CN112258457B - 一种全容积三维超声图像的多维特征提取方法 - Google Patents
一种全容积三维超声图像的多维特征提取方法 Download PDFInfo
- Publication number
- CN112258457B CN112258457B CN202011040013.3A CN202011040013A CN112258457B CN 112258457 B CN112258457 B CN 112258457B CN 202011040013 A CN202011040013 A CN 202011040013A CN 112258457 B CN112258457 B CN 112258457B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- full
- volume
- domain
- data
- 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
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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10132—Ultrasound image
- G06T2207/10136—3D 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30068—Mammography; Breast
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种全容积三维超声图像的多维特征提取方法,cc针对带标签的全容积三维超声图像的数据缺乏,导致的训练过拟合问题,通过无监督的方式训练CT、MR源域数据来得到三维自编码器,并利用其编码器部分获得3D‑CNN预训练模型,并由该模型的输出特征构成CT、MR的特征空间,基于自编码器方式,以无监督的训练方式进行全容积三维超声图像的多维特征提取,消除了带标签的全容积三维超声图像数据缺乏导致的训练过拟合问题,减少了训练3D‑CNN所需要的带标签的三维超声乳腺数据,提高提取到的图像特征信噪比,弱化了背景信息,凸显感兴趣区域及边缘细节。
Description
技术领域
本发明涉及超声成像识别方法领域,具体涉及一种全容积三维超声图像的多维特征提取方法。
背景技术
全自动乳腺容积超声成像系统ABVUS(Automated Breast Volume UltrasoundSystem)作为一种新兴的超声技术,目前国际上只有德国西门子、美国通用和中国汕头市超声仪器研究所有限公司(SIUI)三家公司推出了自己的乳腺容积超声成像产品,相比手持超声而言,ABVUS图像是按固定轨迹扫描整个乳腺,可以获得乳腺的全容积3D图像。因此,三维卷积神经网络可以在三个正交方向上全面提取ABVUS乳腺的三维特征,因而包含更多的立体特征信息;同时,与超声造影(Contrast Enhanced Ultrasound,CEUS)及多普勒血流等相结合,则能够从不同角度更好地获取病灶感兴趣区域的血流灌注情况和血管的血供特征,但是其对带标签的全容积三维超声图像的数据缺乏,导致的训练过拟合。
发明内容
本发明的目的在于提出一种全容积三维超声图像的多维特征提取方法,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
本发明通过无监督的方式训练CT、MR源域数据来得到一个三维自编码器,并利用其中的编码器部分获得3D-CNN预训练模型,并由该模型的输出特征构成CT、MR的特征空间,但因为源域的CT、MR三维图像和目标域的ABVUS三维图像在分布仍然具有较大差异,由于上述用于特征提取的3D-CNN模型包含大量的权重参数,所以需要大量带标签的数据进行训练,而获得足够的、带标签的医学数据需要很高的成本,尤其是三维超声乳腺数据。因此采用开放医学数据库如LIDC-NLST(The Lung Image Database Consortium,肺部CT数据集)、ADNI(Alzheimer's Disease Neuroimaging Initiative,脑部阿尔茨海默病MR三维图像数据集)、BraTS(Brain Tumor Segmentation,大脑MR三维图像数据集)以及汕头大学医学院附属医院提供的海量CT、MR数据,基于自编码器方式,以无监督的训练方式进行全容积三维超声图像的多维特征提取。
为了实现上述目的,本发明提供一种全容积三维超声图像的多维特征提取方法,所述方法包括以下步骤:
获取乳腺的全容积三维超声图像;
由神经网络预训练模型提取全容积三维超声图像的图像特征;
所述图像特征包括三维特征和二维特征,三维特征包括三维纹理特征;三维纹理特征包括血管的血供特征、血流灌注特征;所述二维特征包括斑块面积、斑块负荷、内腔等效直径、血管直径、血管紧密度和内腔紧密度;
构建域适应神经网络;
对域适应神经网络进行训练得到神经网络预训练模型;
进一步地,获取乳腺的全容积三维超声图像的方法为:通过德国西门子、美国通用和中国汕头市超声仪器研究所有限公司(SIUI)的全自动乳腺容积超声成像系统(Automated Breast Volume Ultrasound System,ABVUS)按固定轨迹扫描整个乳腺,可以获得乳腺的全容积三维超声图像;或者从开放医学数据库:LIDC-NLST(The Lung ImageDatabase Consortium,肺部CT数据集)、ADNI(Alzheimer's Disease NeuroimagingInitiative,脑部阿尔茨海默病MR三维图像数据集)、BraTS(Brain Tumor Segmentation,大脑MR三维图像数据集)以及汕头大学医学院附属医院提供的一种CT、MR数据源进行读取。
