CN112272839A - 三维扫描中解剖结构的顺序分割 - Google Patents

三维扫描中解剖结构的顺序分割 Download PDF

Info

Publication number
CN112272839A
CN112272839A CN201980038093.8A CN201980038093A CN112272839A CN 112272839 A CN112272839 A CN 112272839A CN 201980038093 A CN201980038093 A CN 201980038093A CN 112272839 A CN112272839 A CN 112272839A
Authority
CN
China
Prior art keywords
block
sequence
segmentation
features
output
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
CN201980038093.8A
Other languages
English (en)
Inventor
A·诺维科夫
D·梅杰
M·维默尔
D·勒尼斯
K·比勒
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.)
VRVIS
VRVis Zentrum fuer Virtual Reality und Visualisierung Forschungs GmbH
AGFA HEALTHCARE
Agfa HealthCare NV
Original Assignee
VRVis Zentrum fuer Virtual Reality und Visualisierung Forschungs GmbH
AGFA HEALTHCARE
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 VRVis Zentrum fuer Virtual Reality und Visualisierung Forschungs GmbH, AGFA HEALTHCARE filed Critical VRVis Zentrum fuer Virtual Reality und Visualisierung Forschungs GmbH
Publication of CN112272839A publication Critical patent/CN112272839A/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • 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
    • G06T2207/30008—Bone
    • G06T2207/30012—Spine; Backbone
    • 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
    • G06T2207/30056—Liver; Hepatic

