CN112150449A - 一种脑卒中病灶分割方法和系统 - Google Patents
一种脑卒中病灶分割方法和系统 Download PDFInfo
- Publication number
- CN112150449A CN112150449A CN202011047387.8A CN202011047387A CN112150449A CN 112150449 A CN112150449 A CN 112150449A CN 202011047387 A CN202011047387 A CN 202011047387A CN 112150449 A CN112150449 A CN 112150449A
- Authority
- CN
- China
- Prior art keywords
- sequence
- segmentation
- segmentation result
- focus
- network 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.)
- Granted
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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo 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
- G06T2207/10072—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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种脑卒中病灶分割方法和系统。在本发明提供的脑卒中病灶分割方法和系统,在模型创建过程中将传统的U‑Net网络模型中的部分卷积单元替换成卷积长短时记忆单元的,建立切片之间的相关性,从而利用切片之间的相关性,来提升分割性能;在数据预处理阶段通过对脑卒中3D影像数据进行有序旋转切片操作,生成2D正、逆序的第一和第二有序旋转切序列,并用第一有序旋转切片序列训练分割模型分别生成正逆序长短时记忆U‑Net分割网络模型;在实施分割阶段采用正、逆序长短时记忆U‑Net分割网络模型对根据第二有序旋转切片序列进行分割得到的正、逆序病灶分割结果序列进行数据融合,能够进一步提高病灶分割的准确性。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种脑卒中病灶分割方法和系统。
背景技术
在心脑血管诊断中,医学影像是用于了解患者病情、评估和制定医疗方案的主要技术手段。特别是对于脑卒中疾病而言,其具有发病快、发病急、救治时间窗口短的特点,脑卒中患者的病灶必须被尽可能快速、准确地识别出来以便协助医生评估治疗风险,使患者获得最及时有效的治疗。因此快速准确的脑卒中病灶自动分割方法具有重大的临床意义。
近年来,深度学习技术异军突起,在医学图像处理领域表现出不俗的效果。但是基于深度学习技术的医疗图像处理方法,通常需要数量较大的准确标注的训练数据进行模型训练。然而在医学图像分割任务的研究中,进行医学图像的标注成本是非常贵的,那么,将有限的脑卒中病灶标注数据进行高效利用就可以降低数据收集和标注的成本。基于此,传统技术开始采用2D影像切片分割方法,使用横截面(矢状面或者冠状面)方向的切片进行模型训练。然而单个影像数据中带有病灶区域的有效切片个数非常少,仅仅为覆盖在病灶范围内横截面若干个连续的切片,当病灶体积越小时,可利用的有效切片数越少,这就直接导致了因训练数据不足、模型训练不充分等引起的病灶区域分割不精确的问题的发生。
针对上述存在的问题,采用3D影像沿着横截面、冠状面和矢状面同时进行切片,并用三个方向的切片分别训练分割模型,并将分割结果进行融合的方法,对脑卒中病灶进行分割。这种方法虽然利用了切片间的上下文信息,但是需要同时训练三个独立的模型,训练过程中计算量大,并没有解决有效切片数据少的问题。
已有文献还提出了采用U-Net网络结构进行脑卒中病灶分割的方法。U-Net网络结构是一种演进的卷积深度神经网络结构,其使用对称的编码器和解码器结构,并且通过“跳跃连接”在编码器和解码器之间建立不同尺度特征融合的通道,使网络可以更好地利用图像的全局和局部特征,这种特性使其非常适用于少量数据标注的医学图像分割任务。U-Net网络结构及其改进的网络结构在各种生物医学图像分割任务上取得了巨大的成功。
这种传统U-Net网络在用于2D切片分割的时候,无法在切片之间建立联系,也无法真正对脑卒中病灶进行精确分割。
因此,提供一种能够利用切片之间的相关性,对脑卒中病灶进行精确分割的分割方法或系统是本领域亟待解决的技术难题。
发明内容
本发明的目的是提供一种脑卒中病灶分割方法和系统,以能够利用切片之间的相关性,对脑卒中病灶进行精确分割。
为实现上述目的,本发明提供了如下方案:
一种脑卒中病灶分割方法,包括:
获取训练样本对;所述训练样本对包括第一有序旋转切片序列和与所述第一有序旋转切片序列相对应的病灶分割结果序列;所述第一有序旋转切片序列为标注有病灶的3D影像数据集的2D有序旋转切片序列;
获取待训练的长短时记忆U-Net分割网络模型;所述长短时记忆U-Net分割网络模型为将U-Net网络模型前两级3×3卷积单元替换成3×3卷积长短时记忆单元后的网络模型;
将所述第一有序旋转切片序列进行正序排列后,结合与所述第一有序旋转切片序列相对应的病灶分割结果序列形成正序训练集;
将所述第一有序旋转切片序列进行逆序排列后,结合与所述第一有序旋转切片序列相对应的病灶分割结果序列形成逆序训练集;
采用所述正序训练集训练所述待训练的长短时记忆U-Net分割网络模型,得到正序长短时记忆U-Net分割网络模型;
采用所述逆序训练集训练所述待训练的长短时记忆U-Net分割网络模型,得到逆序长短时记忆U-Net分割网络模型;
获取待分割脑卒中3D影像数据的2D有序旋转切片序列,记为第二有序旋转切片序列;