进一步地,所述域适应神经网络又称为域对抗神经网络,域适应神经网络至少包括生成器和标签预测器,用于实现源域数据和目标域数据之间建立一个特征映射,使源域数据特征能够迁移到目标域数据特征空间;以3D-CNN作为生成器,用来生成源域数据和目标域数据的特征,将目标域数据的特征输出到由CapsGNN构成的标签预测器中分辨出目标域数据的类别;并且通过生成器的梯度反转层和全连接层构成的域判别器,对生成器生成的特征空间进行域判别,区分生成的特征来自源域或者目标域;整个生成对抗迁移过程主要由生成特征路径和域判别路径构成,所述源域数据为CT或MR数据,所述目标域数据为全容积三维超声图像数据,所述3D-CNN为3D卷积神经网络,所述CapsGNN为胶囊神经网络。
进一步地,在生成特征路径中,域适应神经网络是通过优化以下目标函数,来更新3D-CNN(生成器)和胶囊神经网络(CapsGNN)(标签预测器)两部分的权重参数H(W,b,V,c):
其中,W和b分别表示神经元的权重参数和偏置参数,V代表标签预测器输出向量参数,c为softmax函数中的类别总数,表示第i个样本的标签预测损失,n为样本数量;R(W,b)是一个可选的正则化器,λ为正则化参数,/>的含义为取式/>最小时W、b、V、c的值。
进一步地,在域判别路径中,用ABVUS组成的目标域数据和CT、MR组成的源域数据训练生成器和域判别器,优化如下目标函数以更新3D-CNN和域判别器的权重参数G(W,b,u,z):
其中,W,b分别表示神经元的权重参数,u代表域判别器输出向量参数,z为softmax函数中的类别总数,表示第i个样本的域判别损失,n为源域数据样本数量,n′为目标域数据样本数量,一共有N个样本,N为样本的总量,的含义为取式为最大时u、z的值。通过上述生成对抗过程,完成网络的权重参数更新,当域适应神经网络性能达到饱和后,源域数据特征将迁移到目标域特征空间。
此时,完成了特征知识迁移的3D-CNN将可以用于提取ABVUS乳腺的三维特征。
进一步地,所述对域适应神经网络进行训练得到神经网络预训练模型的方法包括以下步骤:采用开放医学数据库:LIDC-NLST(The Lung Image Database Consortium,肺部CT数据集)、ADNI(Alzheimer's Disease Neuroimaging Initiative,脑部阿尔茨海默病MR三维图像数据集)、BraTS(Brain Tumor Segmentation,大脑MR三维图像数据集)以及汕头大学医学院附属医院提供的一种海量CT或MR数据集,通过基于自编码器方式以无监督的训练方式对域适应神经网络进行训练从而获得预训练模型。
进一步地,所述预训练模型的构建由编码器和解码器两部分组成,编码器用于提取三维感兴趣区域图像的特征,而解码器则基于编码器输出的特征,还原三维图像;为了让自编码器学习到ABVUS三维图像的边缘、形状、纹理和上下文特征,对输入的全容积三维超声图像数据依次进行双边滤波、非线性化和模糊增强处理。其目的是提高信噪比,弱化了背景信息,凸显感兴趣区域及边缘细节,编码器与解码器采用对称的形式设计,表征如下:f:Φ→Ψ,g:Ψ→Θ,其中,给定输入空间X∈Φ,特征空间Y∈Ψ,输出空间Z∈Θ,编码器完成求解Φ到Ψ的映射f,→符号意义为映射,解码器完成求解Ψ到Θ的映射g,自编码器需要使输出空间Θ尽可能与输入空间Φ相近。自编码器训练完成后,我们取出其中的编码器部分作为三维卷积神经网络的预训练模型,的含义为式子||X-g[f(X)]||2达到最小值时的f,g的取值。
本发明的有益效果为:本发明提供一种全容积三维超声图像的多维特征提取方法,消除了带标签的ABVUS三维图像(全容积三维超声图像)数据缺乏导致的训练过拟合问题,减少了训练3D-CNN所需要的带标签的三维超声乳腺数据,提高提取到的图像特征信噪比,弱化了背景信息,凸显感兴趣区域及边缘细节。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本发明的上述以及其他特征将更加明显,本发明附图中相同的参考标号表示相同或相似的元素,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的前提下,还可以根据这些附图获得其他的附图,在附图中:
图1为对全容积三维超声图像进行特征提取的流程图;
图2为获取神经网络预训练模型的流程图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明提出一种全容积三维超声图像的多维特征提取方法,利用多个力传感器,在刚体节段模型测力试验中可以准确获得各部分的风荷载,可以保证刚体构件各部分风荷载均在安全范围内,方法具体包括以下步骤:
如图1所示,图1为对全容积三维超声图像进行特征提取的流程图;
获取乳腺的全容积三维超声图像;
由神经网络预训练模型提取全容积三维超声图像的图像特征;
所述图像特征包括三维特征和二维特征,三维特征包括三维纹理特征;三维纹理特征包括血管的血供特征、血流灌注特征;所述二维特征包括斑块面积、斑块负荷、内腔等效直径、血管直径、血管紧密度和内腔紧密度;
如图2所示,图2为获取神经网络预训练模型的流程图;
构建域适应神经网络;
对域适应神经网络进行训练得到神经网络预训练模型;