Abstract

一种在三维扫描中分割解剖结构（如器官）的方法，该架构组合了U‑Net、时间分布卷积和双向卷积LSTM。

Description

三维扫描中解剖结构的顺序分割
技术领域
本发明涉及在容积扫描中分割解剖结构的方法，更具体地涉及在医学3D扫描中分割解剖结构的方法。
背景技术
容积医学扫描中解剖结构的准确分割在当前的临床实践中受到高度关注，因为它在涉及计算机辅助诊断、图像引导介入、放射治疗和放射学的许多任务中扮演重要角色。特别是，定量诊断需要了解解剖器官的准确边界。
三维深度学习分割方法在各种器官和模态上示出有希望的结果。如Lu等[11]在肝脏分割方面的工作一样，这些方法中的大多数是建立在3D U-Net架构[5]上的。Dou等[6]提出了一种3D全卷积结构，其通过深度监督层来提高肝脏分割的准确性。Yang等[16]使用对抗式训练，以便在CT扫描中获得更好的肝脏3D U-Net分割性能。Sekuboyina等[14]提出了一种用于在CT扫描中定位和分割脊柱的管道方法。这里，椎骨分割以分块方式执行，以克服存储器限制，并且同时获得细粒度的结果。Korez等[9]介绍了一种与多尺度双向CNN相组合的类似的分块方法。
上述方法将源自3D图像采集的扫描重采样到容积中，并在3D中应用卷积。这通常涉及缩小规模，以克服存储器限制。因此，以分片方式处理容积数据的方法变得重要。例如，Li等[10]首先将U-Net [13]架构的分片密集连接变体应用于肝脏分割，并通过使用自动上下文算法的3D模型来细化结果。对于相同的任务，Christ等[4]应用分片的U-Net来获得粗略的分割，并利用3D中的条件随机场来细化结果。
为了适当利用空间信息，仅依靠切片内的数据是不够的。为了解决该问题，除了主要的2D方法之外，上述方法还应用了计算昂贵的3D细化策略。
相反，Bates等[2]和Chen等[3]示出了，将递归神经网络与全卷积方法相组合，允许直接处理切片上的空间信息。所提出的方法使用U-Net变量来产生初始分割，所述初始分割随后由卷积长短期记忆网络（LSTM）[7]进行细化。
本发明的一个方面是提供一种改进的分割方法。
发明内容
上述方面通过如权利要求1所述的方法来实现。
在从属权利要求中陈述了本发明优选实施例的具体特征。
本发明的方法是一种通用的、鲁棒的、端到端的、时间分布卷积和双向卷积LSTM块的混合。
该方法克服了当前方法的诸如忽略各向异性体素大小、仅考虑切片内信息以及存储器限制之类的缺点。
更进一步地，通过在描绘两个不同器官（即肝脏和椎骨）的两个CT数据集上进行评估，示出了视场的不变性，特别是恒定切片计数的不变性。肝脏分割通常是肝病诊断中的必要步骤，而椎骨分割对于脊柱异常（例如，骨折）的标识或图像引导的脊柱干预是重要的。
从以下描述和附图中，本发明的进一步的优点和实施例将变得显而易见。
附图说明
图1示出了本发明方法的基础架构的概述；
图2是具有关于输入和输出张量的过滤器和形状的详细信息的表格；
图3是对椎骨和肝脏的双重评估结果。
具体实施方式
方法
一般设置
令
Figure DEST_PATH_IMAGE001
为一组容积扫描，其中每个
Figure 662853DEST_PATH_IMAGE002
由体素
Figure DEST_PATH_IMAGE003
和密度
Figure 206092DEST_PATH_IMAGE004
组成。
更具体地，每个扫描
Figure 172780DEST_PATH_IMAGE002
因此是具有像素
Figure DEST_PATH_IMAGE005
和密度
Figure 567990DEST_PATH_IMAGE006
的一组
Figure DEST_PATH_IMAGE007
个切片
Figure 320045DEST_PATH_IMAGE008
。
针对每个切片
Figure DEST_PATH_IMAGE009
，可获得一组真值掩码：
Figure 142507DEST_PATH_IMAGE010
其中l对应于语义类别标签
Figure DEST_PATH_IMAGE011
以及
Figure 100886DEST_PATH_IMAGE012
，大小为
Figure DEST_PATH_IMAGE013
的所有二进制矩阵的空间。
为了加强输入流形状的再现性，以如下方式构建了新的训练数据集。
从每个扫描
Figure 237469DEST_PATH_IMAGE014
中，选择大小为
Figure DEST_PATH_IMAGE015
的子集
Figure 93299DEST_PATH_IMAGE016
，其中
Figure 86662DEST_PATH_IMAGE015
可以被奇数
Figure DEST_PATH_IMAGE017
整除。
随后，每个
Figure 778675DEST_PATH_IMAGE018
被划分成长度为
Figure DEST_PATH_IMAGE019
的保序子集，并且全部被组合成新的数据集I'，该数据集现在由奇数个基数的子集组成。
出于训练和评估的目的，数据集I'被划分成不重叠的集合，即
Figure 515687DEST_PATH_IMAGE020
和
Figure DEST_PATH_IMAGE021
。
在训练期间，网络连续地通过小批量
Figure 727488DEST_PATH_IMAGE022
，其中
Figure DEST_PATH_IMAGE023
是集合
Figure 157332DEST_PATH_IMAGE020
的全部分区。
针对每个序列
Figure 336640DEST_PATH_IMAGE024
，即
Figure DEST_PATH_IMAGE025
，对于一些
Figure 611764DEST_PATH_IMAGE026
以及一些序列
Figure DEST_PATH_IMAGE027
，计算网络的多类别输出：
将网络理解为函数
Figure 442186DEST_PATH_IMAGE028
Figure DEST_PATH_IMAGE029
在单个步骤中针对单个像素