将所述第二有序旋转切片序列进行正序排列后,输入所述正序长短时记忆U-Net分割网络模型,得到正序分割结果序列;
将所述第二有序旋转切片序列进行逆序排列后,输入所述逆序长短时记忆U-Net分割网络模型,得到逆序分割结果序列;
对所述正序分割结果序列进行3D重建得到正序病灶分割结果序列;对所述逆序分割结果序列进行3D重建得到逆序病灶分割结果序列;
采用软投票方法融合所述正序病灶分割结果序列和所述逆序病灶分割结果序列,得到最终的病灶分割结果。
优选的,所述获取训练样本对之前,还包括:
获取标注有病灶的脑卒中3D影像数据集;
获取所述标注有病灶的脑卒中3D影像数据集的矢状面的中心法线;
以所述中心法线为轴心,以特定旋转角度为步长,按与所述矢状面呈特定的角度对所述3D影像数据集的矢状面进行切片处理后,得到所述第一有序旋转切片序列。
优选的,所述特定的角度为0°~180°。
优选的,所述第一有序旋转切片序列和所述第二有序旋转切片序列中的切片分辨率大于等于128像素×128像素,切片厚度小于2mm,切片个数大于128个。
优选的,所述标注有病灶的3D影像数据集和所述待分割脑卒中3D影像数据均包括MRI影像数据集和CT影像数据集。
优选的,所述对所述正序分割结果序列进行3D重建得到正序病灶分割结果序列,具体包括:
将所述正序分割结果序列中的2D切片按序放回3D空间,并采用临近插值法填充缺少值后,得到正序病灶分割结果序列。
优选的,所述采用软投票方法融合所述正序病灶分割结果序列和所述逆序病灶分割结果序列,得到最终的病灶分割结果,具体包括:
将所述正序病灶分割结果序列和所述逆序病灶分割结果序列中的每个体素位置的概率值相加取均值;
获取设定阈值;
判断所述均值是否小于所述阈值,得到判断结果;若所述判断结果为小于,则判定为非病灶,若所述判断结果为大于等于,则判定为病灶;
根据所述判断结果得到最终的病灶分割结果;所述病灶分割结果为0到1的概率值。
一种脑卒中病灶分割系统,包括:
训练样本对获取模块,用于获取训练样本对;所述训练样本对包括第一有序旋转切片序列和与所述第一有序旋转切片序列相对应的病灶分割结果序列;所述第一有序旋转切片序列为标注有病灶的3D影像数据集的2D有序旋转切片序列;
网络模型获取模块,用于获取待训练的长短时记忆U-Net分割网络模型;所述长短时记忆U-Net分割网络模型为将U-Net网络模型前两级3×3卷积单元替换成3×3卷积长短时记忆单元后的网络模型;
正序训练集形成模块,用于将所述第一有序旋转切片序列进行正序排列后,结合与所述第一有序旋转切片序列相对应的病灶分割结果序列形成正序训练集;
逆序训练集形成模块,用于将所述第一有序旋转切片序列进行逆序排列后,结合与所述第一有序旋转切片序列相对应的病灶分割结果序列形成逆序训练集;
正序网络模型确定模块,用于采用所述正序训练集训练所述待训练的长短时记忆U-Net分割网络模型,得到正序长短时记忆U-Net分割网络模型;
逆序网络模型确定模块,用于采用所述逆序训练集训练所述待训练的长短时记忆U-Net分割网络模型,得到逆序长短时记忆U-Net分割网络模型;
切片序列获取模块,用于获取待分割脑卒中3D影像数据的2D有序旋转切片序列,记为第二有序旋转切片序列;
正序分割结果序列确定模块,用于将所述第二有序旋转切片序列进行正序排列后,输入所述正序长短时记忆U-Net分割网络模型,得到正序分割结果序列;
逆序分割结果序列确定模块,用于将所述第二有序旋转切片序列进行逆序排列后,输入所述逆序长短时记忆U-Net分割网络模型,得到逆序分割结果序列;
3D结果序列确定模块,用于对所述正序分割结果序列进行3D重建得到正序病灶分割结果序列,用于对所述逆序分割结果序列进行3D重建得到逆序病灶分割结果序列;
病灶分割结果确定模块,用于采用软投票方法融合所述正序病灶分割结果序列和所述逆序病灶分割结果序列,得到最终的病灶分割结果。
优选的,还包括:
3D影像数据集获取模块,用于获取标注有病灶的脑卒中3D影像数据集;
中心法线获取模块,用于获取所述标注有病灶的脑卒中3D影像数据集的矢状面的中心法线;
切片模块,用于以所述中心法线为轴心,以特定旋转角度为步长,按与所述矢状面呈特定的角度对所述3D影像数据集的矢状面进行切片处理后,得到所述第一有序旋转切片序列;所述特定的角度为0°~180°。
优选的,所述病灶分割结果确定模块具体包括:
均值确定单元,用于将所述正序病灶分割结果序列和所述逆序病灶分割结果序列中的每个体素位置的概率值相加取均值;
设定阈值获取单元,用于获取设定阈值;
判断单元,用于判断所述均值是否小于所述阈值,得到判断结果;若所述判断结果为小于,则判定为非病灶,若所述判断结果为大于等于,则判定为病灶;
病灶分割结果确定单元,用于根据所述判断结果得到最终的病灶分割结果;所述病灶分割结果为0到1的概率值。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的脑卒中病灶分割方法和系统,通过引入将传统的U-Net网络模型中的部分卷积单元替换成卷积长短时记忆单元的长短时记忆U-Net分割网络模型,建立切片之间的相关性,从而利用切片之间的相关性,来提升分割性能。并且,在本发明提供的脑卒中病灶分割方法和系统,采用正逆序长短时记忆U-Net分割网络模型对根据第二有序旋转切片序列得到的正逆序病灶分割结果序列进行数据融合,能够进一步提高病灶分割的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的脑卒中病灶分割方法的流程图;
图2为本发明实施例中旋转切片原理图;
图3为本发明提供的长短时记忆U-Net分割网络模型的网络框图;
图4为本发明实施例中长短时记忆U-Net分割网络模型的结构图;
图5为本发明实施例中基于旋转切片的脑卒中病灶分割模型训练流程图;
图6为本发明实施例中基于旋转切片的脑卒中病灶分割流程图;
图7为本发明提供的脑卒中病灶分割系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种脑卒中病灶分割方法和系统,以能够利用切片之间的相关性,对脑卒中病灶进行精确分割。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的脑卒中病灶分割方法的流程图,如图1所示,一种脑卒中病灶分割方法,包括:
步骤100:获取训练样本对。训练样本对包括第一有序旋转切片序列和与第一有序旋转切片序列相对应的病灶分割结果序列。第一有序旋转切片序列为标注有病灶的3D影像数据集的2D有序旋转切片序列。
步骤101:获取待训练的长短时记忆U-Net分割网络模型。长短时记忆U-Net分割网络模型为将U-Net网络模型前两级3×3卷积单元替换成3×3卷积长短时记忆单元后的网络模型。
步骤102:将第一有序旋转切片序列进行正序排列后,结合与第一有序旋转切片序列相对应的病灶分割结果序列形成正序训练集。
步骤103:将第一有序旋转切片序列进行逆序排列后,结合与第一有序旋转切片序列相对应的病灶分割结果序列形成逆序训练集。
步骤104:采用正序训练集训练待训练的长短时记忆U-Net分割网络模型,得到正序长短时记忆U-Net分割网络模型。
步骤105:采用逆序训练集训练待训练的长短时记忆U-Net分割网络模型,得到逆序长短时记忆U-Net分割网络模型。
步骤106:获取待分割脑卒中3D影像数据的2D有序旋转切片序列,记为第二有序旋转切片序列。
步骤107:将第二有序旋转切片序列进行正序排列后,输入正序长短时记忆U-Net分割网络模型,得到正序分割结果序列。
步骤108:将第二有序旋转切片序列进行逆序排列后,输入逆序长短时记忆U-Net分割网络模型,得到逆序分割结果序列。
步骤109:对正序分割结果序列进行3D重建得到正序病灶分割结果序列。对逆序分割结果序列进行3D重建得到逆序病灶分割结果序列。
该步骤具体包括:
将正序分割结果序列中的2D切片按序放回3D空间,并采用临近插值法填充缺少值后,得到正序病灶分割结果序列。逆序病灶分割结果序列的方式与得到正序病灶分割结果序列相同,在此不在进行赘述。
步骤110:采用软投票方法融合正序病灶分割结果序列和逆序病灶分割结果序列,得到最终的病灶分割结果。
该步骤110具体包括:
将正序病灶分割结果序列和逆序病灶分割结果序列中的每个体素位置的概率值相加取均值。
获取设定阈值。
判断均值是否小于阈值,得到判断结果。若判断结果为小于,则判定为非病灶,若判断结果为大于等于,则判定为病灶。
根据判断结果得到最终的病灶分割结果。病灶分割结果为0到1的概率值。
其中,第一有序旋转切片序列和第二有序旋转切片序列中的切片分辨率优选大于等于128像素×128像素,切片厚度优选小于2mm,切片个数优选大于128个。
标注有病灶的3D影像数据集和待分割脑卒中3D影像数据均包括MRI影像数据集和CT影像数据集。
在步骤100之前,本发明提供的脑卒中病灶分割方法还包括:
获取标注有病灶的脑卒中3D影像数据集。
获取标注有病灶的脑卒中3D影像数据集的矢状面的中心法线。
以中心法线为轴心,以特定旋转角度δ为步长,按与矢状面呈特定的角度对3D影像数据集的矢状面进行切片处理后,得到第一有序旋转切片序列。
下面提供多个具体实施案例进一步说明本发明的方案,本发明具体实施案例中以采用Dice函数为损失函数的长短时记忆U-Net分割网络模型为例进行阐述,在具体应用时,本发明的方案也适用于其他损失函数的长短时记忆U-Net分割网络模型。
实施例一
首先,该脑卒中病灶分割方法的前三步为分割网络模型构建和模型训练环节。
第一步,收集脑卒中患者的3D影像数据,对影像中的病灶进行准确的手动标注,形成成对的3D影像和3D标注数据集,并按照一定比例将其划分为训练集和验证集。
将上述集合首先进行数据预处理,预处理过程包括影像的降采样、配准、偏场矫正、强度归一化、裁剪和缩放。使用旋转切片方法将训练集和验证集各自的3D影像数据和3D标注切片成2D有序旋转切片序列,构建2D旋转切片测试集和验证集。其中旋转切片方法如图2所示,将3D影像(包括对应的3D标注)数据视为一个立方体,其中矢状面为既垂直于面部又垂直于脑部横截面的平面,如图中文字标记,在矢状面的中心点处取其法线,以垂直于矢状面且经过法线作为约束,对该3D影像数据进行切片操作,最终生成2D旋转切片集合。其中按照顺时针方向重新排序得到顺序切片序列,按照逆时针方向重新排序得到逆序切片序列,旋转角度大小称为步长。
第二步,基于卷积长短时记忆单元构建能够利用旋转切片间相关性信息的长短时记忆U-Net分割网络模型。
其网络模型框图和结构图如图3和图4所示。图3中可以看出长短时记忆U-Net分割网络模型是一种循环序列模型,该网络将上述第一步生成的有序切片序列作为网络不同时刻的输入,更好的利用了序列本身带有的切片间相关性信息,同时通过不断将自身上一时刻输出的网络状态作为下一时刻的输入进行循环反馈,使网络在参数训时具有更好的稳定性,能够解决梯度反向传播过程中容易产生的梯度消失问题。同时,能够对特征不明显和极小的病灶进行长期的跨多切片的跟踪。
图4为具体的长短时记忆U-Net分割网络模型的结构图,将经典U-Net模型中自上而下的前两级的3×3卷积(Conv)单元替换成3×3卷积长短时记忆单元(ConvLSTM),其他部分结构和经典U-Net一致。需要注意的是,取前两级进行替换的原因是,靠近浅层的特征信号,切片之间的图形相关度较为明显,可以有效的利用切片间的相关性信息。而深层特征因为单个像素对应的感受野较大,导致其图形特征比较抽象,切片间的相关性受到单个像素变化的影像较大,甚至很难找到切片间的相关性信息。
第三步,将第一步生成的有序2D旋转切片的训练集和验证集,进行重新划分和排序,生成正序和逆序排序的两个切片序列副本,其中正序切片序列按照顺时针方向取原集合奇数序号切片,逆序切片序列按照逆时针方向取原集合偶数序号切片。然后使用正序和逆序切片序列的数据集分别训练和验证第二步建立的长短时记忆U-Net分割网络模型,最后得到正序分割子网络模型(正序长短时记忆U-Net分割网络模型)和逆序分割子网络模型(逆序长短时记忆U-Net分割网络模型)。训练时的输入数据为长度为N的连续切片,在有序切片序列上进行连续滑动选取。
其次,方法的后四步为患者脑卒中病灶的实际分割环节。