进一步地,获取乳腺的全容积三维超声图像的方法为:通过德国西门子、美国通用和中国汕头市超声仪器研究所有限公司(SIUI)的全自动乳腺容积超声成像系统(Automated Breast Volume Ultrasound System,ABVUS)按固定轨迹扫描整个乳腺,可以获得乳腺的全容积三维超声图像;或者从开放医学数据库:LIDC-NLST(The Lung ImageDatabase Consortium,肺部CT数据集)、ADNI(Alzheimer's Disease NeuroimagingInitiative,脑部阿尔茨海默病MR三维图像数据集)、BraTS(Brain Tumor Segmentation,大脑MR三维图像数据集)以及汕头大学医学院附属医院提供的一种CT、MR数据源进行读取。
进一步地,所述域适应神经网络又称为域对抗神经网络,域适应神经网络至少包括生成器和标签预测器,用于实现源域数据和目标域数据之间建立一个特征映射,使源域数据特征能够迁移到目标域数据特征空间;以3D-CNN作为生成器,用来生成源域数据和目标域数据的特征,将目标域数据的特征输出到由CapsGNN构成的标签预测器中分辨出目标域数据的类别;并且通过生成器的梯度反转层和全连接层构成的域判别器,对生成器生成的特征空间进行域判别,区分生成的特征来自源域或者目标域;整个生成对抗迁移过程主要由生成特征路径和域判别路径构成,所述源域数据为CT或MR数据,所述目标域数据为全容积三维超声图像数据,所述3D-CNN为3D卷积神经网络,所述CapsGNN为胶囊神经网络。
进一步地,在生成特征路径中,域适应神经网络是通过优化以下目标函数,来更新3D-CNN(生成器)和胶囊神经网络(CapsGNN)(标签预测器)两部分的权重参数H(W,b,V,c):
其中,W和b分别表示神经元的权重参数和偏置参数,V代表标签预测器输出向量参数,c为softmax函数中的类别总数,表示第i个样本的标签预测损失,n为样本数量;R(W,b)是一个可选的正则化器,λ为正则化参数,/>的含义为取式/>最小时W、b、V、c的值,注:W、b也为变量。
进一步地,在域判别路径中,用ABVUS组成的目标域数据和CT、MR组成的源域数据训练生成器和域判别器,优化如下目标函数以更新3D-CNN和域判别器的权重参数G(W,b,u,z):
其中,W,b分别表示神经元的权重参数,u代表域判别器输出向量参数,z为softmax函数中的类别总数,表示第i个样本的域判别损失,n为源域数据样本数量,n′为目标域数据样本数量,一共有N个样本,N为样本的总量,的含义为取式为最大时u、z的值。通过上述生成对抗过程,完成网络的权重参数更新,当域适应神经网络性能达到饱和后,源域数据特征将迁移到目标域特征空间。
此时,完成了特征知识迁移的3D-CNN将可以用于提取ABVUS乳腺的三维特征。
进一步地,在S200中,所述对域适应神经网络进行训练得到神经网络预训练模型的方法包括以下步骤:采用开放医学数据库:LIDC-NLST(The Lung Image DatabaseConsortium,肺部CT数据集)、ADNI(Alzheimer's Disease Neuroimaging Initiative,脑部阿尔茨海默病MR三维图像数据集)、BraTS(Brain Tumor Segmentation,大脑MR三维图像数据集)以及汕头大学医学院附属医院提供的一种海量CT或MR数据集,通过基于自编码器方式以无监督的训练方式对域适应神经网络进行训练从而获得预训练模型。
进一步地,所述预训练模型的构建由编码器和解码器两部分组成,编码器用于提取三维感兴趣区域图像的特征,而解码器则基于编码器输出的特征,还原三维图像;为了让自编码器学习到ABVUS三维图像的边缘、形状、纹理和上下文特征,对输入的全容积三维超声图像数据依次进行双边滤波、非线性化和模糊增强处理。其目的是提高信噪比,弱化了背景信息,凸显感兴趣区域及边缘细节,编码器与解码器采用对称的形式设计,表征如下:f:Φ→Ψ,g:Ψ→Θ,其中,给定输入空间X∈Φ,特征空间Y∈Ψ,输出空间Z∈Θ,编码器完成求解Φ到Ψ的映射f,→符号意义为映射,解码器完成求解Ψ到Θ的映射g,自编码器需要使输出空间Θ尽可能与输入空间Φ相近。自编码器训练完成后,我们取出其中的编码器部分作为三维卷积神经网络的预训练模型,的含义为式子||X-g[f(X)]||2达到最小值时的f,g的取值。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,从而有效地涵盖本发明的预定范围。此外,上文以发明人可预见的实施例对本发明进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
Claims (6)
1.一种全容积三维超声图像的多维特征提取方法,其特征在于,所述方法包括以下步骤:
获取乳腺的全容积三维超声图像;
由神经网络预训练模型提取全容积三维超声图像的图像特征;
其中,所述神经网络预训练模型是通过构建域适应神经网络以及对域适应神经网络进行训练得到的;
所述域适应神经网络又称为域对抗神经网络,域适应神经网络至少包括生成器和标签预测器,用于实现源域数据和目标域数据之间建立一个特征映射,使源域数据特征能够迁移到目标域数据特征空间;以3D-CNN作为生成器,用来生成源域数据和目标域数据的特征,将目标域数据的特征输出到由CapsGNN构成的标签预测器中分辨出目标域数据的类别;并且通过生成器的梯度反转层和全连接层构成的域判别器,对生成器生成的特征空间进行域判别,区分生成的特征来自源域或者目标域;整个生成对抗迁移过程主要由生成特征路径和域判别路径构成,所述源域数据为CT或MR数据,所述目标域数据为全容积三维超声图像数据,所述3D-CNN为3D卷积神经网络,所述CapsGNN为胶囊神经网络;