Figure 777352DEST_PATH_IMAGE030
导出其具有一定概率的语义分类
Figure DEST_PATH_IMAGE031
，其中
Figure 443957DEST_PATH_IMAGE032
对应于序列
Figure DEST_PATH_IMAGE033
的中间元素。
为了估计并且最大化该概率，定义如下损失函数：
Figure 522771DEST_PATH_IMAGE034
该损失函数估计网络结果与期望真值的偏差（误差）。
使用由Novikov等[12]导出的形式记法，以如下方式定义损失函数。
对于距离函数
Figure DEST_PATH_IMAGE035
，加权系数
Figure 706234DEST_PATH_IMAGE036
和序列
Figure DEST_PATH_IMAGE037
，在集合K和全部分区上，损失函数为：
Figure 477881DEST_PATH_IMAGE038
。
针对训练序列S、特征通道l、真值掩码GS、以及sigmoid激活函数
Figure DEST_PATH_IMAGE039
的距离函数
Figure 366203DEST_PATH_IMAGE040
可以被定义为：
Figure DEST_PATH_IMAGE041
其中
Figure 435659DEST_PATH_IMAGE042
是特征函数，即，如果在像素x的定位处GS为1，则
Figure DEST_PATH_IMAGE043
，否则为0。
架构
为了利用保序切片（
Figure 788143DEST_PATH_IMAGE044
的元素）空间-时间相关性并且由于它们的顺序性质，时间分布卷积和双向卷积LSTM块已经被组合在端对端的、可训练的、类似U-Net的混合架构中。
图1示出了所提出的架构的高层次概述。图2利用每层的张量形状补充了图1。
所述网络将奇数长度的序列
Figure DEST_PATH_IMAGE045
作为输入。
然后，该序列被传递给收缩块。通过网络的收缩块独立地处理序列中的每个元素。收缩块由重复的时间分布卷积和最大池化层组成。
时间分布卷积是传递给特殊封装器（wrapper）的典型卷积。时间分布封装器允许将任何层独立地应用于输入的每个时间帧（或切片）。在该工作的上下文中，这样的时间帧对应于从容积中提取的训练序列的元素。在本架构中，封装器应用于所有卷积、池化、上采样和级联层中。
为了捕捉切片之间的时空相关性，已经将针对输入序列的每个元素提取的特征传递到网络的收缩部分的末端处的卷积LSTM （CLSTM）块[15]。
CLSTM的双向修改与求和运算符一起使用，以便使得网络能够学习两个方向上的切片的时空相关性。
该CLSTM块旨在增加低维高抽象特征的依赖性。
该双向CLSTM块的序列输出然后被传递到扩展路径。序列的每个元素都被独立地处理。
扩展部分由时间分布卷积和上采样层组成。在每个上采样层之后，特征与来自收缩部分的相应特征级联。当特征的空间分辨率达到期望的大小时，序列被传递到另一个双向CLSTM块。对序列进行双向处理，并对输出进行求和。因此，所述块有助于实现两个目标：增加对高维特征的依赖性，并将进入的序列转换为单通道输出。
所得到的特征然后被传递到（1，1）卷积层，以便将每个特征向量映射到期望数量的类。所述结果经由独立应用于每个像素的sigmoid激活映射到[0，1]范围中。这导致对输入序列
Figure 668374DEST_PATH_IMAGE046
的中间元素的分割。
实验设置
训练数据和准备
为了证明该架构在不同解剖器官上的可推广性，使用了椎骨和肝脏的公共数据集。
对于椎骨分割，使用了CSI 2014挑战训练集[17]。它包括覆盖整个腰椎和胸椎的10个CT扫描，以及每个扫描的全椎骨分割掩码。轴向平面内分辨率在0.3125和0.3616 mm2之间变化，切片厚度为1毫米。
对于肝脏分割，使用了以下两个相关的数据集：3Dircadb-01和3Dircadb-02[1]。第一个数据集由10名和10名男性的20个3D计算机断层扫描组成，其中在75%的案例中具有肝脏肿瘤。第二个数据集由具有肝局灶性结节增生的两个匿名扫描组成。轴向平面内分辨率在0.56和0.961 mm2之间变化，并且切片厚度在1.0和4.0 mm之间变化。
用于椎骨分割的训练序列中的连续元素是以3mm的距离生成的，并且在椎骨和肝脏区域内以5mm的距离进行肝脏分割。
这些数字是基于数据集中的最大切片厚度选取的。在所有的评估中，我们使用了三个切片的序列
Figure DEST_PATH_IMAGE047
.
对两个器官的评估是以双重（two-fold）方式进行的。所有切片和掩码都被下采样为128 × 128成像分辨率，以用于及时运行评估。
实施细节
所有实验均使用Python中具有TensorFlow后端的Keras进行。我们使用固定初始速率为10-5并且标准值为β1 = 0.9，β2 = 0.999的ADAM [8]优化算法，通过由等式3示出的损失，来训练网络。使用scikit图像库对真值掩码进行下采样。
结果
图3示出了椎骨和肝脏分割的两个组的Dice和Jaccard得分。前两列示出的是当考虑到整个容积时，甚至当感兴趣的器官不存在时的情况的分数。第三和第四列仅示出包含感兴趣器官的区域的结果。
本发明的重点在于通用的分割方法，因此最终结果不进行后处理，因为通常该过程是特定于任务的，并且需要特定于器官的调整。在该情况下，如预期的那样，对于该上下文，不相关的骨骼结构被部分分割，从而降低了整个容积的得分。
为了展示当前的网络比其2D变体有所改进，在相同的训练条件下，在肝脏的组1上构建并评估了另外两个架构。
在第一架构中，输入被以如下方式改变：它将采用仅由一个切片组成的序列（我们旨在分割的中间切片）。
在第二架构中，输入维度没有改变，但是第一卷积LSTM块被移除，并且第二卷积块被聚合层代替，该聚合层将对时间信道上的进入的特征进行求和。
当仅考虑器官区域时，这两个架构实现了0.87和0.878的相似Dice得分，这显著地低于本发明网络的得分。
参考文献