第四步,使用第一步的旋转切片方法将患者的待分割3D影像数据切片成2D有序旋转切片序列,进行重新划分和排序,生成正序和逆序排序的两个切片序列副本,其中正序切片序列按照顺时针方向取原集合所有切片数据,逆序切片序列按照逆时针方向取原集合所有切片数据。
第五步,使用训练好的正序分割子网络模型和逆序分割子网络模型对第四步生成的待测正序和逆序待分割2D有序切片序列进行分割,生成各自的分割结果序列。
第六步,对第五步生成的正序和逆序的旋转切片分割结果序列分别进行3D重建,得到两个子网络各自的3D分割结果,重建时将结果切片,按照分割前对应的2D有序序列切片的空间顺序放回3D空间,数据之间的空隙采用线性插值的方法进行填补。此时输出的两个3D重建结果的每个体素上的数据均为概率值,0代表不是病灶,1代表是病灶,取值在区间[0,1]之间。
第七步,对正序和逆序的3D分割结果进行融合,输出最终3D分割结果。融合采用软投票的方法,即将每个体素对应位置的概率值取平均,如果该体素值大于等于0.5输出为病灶,小于0.5输出为非病灶。最终得到二值化的3D脑卒中医疗影像分割结果。
实施例二
首先是模型构建和训练环节,其流程框图如图5所示。
第一步,收集脑卒中患者的影像数据,影像类型可以统一使用MRI影像,也可以统一使用CT影像,需要注意的是必须保证数据类型一致性,不能混合使用不同类别的影像。
专业影像学医生对影像中的病灶进行准确的手动标注,形成成对的3D影像和3D标注数据集,并按照一定比例将其划分为训练集和验证集形成标注准确的3D影像和3D病灶标注成对数据集合,3D数据数目最少为150个。将标注好的数据集划分为训练集和验证集,划分比例为3:1。然后进行影像的降采样、配准、偏场矫正、强度归一化、裁剪和缩放处理后,使用旋转切片方法将训练集和验证集各自的3D影像数据和3D标注切片成2D有序旋转切片序列,构建2D旋转切片测试集和验证集。
其影像分辨率通过降采样和裁剪操作统一变成256×256。旋转切片方法如图2所示,将3D影像数据视为一个立方体,其中矢状面为既垂直于面部又垂直于脑部横截面的平面,如图2中文字标记,在矢状面的中心点处取其法线,以垂直于矢状面且经过法线作为约束。对该3D影像数据按照δ=1°的旋转步长进行旋转切片操作,得到包含180张有序2D旋转切片的数据集合。对该集合进行重新排序,其中,按照顺时针方向排序的旋转切片为顺序切片序列,按照逆时针方向排序的旋转切片为逆序切片序列。旋转切片操作在训练环节需要对3D影像和3D标注同时进行,以得到用于训练模型的成对的影像序列和标注序列。
第二步,基于长短时记忆单元构建能够利用旋转切片间相关性信息的长短时记忆U-Net分割网络模型。其网络模型框图和结构图如图3和图4所示。图3为所设计循环网络的结构图,将上述第一步生成的有序切片序列作为网络不同时刻的输入,更好的利用了序列本身带有的切片间相关性信息,同时通过不断将自身上一时刻输出的网络状态作为下一时刻的输入进行循环反馈,使网络在参数训时具有更好的稳定性,能够解决梯度反向传播过程中容易产生的梯度消失问题。同时,能够对特征不明显和极小的病灶进行长期的跨多切片的跟踪。图4为具体长短时记忆U-Net分割网络模型的结构图,采用五级结构U-Net基本分割模型作为基础,将模型中从上到下的前2级的3×3卷积(Conv)操作替换成3×3卷积长短时记忆操作(ConvLSTM),其他结构和经典U-Net一致。取前2层进行替换的原因是,靠近浅层的特征信号,切片之间的图形相关度较为明显,可以有效的利用切片间的相关性信息。而深层特征因为单个像素对应的感受野较大,导致其图形特征比较抽象,切片间的相关性受到单个像素变化的影像较大,甚至很难找到切片间的相关性信息。
第三步,将生成的有序2D旋转切片的训练集和验证集,进行重新划分和排序,生成正序和逆序排序的两个切片序列副本,其中正序切片序列按照顺时针方向取原集合奇数序号切片,共90个,切片序号为1、3、5…173、175、177和179。逆序切片序列按照逆时针方向取原集合偶数序号切片,共90个,切片序号为180、178、176…8、6、4和2。然后使用正序和逆序切片序列的数据集分别训练所建立的长短时记忆U-Net网络模型,训练使用Dice损失函数,学习速率设定为1×104。优选在验证集上Dice评分表现最好的模型参数,得到正序分割子网络模型(正序长短时记忆U-Net分割网络模型)和逆序分割子网络模型(逆序长短时记忆U-Net分割网络模型),用以在分割环节对待分割3D影像进行实际病灶分割。这里需要注意的是正序分割子模型和逆序分割子模型的输入数据采用间隔为1的奇数顺序序列和偶数逆序序列的目的是减少训练运算量,同时由于相邻切片相似度较高,通过间隔取值可以避免连续切片的相关性差异不明显。各子网络通过在各自输入数据上取长度为N的连续切片进行逐次的连续滑动输入。
其次是3D影像的实际分割环节,其流程框图如图6所示。
第四步,使用前文的旋转切片方法将患者的待分割3D影像数据切片成2D有序旋转切片序列,同样进行重新划分和排序,生成正序和逆序排序的两个切片序列副本,其中正序切片序列按照顺时针方向取原集合所有切片,共180个,切片序号为1、2、3…177、178、179和180。逆序切片序列按照逆时针方向取原集合所有切片,共180个,切片序号为180、179、177…4、3、2和1。这里需要注意的是在分割环节需要对所有切片进行分割以保证结果的精确性,减少插值运算带来的误差,因此在实际分割阶段正序和逆序待分割数据没有采用隔1取值的方法。
第五步,使用训练好的正序分割子网络模型和逆序分割子网络模型分别对第四步生成的待测正序和逆序待分割2D有序切片序列进行逐切片有序分割,生成各自的分割结果序列,2D结果序列的数目均为180个。
第六步,对第五步生成的正序和逆序的各180个2D分割结果序列分别进行3D重建,得到两个子网络各自的3D分割结果。重建时将结果切片,按照分割前对应的2D有序切片序列的空间顺序放回3D空间,数据之间的空隙采用线性插值的方法进行填补。此时输出的两个3D重建结果的每个体素上的数据均为概率值,0代表不是病灶,1代表是病灶,取值在区间[0,1]之间。