其中,所述生成特征路径为:域适应神经网络通过优化的目标函数H(W,b,V,c),来更新生成器和标签预测器两部分的权重参数:
式中,W和b分别表示神经元的权重参数和偏置参数,V代表标签预测器输出向量参数,c为softmax函数中的类别总数,表示第i个样本的标签预测损失,n为样本数量;R(W,b)是正则化器,λ为正则化参数,/>的含义为取式为最小时W、b、V、c的值;
其中,所述域判别路径为:用全容积三维超声图像数据组成的目标域数据和CT或MR数据组成的源域数据训练生成器和域判别器,通过优化的目标函数以更新3D-CNN和域判别器的权重参数G(W,b,u,z):
式中,W,b分别表示神经元的权重参数,u代表域判别器输出向量参数,z为softmax函数中的类别总数,表示第i个样本的域判别损失,n为源域数据样本数量,n′为目标域数据样本数量,N为样本的总量。
2.根据权利要求1所述的一种全容积三维超声图像的多维特征提取方法,其特征在于,获取乳腺的全容积三维超声图像的方法为:通过全自动乳腺容积超声成像系统按固定轨迹扫描整个乳腺获得乳腺的全容积三维超声图像;或者从开放医学数据库:LIDC-NLST、ADNI或BraTS中的一种CT、MR数据源进行读取。
3.根据权利要求1所述的一种全容积三维超声图像的多维特征提取方法,其特征在于,
所述图像特征包括三维特征和二维特征,三维特征包括三维纹理特征。
4.根据权利要求1所述的一种全容积三维超声图像的多维特征提取方法,其特征在于,对域适应神经网络进行训练得到神经网络预训练模型的方法包括以下步骤:采用开放医学数据库:LIDC-NLST、ADNI、BraTS提供的一种CT或MR数据集,通过基于自编码器方式以无监督的训练方式对域适应神经网络进行训练从而获得神经网络预训练模型。
5.根据权利要求1所述的一种全容积三维超声图像的多维特征提取方法,其特征在于,所述神经网络预训练模型由编码器和解码器两部分组成,编码器用于提取三维感兴趣区域图像的特征,而解码器则基于编码器输出的特征,还原三维图像;对输入的全容积三维超声图像数据依次进行双边滤波、非线性化和模糊增强处理。
6.根据权利要求5所述的一种全容积三维超声图像的多维特征提取方法,其特征在于,编码器与解码器的表征如下:f:Φ→Ψ,g:Ψ→Θ,其中,给定输入空间X∈Φ,特征空间Y∈Ψ,输出空间Z∈Θ,编码器完成求解Φ到Ψ的映射f,→符号意义为映射,解码器完成求解Ψ到Θ的映射g;自编码器训练完成后,取出其中的编码器部分作为三维卷积神经网络的预训练模型,/>的含义为式子||X-g[f(X)]||2达到最小值时的f,g的取值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011040013.3A CN112258457B (zh) | 2020-09-28 | 2020-09-28 | 一种全容积三维超声图像的多维特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011040013.3A CN112258457B (zh) | 2020-09-28 | 2020-09-28 | 一种全容积三维超声图像的多维特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112258457A CN112258457A (zh) | 2021-01-22 |
CN112258457B true CN112258457B (zh) | 2023-09-05 |
Family
ID=74234196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011040013.3A Active CN112258457B (zh) | 2020-09-28 | 2020-09-28 | 一种全容积三维超声图像的多维特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112258457B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技(昆山)有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
CN109410167A (zh) * | 2018-08-31 | 2019-03-01 | 深圳大学 | 一种3d乳腺图像的分析方法及相关产品 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3432263B1 (en) * | 2017-07-17 | 2020-09-16 | Siemens Healthcare GmbH | Semantic segmentation for cancer detection in digital breast tomosynthesis |
-
2020
- 2020-09-28 CN CN202011040013.3A patent/CN112258457B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技(昆山)有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
CN109410167A (zh) * | 2018-08-31 | 2019-03-01 | 深圳大学 | 一种3d乳腺图像的分析方法及相关产品 |
