20 济南大学 一种基于神经网络的无监督三维医学图像配准方法及系统
CN111091589A (zh) * 2019-11-25 2020-05-01 北京理工大学 基于多尺度监督学习的超声和核磁图像配准方法及装置
CN111524170A (zh) * 2020-04-13 2020-08-11 中南大学 一种基于无监督深度学习的肺部ct图像配准方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王娜;傅迎华;蒋念平;: "基于监督的全卷积神经网络视网膜血管分割", 软件导刊, no. 08, 26 June 2018 (2018-06-26) *
陈向前;郭小青;周钢;樊瑜波;王豫;: "基于深度学习的2D/3D医学图像配准研究", 中国生物医学工程学报, no. 04, 20 August 2020 (2020-08-20) *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598718A (zh) * 2020-12-31 2021-04-02 北京深睿博联科技有限责任公司 一种无监督多视角多模态智能眼镜图像配准方法及装置
CN112991406A (zh) * 2021-02-07 2021-06-18 清华大学深圳国际研究生院 一种基于微分几何技术构建脑图谱的方法
CN112991406B (zh) * 2021-02-07 2023-05-23 清华大学深圳国际研究生院 一种基于微分几何技术构建脑图谱的方法
CN112819871A (zh) * 2021-03-02 2021-05-18 华融融通（北京）科技有限公司 一种基于直线分割的表格图像配准方法
CN112819871B (zh) * 2021-03-02 2023-08-18 华融融通（北京）科技有限公司 一种基于直线分割的表格图像配准方法
WO2022193750A1 (zh) * 2021-03-16 2022-09-22 深圳先进技术研究院 一种基于深度学习的乳腺图像配准方法
CN113160289A (zh) * 2021-03-31 2021-07-23 哈尔滨工业大学（深圳） 一种基于深度学习的工业印刷品图像配准方法及装置
CN113160289B (zh) * 2021-03-31 2022-02-01 哈尔滨工业大学（深圳） 一种基于深度学习的工业印刷品图像配准方法及装置
CN113112534A (zh) * 2021-04-20 2021-07-13 安徽大学 一种基于迭代式自监督的三维生物医学图像配准方法
CN113112534B (zh) * 2021-04-20 2022-10-18 安徽大学 一种基于迭代式自监督的三维生物医学图像配准方法
CN113724301A (zh) * 2021-04-23 2021-11-30 天津师范大学 一种基于互卷积的生物组织透射图像配准系统
CN113724301B (zh) * 2021-04-23 2023-09-08 天津师范大学 一种基于互卷积的生物组织透射图像配准系统
CN113344991A (zh) * 2021-05-17 2021-09-03 山东师范大学 基于深度学习的无监督医学图像配准方法及系统
CN113538533A (zh) * 2021-06-22 2021-10-22 南方医科大学 一种脊柱配准方法、装置、设备及计算机存储介质
CN113724304A (zh) * 2021-07-15 2021-11-30 山东师范大学 一种基于深度学习的食管区域图像自动配准方法及系统
CN113763441A (zh) * 2021-08-25 2021-12-07 中国科学院苏州生物医学工程技术研究所 无监督学习的医学图像配准方法及系统
CN113763441B (zh) * 2021-08-25 2024-01-26 中国科学院苏州生物医学工程技术研究所 无监督学习的医学图像配准方法及系统
CN114170276A (zh) * 2021-10-15 2022-03-11 烟台大学 一种磁共振脑图像海马配准方法
CN114119549B (zh) * 2021-11-26 2023-08-29 卡本(深圳)医疗器械有限公司 一种多模态医学图像三维点云配准优化方法
CN114119549A (zh) * 2021-11-26 2022-03-01 卡本(深圳)医疗器械有限公司 一种多模态医学图像三维点云配准优化方法
CN114511602A (zh) * 2022-02-15 2022-05-17 河南工业大学 基于图卷积Transformer的医学图像配准方法
CN115115676A (zh) * 2022-04-29 2022-09-27 腾讯医疗健康(深圳)有限公司 图像配准方法、装置、设备和存储介质
CN116416289A (zh) * 2023-06-12 2023-07-11 湖南大学 基于深度曲线学习的多模图像配准方法、系统及介质
CN116416289B (zh) * 2023-06-12 2023-08-25 湖南大学 基于深度曲线学习的多模图像配准方法、系统及介质

Similar Documents

Publication Publication Date Title
CN113077471B (zh) 一种基于u型网络的医学图像分割方法
CN111091589B (zh) 基于多尺度监督学习的超声和核磁图像配准方法及装置
CN111627019B (zh) 一种基于卷积神经网络的肝脏肿瘤分割方法及系统
CN111951288B (zh) 一种基于深度学习的皮肤癌病变分割方法
CN111738363B (zh) 基于改进的3d cnn网络的阿尔茨海默病分类方法
CN112330724B (zh) 一种基于集成注意力增强的无监督多模态图像配准方法
CN115578427A (zh) 基于深度学习的无监督单模态医学图像配准方法
CN115375711A (zh) 基于多尺度融合的全局上下文关注网络的图像分割方法
Guo et al. CAFR-CNN: coarse-to-fine adaptive faster R-CNN for cross-domain joint optic disc and cup segmentation
CN117078692B (zh) 一种基于自适应特征融合的医疗超声图像分割方法及系统
CN113781465A (zh) 基于Grad-CAM的医学图像分割模型可视化方法
CN117409030A (zh) 基于动态管状卷积的octa图像血管分割方法及其系统
CN116188435B (zh) 一种基于模糊逻辑的医学图像深度分割方法
CN116912268A (zh) 一种皮肤病变图像分割方法、装置、设备及存储介质
Shao et al. FCG-Net: An innovative full-scale connected network for thyroid nodule segmentation in ultrasound images
CN116229074A (zh) 一种递进式边界区域优化的医学图像小样本分割方法
CN112150425B (zh) 一种基于神经网络的无监督血管内超声图像配准方法
CN112150425A (zh) 一种基于神经网络的无监督血管内超声图像配准方法
Li et al. Deformable medical image registration based on unsupervised generative adversarial network integrating dual attention mechanisms
Zhang et al. Multi-scale aggregation networks with flexible receptive fields for melanoma segmentation
CN112766332A (zh) 医学影像检测模型训练方法、医学影像检测方法及装置
CN113902738A (zh) 一种心脏mri分割方法及系统
WO2024104035A1 (zh) 基于长短期记忆自注意力模型的三维医学图像分割方法及系统
CN117611599B (zh) 融合中心线图和增强对比度网络的血管分割方法及其系统
Liu et al. Unsupervised registration of intravascular ultrasound images combined with attention mechanism

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