第七步,对正序和逆序的3D分割结果进行融合,输出最终3D分割结果。融合采用软投票的方法,即将每个体素对应位置的概率值取平均,如果该体素值大于等于0.5输出为病灶,小于0.5输出为非病灶。最终得到二值化的3D脑卒中医疗影像分割结果。
此外,对应于上述提供的脑卒中病灶分割方法,本发明还对应提供了一种脑卒中病灶分割系统。如图7所示,该系统包括:
训练样本对获取模块1,用于获取训练样本对。训练样本对包括第一有序旋转切片序列和与第一有序旋转切片序列相对应的病灶分割结果序列。第一有序旋转切片序列为标注有病灶的3D影像数据集的2D有序旋转切片序列。
网络模型获取模块2,用于获取待训练的长短时记忆U-Net分割网络模型。长短时记忆U-Net分割网络模型为将U-Net网络模型前两级3×3卷积单元替换成3×3卷积长短时记忆单元后的网络模型。
正序训练集形成模块3,用于将第一有序旋转切片序列进行正序排列后,结合与第一有序旋转切片序列相对应的病灶分割结果序列形成正序训练集。
逆序训练集形成模块4,用于将第一有序旋转切片序列进行逆序排列后,结合与第一有序旋转切片序列相对应的病灶分割结果序列形成逆序训练集。
正序网络模型确定模块5,用于采用正序训练集训练待训练的长短时记忆U-Net分割网络模型,得到正序长短时记忆U-Net分割网络模型。
逆序网络模型确定模块6,用于采用逆序训练集训练待训练的长短时记忆U-Net分割网络模型,得到逆序长短时记忆U-Net分割网络模型。
切片序列获取模块7,用于获取待分割脑卒中3D影像数据的2D有序旋转切片序列,记为第二有序旋转切片序列。
正序分割结果序列确定模块8,用于将第二有序旋转切片序列进行正序排列后,输入正序长短时记忆U-Net分割网络模型,得到正序分割结果序列。
逆序分割结果序列确定模块9,用于将第二有序旋转切片序列进行逆序排列后,输入逆序长短时记忆U-Net分割网络模型,得到逆序分割结果序列。
3D结果序列确定模块10,用于对正序分割结果序列进行3D重建得到正序病灶分割结果序列,用于对逆序分割结果序列进行3D重建得到逆序病灶分割结果序列。
病灶分割结果确定模块11,用于采用软投票方法融合正序病灶分割结果序列和逆序病灶分割结果序列,得到最终的病灶分割结果。
作为本发明的一优选实施例,该系统还包括:
3D影像数据集获取模块,用于获取标注有病灶的脑卒中3D影像数据集。
中心法线获取模块,用于获取标注有病灶的脑卒中3D影像数据集的矢状面的中心法线。
切片模块,用于以中心法线为轴心,以特定旋转角度为步长,按与矢状面呈特定的角度对3D影像数据集的矢状面进行切片处理后,得到第一有序旋转切片序列。特定的角度为0°~180°。
作为本发明的另一优选实施例,上述病灶分割结果确定模块具体包括:
均值确定单元,用于将正序病灶分割结果序列和逆序病灶分割结果序列中的每个体素位置的概率值相加取均值。
设定阈值获取单元,用于获取设定阈值。
判断单元,用于判断均值是否小于阈值,得到判断结果。若判断结果为小于,则判定为非病灶,若判断结果为大于等于,则判定为病灶。
病灶分割结果确定单元,用于根据判断结果得到最终的病灶分割结果。病灶分割结果为0到1的概率值。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种脑卒中病灶分割方法,其特征在于,包括:
获取训练样本对;所述训练样本对包括第一有序旋转切片序列和与所述第一有序旋转切片序列相对应的病灶分割结果序列;所述第一有序旋转切片序列为标注有病灶的3D影像数据集的2D有序旋转切片序列;
获取待训练的长短时记忆U-Net分割网络模型;所述长短时记忆U-Net分割网络模型为将U-Net网络模型前两级3×3卷积单元替换成3×3卷积长短时记忆单元后的网络模型;
将所述第一有序旋转切片序列进行正序排列后,结合与所述第一有序旋转切片序列相对应的病灶分割结果序列形成正序训练集;
将所述第一有序旋转切片序列进行逆序排列后,结合与所述第一有序旋转切片序列相对应的病灶分割结果序列形成逆序训练集;
采用所述正序训练集训练所述待训练的长短时记忆U-Net分割网络模型,得到正序长短时记忆U-Net分割网络模型;
采用所述逆序训练集训练所述待训练的长短时记忆U-Net分割网络模型,得到逆序长短时记忆U-Net分割网络模型;
获取待分割脑卒中3D影像数据的2D有序旋转切片序列,记为第二有序旋转切片序列;
将所述第二有序旋转切片序列进行正序排列后,输入所述正序长短时记忆U-Net分割网络模型,得到正序分割结果序列;
将所述第二有序旋转切片序列进行逆序排列后,输入所述逆序长短时记忆U-Net分割网络模型,得到逆序分割结果序列;
对所述正序分割结果序列进行3D重建得到正序病灶分割结果序列;对所述逆序分割结果序列进行3D重建得到逆序病灶分割结果序列;
采用软投票方法融合所述正序病灶分割结果序列和所述逆序病灶分割结果序列,得到最终的病灶分割结果。
2.根据权利要求1所述的脑卒中病灶分割方法,其特征在于,所述获取训练样本对之前,还包括:
获取标注有病灶的脑卒中3D影像数据集;
获取所述标注有病灶的脑卒中3D影像数据集的矢状面的中心法线;
以所述中心法线为轴心,以特定旋转角度为步长,按与所述矢状面呈特定的角度对所述3D影像数据集的矢状面进行切片处理后,得到所述第一有序旋转切片序列。
3.根据权利要求2所述的脑卒中病灶分割方法,其特征在于,所述特定的角度为0°~180°。
4.根据权利要求1所述的脑卒中病灶分割方法,其特征在于,所述第一有序旋转切片序列和所述第二有序旋转切片序列中的切片分辨率大于等于128像素×128像素,切片厚度小于2mm,切片个数大于128个。
5.根据权利要求1所述的脑卒中病灶分割方法,其特征在于,所述标注有病灶的3D影像数据集和所述待分割脑卒中3D影像数据均包括MRI影像数据集和CT影像数据集。
6.根据权利要求1所述的脑卒中病灶分割方法,其特征在于,所述对所述正序分割结果序列进行3D重建得到正序病灶分割结果序列,具体包括:
将所述正序分割结果序列中的2D切片按序放回3D空间,并采用临近插值法填充缺少值后,得到正序病灶分割结果序列。