Non-Patent Citations (1)
Title |
---|
基于卷积神经网络和多信息融合的三维乳腺超声分类方法;孔小函等;《中国生物医学工程学报》;第1.1节、第1.3节、第1.4.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN112258457A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kazeminia et al. | GANs for medical image analysis | |
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 | |
Zhang et al. | SkrGAN: Sketching-rendering unconditional generative adversarial networks for medical image synthesis | |
CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统 | |
Rehman et al. | Conventional and deep learning methods for skull stripping in brain MRI | |
CN107993221B (zh) | 心血管光学相干断层oct图像易损斑块自动识别方法 | |
Tang et al. | A fast and accurate 3D fine-tuning convolutional neural network for Alzheimer’s disease diagnosis | |
CN114693933A (zh) | 基于生成对抗网络和多尺度特征融合的医学影像分割装置 | |
CN112862805B (zh) | 听神经瘤图像自动化分割方法及系统 | |
Angkoso et al. | Multiplane Convolutional Neural Network (Mp-CNN) for Alzheimer’s Disease Classification. | |
CN117218453B (zh) | 一种不完备多模态医学影像学习方法 | |
Feng et al. | Supervoxel based weakly-supervised multi-level 3D CNNs for lung nodule detection and segmentation | |
Meng et al. | Representation disentanglement for multi-task learning with application to fetal ultrasound | |
Attye et al. | TractLearn: A geodesic learning framework for quantitative analysis of brain bundles | |
Yu-Dong et al. | Voxelwise detection of cerebral microbleed in CADASIL patients by leaky rectified linear unit and early stopping | |
Benvenuto et al. | A fully unsupervised deep learning framework for non-rigid fundus image registration | |
Zhang et al. | Two stage of histogram matching augmentation for domain generalization: application to left atrial segmentation | |
CN116385467B (zh) | 基于自监督学习的脑血管分割方法及相关设备 | |
CN112258457B (zh) | 一种全容积三维超声图像的多维特征提取方法 | |
Arefin et al. | Deep learning approach for detecting and localizing brain tumor from magnetic resonance imaging images | |
Mortazi et al. | Weakly supervised segmentation by a deep geodesic prior | |
CN111738999B (zh) | 基于弥散张量成像的大脑张量模板构建方法 | |
Shihabudeen et al. | Autoencoder Network based CT and MRI Medical Image Fusion | |
Weninger et al. | Diffusion MRI specific pretraining by self-supervision on an auxiliary dataset | |
Gao et al. | A lightweight deep learning framework for automatic MRI data sorting and artifacts detection |
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 |