7.根据权利要求1所述的脑卒中病灶分割方法,其特征在于,所述采用软投票方法融合所述正序病灶分割结果序列和所述逆序病灶分割结果序列,得到最终的病灶分割结果,具体包括:
将所述正序病灶分割结果序列和所述逆序病灶分割结果序列中的每个体素位置的概率值相加取均值;
获取设定阈值;
判断所述均值是否小于所述阈值,得到判断结果;若所述判断结果为小于,则判定为非病灶,若所述判断结果为大于等于,则判定为病灶;
根据所述判断结果得到最终的病灶分割结果;所述病灶分割结果为0到1的概率值。
8.一种脑卒中病灶分割系统,其特征在于,包括:
训练样本对获取模块,用于获取训练样本对;所述训练样本对包括第一有序旋转切片序列和与所述第一有序旋转切片序列相对应的病灶分割结果序列;所述第一有序旋转切片序列为标注有病灶的3D影像数据集的2D有序旋转切片序列;
网络模型获取模块,用于获取待训练的长短时记忆U-Net分割网络模型;所述长短时记忆U-Net分割网络模型为将U-Net网络模型前两级3×3卷积单元替换成3×3卷积长短时记忆单元后的网络模型;
正序训练集形成模块,用于将所述第一有序旋转切片序列进行正序排列后,结合与所述第一有序旋转切片序列相对应的病灶分割结果序列形成正序训练集;
逆序训练集形成模块,用于将所述第一有序旋转切片序列进行逆序排列后,结合与所述第一有序旋转切片序列相对应的病灶分割结果序列形成逆序训练集;
正序网络模型确定模块,用于采用所述正序训练集训练所述待训练的长短时记忆U-Net分割网络模型,得到正序长短时记忆U-Net分割网络模型;
逆序网络模型确定模块,用于采用所述逆序训练集训练所述待训练的长短时记忆U-Net分割网络模型,得到逆序长短时记忆U-Net分割网络模型;
切片序列获取模块,用于获取待分割脑卒中3D影像数据的2D有序旋转切片序列,记为第二有序旋转切片序列;
正序分割结果序列确定模块,用于将所述第二有序旋转切片序列进行正序排列后,输入所述正序长短时记忆U-Net分割网络模型,得到正序分割结果序列;
逆序分割结果序列确定模块,用于将所述第二有序旋转切片序列进行逆序排列后,输入所述逆序长短时记忆U-Net分割网络模型,得到逆序分割结果序列;
3D结果序列确定模块,用于对所述正序分割结果序列进行3D重建得到正序病灶分割结果序列,用于对所述逆序分割结果序列进行3D重建得到逆序病灶分割结果序列;
病灶分割结果确定模块,用于采用软投票方法融合所述正序病灶分割结果序列和所述逆序病灶分割结果序列,得到最终的病灶分割结果。
9.根据权利要求8所述的脑卒中病灶分割系统,其特征在于,还包括:
3D影像数据集获取模块,用于获取标注有病灶的脑卒中3D影像数据集;
中心法线获取模块,用于获取所述标注有病灶的脑卒中3D影像数据集的矢状面的中心法线;
切片模块,用于以所述中心法线为轴心,以特定旋转角度为步长,按与所述矢状面呈特定的角度对所述3D影像数据集的矢状面进行切片处理后,得到所述第一有序旋转切片序列;所述特定的角度为0°~180°。
10.根据权利要求8所述的脑卒中病灶分割系统,其特征在于,所述病灶分割结果确定模块具体包括:
均值确定单元,用于将所述正序病灶分割结果序列和所述逆序病灶分割结果序列中的每个体素位置的概率值相加取均值;
设定阈值获取单元,用于获取设定阈值;
判断单元,用于判断所述均值是否小于所述阈值,得到判断结果;若所述判断结果为小于,则判定为非病灶,若所述判断结果为大于等于,则判定为病灶;
病灶分割结果确定单元,用于根据所述判断结果得到最终的病灶分割结果;所述病灶分割结果为0到1的概率值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011047387.8A CN112150449B (zh) | 2020-09-29 | 2020-09-29 | 一种脑卒中病灶分割方法和系统 |
AU2021101226A AU2021101226A4 (en) | 2020-09-29 | 2021-03-09 | Stroke lesion segmentation method and system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011047387.8A CN112150449B (zh) | 2020-09-29 | 2020-09-29 | 一种脑卒中病灶分割方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112150449A true CN112150449A (zh) | 2020-12-29 |
CN112150449B CN112150449B (zh) | 2022-11-25 |
Family
ID=73895067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011047387.8A Active CN112150449B (zh) | 2020-09-29 | 2020-09-29 | 一种脑卒中病灶分割方法和系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112150449B (zh) |
AU (1) | AU2021101226A4 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409243A (zh) * | 2021-02-24 | 2021-09-17 | 浙江工业大学 | 一种结合全局和邻域信息的血管分割方法 |
CN114092482A (zh) * | 2021-12-29 | 2022-02-25 | 深圳市铱硙医疗科技有限公司 | 脑部影像分割系统及方法 |
CN114359194A (zh) * | 2021-12-27 | 2022-04-15 | 浙江大学 | 基于改进U-Net网络的多模态脑卒中梗死区域图像处理方法 |
CN115147420A (zh) * | 2022-09-05 | 2022-10-04 | 北方健康医疗大数据科技有限公司 | 切片间相关度检测模型训练方法、检测方法和电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376558A (zh) * | 2018-01-24 | 2018-08-07 | 复旦大学 | 一种多模态核磁共振影像病历报告自动生成方法 |
CN109712111A (zh) * | 2018-11-22 | 2019-05-03 | 平安科技(深圳)有限公司 | 一种皮肤癌种类识别方法、系统、计算机设备和存储介质 |
CN109978886A (zh) * | 2019-04-01 | 2019-07-05 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110136153A (zh) * | 2019-05-14 | 2019-08-16 | 上海商汤智能科技有限公司 | 一种图像处理方法、设备及存储介质 |
CN111161278A (zh) * | 2019-12-12 | 2020-05-15 | 西安交通大学 | 一种基于深层网络聚合的眼底图像病灶分割方法 |
CN111179237A (zh) * | 2019-12-23 | 2020-05-19 | 北京理工大学 | 一种肝脏以及肝脏肿瘤的图像分割方法和装置 |
CN111192245A (zh) * | 2019-12-26 | 2020-05-22 | 河南工业大学 | 一种基于U-Net网络的脑肿瘤分割网络及分割方法 |
CN111369574A (zh) * | 2020-03-11 | 2020-07-03 | 合肥凯碧尔高新技术有限公司 | 一种胸腔器官的分割方法及装置 |
US20200219262A1 (en) * | 2019-01-03 | 2020-07-09 | The Regents Of The University Of California | Automated selection of an optimal image from a series of images |
CN111667458A (zh) * | 2020-04-30 | 2020-09-15 | 杭州深睿博联科技有限公司 | 一种对平扫ct中的早急性脑梗死检测方法及装置 |
-
2020
- 2020-09-29 CN CN202011047387.8A patent/CN112150449B/zh active Active
-
2021
- 2021-03-09 AU AU2021101226A patent/AU2021101226A4/en active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376558A (zh) * | 2018-01-24 | 2018-08-07 | 复旦大学 | 一种多模态核磁共振影像病历报告自动生成方法 |
CN109712111A (zh) * | 2018-11-22 | 2019-05-03 | 平安科技(深圳)有限公司 | 一种皮肤癌种类识别方法、系统、计算机设备和存储介质 |
US20200219262A1 (en) * | 2019-01-03 | 2020-07-09 | The Regents Of The University Of California | Automated selection of an optimal image from a series of images |
CN109978886A (zh) * | 2019-04-01 | 2019-07-05 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110136153A (zh) * | 2019-05-14 | 2019-08-16 | 上海商汤智能科技有限公司 | 一种图像处理方法、设备及存储介质 |
CN111161278A (zh) * | 2019-12-12 | 2020-05-15 | 西安交通大学 | 一种基于深层网络聚合的眼底图像病灶分割方法 |
CN111179237A (zh) * | 2019-12-23 | 2020-05-19 | 北京理工大学 | 一种肝脏以及肝脏肿瘤的图像分割方法和装置 |
CN111192245A (zh) * | 2019-12-26 | 2020-05-22 | 河南工业大学 | 一种基于U-Net网络的脑肿瘤分割网络及分割方法 |
CN111369574A (zh) * | 2020-03-11 | 2020-07-03 | 合肥凯碧尔高新技术有限公司 | 一种胸腔器官的分割方法及装置 |
CN111667458A (zh) * | 2020-04-30 | 2020-09-15 | 杭州深睿博联科技有限公司 | 一种对平扫ct中的早急性脑梗死检测方法及装置 |
Non-Patent Citations (8)
Title |
---|
BELLAL HAFHOUF 等: "A Modified U-Net for Skin Lesion Segmentation", 《2020 1ST INTERNATIONAL CONFERENCE ON COMMUNICATIONS,CONTROL SYSTEMS AND SIGHAL PROCESSING(CCSSP)》 * |
BELLAL HAFHOUF 等: "A Modified U-Net for Skin Lesion Segmentation", 《2020 1ST INTERNATIONAL CONFERENCE ON COMMUNICATIONS,CONTROL SYSTEMS AND SIGHAL PROCESSING(CCSSP)》, 29 July 2020 (2020-07-29), pages 225 - 228 * |
HAISHENG HUI 等: "A Partitioning-Stacking Prediction Fusion Network Based on an Improved Attention U-Net for Stroke Lesion Segmentation", 《IEEE ACCESS》 * |
HAISHENG HUI 等: "A Partitioning-Stacking Prediction Fusion Network Based on an Improved Attention U-Net for Stroke Lesion Segmentation", 《IEEE ACCESS》, vol. 8, 3 March 2020 (2020-03-03), pages 47419 - 47432, XP011778760, DOI: 10.1109/ACCESS.2020.2977946 * |
回海生 等: "一种主辅路径注意力补偿的脑卒中病灶分割方法", 《西安电子科技大学学报》 * |
回海生 等: "一种主辅路径注意力补偿的脑卒中病灶分割方法", 《西安电子科技大学学报》, vol. 48, no. 4, 6 July 2021 (2021-07-06), pages 200 - 208 * |
田娟秀 等: "医学图像分析深度学习方法研究与挑战", 《自动化学报》 * |
田娟秀 等: "医学图像分析深度学习方法研究与挑战", 《自动化学报》, vol. 44, no. 3, 15 March 2018 (2018-03-15), pages 401 - 424 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409243A (zh) * | 2021-02-24 | 2021-09-17 | 浙江工业大学 | 一种结合全局和邻域信息的血管分割方法 |
CN114359194A (zh) * | 2021-12-27 | 2022-04-15 | 浙江大学 | 基于改进U-Net网络的多模态脑卒中梗死区域图像处理方法 |
CN114092482A (zh) * | 2021-12-29 | 2022-02-25 | 深圳市铱硙医疗科技有限公司 | 脑部影像分割系统及方法 |
CN115147420A (zh) * | 2022-09-05 | 2022-10-04 | 北方健康医疗大数据科技有限公司 | 切片间相关度检测模型训练方法、检测方法和电子设备 |
CN115147420B (zh) * | 2022-09-05 | 2022-11-22 | 北方健康医疗大数据科技有限公司 | 切片间相关度检测模型训练方法、检测方法和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
AU2021101226A4 (en) | 2021-05-06 |
CN112150449B (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112150449B (zh) | 一种脑卒中病灶分割方法和系统 | |
CN107610194B (zh) | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 | |
CN114663431B (zh) | 基于强化学习和注意力的胰腺肿瘤图像分割方法及系统 | |
CN110298844B (zh) | X光造影图像血管分割与识别方法及装置 | |
CN111369565B (zh) | 一种基于图卷积网络的数字病理图像的分割与分类方法 | |
Kamraoui et al. | DeepLesionBrain: Towards a broader deep-learning generalization for multiple sclerosis lesion segmentation | |
CN110036409B (zh) | 使用联合深度学习模型进行图像分割的系统和方法 | |
CN113012172A (zh) | 一种基于AS-UNet的医学图像分割方法及系统 | |
CN111627017B (zh) | 一种基于深度学习的血管管腔自动分割方法 | |
CN112465754B (zh) | 基于分层感知融合的3d医疗图像分割方法、装置及存储介质 | |
CN111369574B (zh) | 一种胸腔器官的分割方法及装置 | |
CN111091575B (zh) | 一种基于强化学习方法的医学图像分割方法 | |
CN111210444A (zh) | 多模态磁共振影像的分割方法、装置及介质 | |
CN112102259A (zh) | 一种基于边界引导深度学习的图像分割算法 | |
CN111584066A (zh) | 基于卷积神经网络与对称信息的脑部医学影像诊断方法 | |
CN115409859A (zh) | 冠状动脉血管图像分割方法及装置、存储介质和终端 | |
CN116433654A (zh) | 一种改进的U-Net网络实现脊柱整体分割方法 | |
CN114494289A (zh) | 一种基于局部线性嵌入的插值神经网络的胰腺肿瘤图像分割处理方法 | |
CN114529794B (zh) | 一种红外与可见光图像融合方法、系统及介质 | |
CN115410032A (zh) | 基于自监督学习的octa图像分类结构训练方法 | |
CN115082494A (zh) | 一种基于多标签与分割网络的冠状动脉图像分割方法 | |
CN115115900A (zh) | 图像重建模型的训练方法、装置、设备、介质及程序产品 | |
CN113689454A (zh) | 基于卷积神经网络的3d ct椎体分割算法 | |
CN111626972A (zh) | Ct图像重构方法、模型训练方法及设备 | |
CN113516671B (zh) | 一种基于U-net和注意力机制的婴幼儿脑组织图像分割方法 |
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 |