1.3d-ircadb数据库，可在https://www.ircad.fr/research/3d-ircadb-01/获得。
2.R. Bates、B. Irving,、B. Markelc, J. Kaeppler、R. Muschel、V. Grau、和J. A. Schnabel的“Extracting 3D vascular structures from microscopy imagesusing convolutional recurrent networks”， arXiv预印本， arXiv:1705.09597，2017年。
3.J. Chen、L. Yang, Y. Zhang、M. Alber、以及 D. Z. Chen的“Combiningfully convolutional and recurrent neural networks for 3D biomedical imagesegmentation”，NIPS，3036–3044页，2016年。
4.P. F. Christ、 M. E. A. Elshaer、F. Ettlinger、S. Tatavarty、M. Bickel、P. Bilic, M. Rempfler、M. Armbruster、F. Hofmann, M. DAnastasi等的“ Automaticliver and lesion segmentation in CT using cascaded fully convolutional neuralnetworks and 3D conditional random fields”，MICCAI，415–423页，Springer出版社，2016年。
5.Ö Cicek、A. Abdulkadir、S. S. Lienkamp、T. Brox以及 O. Ronneberger的“3D U-Net: Learning dense volumetric segmentation from sparse annotation”，MICCAI，424–432页, Cham， 2016年，Springer 国际出版社。
6.Q. Dou, H. Chen、Y. Jin、L. Yu、J. Qin以及 P.-A. Heng的“ 3D deeplysupervised network for automatic liver segmentation from CT volumes”，MICCAI，149–157页，Springer出版社，2016年。
7.S. Hochreiter 和J. Schmidhuber的“ Long short-term memory. Neuralcomputation”， 9(8):1735–1780， 1997年。
8.D. Kingma和J. Ba. Adam的“A method for stochastic optimization”，《ICLR》，2015年。
9.R. Korez、B. Likar、F. Pernuˇs以及 T. Vrtovec的“ Segmentation ofpathological spines in CT images using a two-way CNN and a collision-basedmodel”，International Workshop and Challenge on Computational Methods andClinical Applications in Musculoskeletal Imaging，95–107页，Springer出版社，2017年。
10.X. Li、H. Chen、X. Qi、Q. Dou、C.-W. Fu以及 P. A. Heng.的“H-DenseUNet:Hybrid densely connected U-Net for liver and liver tumor segmentation from CTvolumes”，arXiv预印本， arXiv:1709.07330，2017年。
11.F. Lu、F. Wu、P. Hu, Z. Peng以及D. Kong的“Automatic 3D liverlocation and seg- mentation via convolutional neural network and graph cut”，International Journal of CARS， 12(2):171–182，2017年。
12.A. A. Novikov、D. Lenis、D. Major、J. Hlad˚uvka、M. Wimmer以及 K. Bühler的“ Fully convolutional architectures for multi-class segmentation inchest radiographs”，IEEE Transactions on Medical Imaging，PP(99):1–1，2018年。
13.O. Ronneberger、P. Fischer以及T. Brox的“U-Net: Convolutionalnetworks for biomedical image segmentation”，MICCAI，234–241页， Springer出版社，2015年。
14.A. Sekuboyina、J. Kukacka、J. S. Kirschke、B. H. Menze以及A.Valentinitsch的“Attention-driven deep learning for pathological spinesegmentation”，International Workshop and Challenge on Computational Methodsand Clinical Applications in Musculoskeletal Imaging， 108–119页，Springer出版社，2017年。
15.X. Shi、Z. Chen、H. Wang、D.-Y. Yeung、W.-k. Wong以及 W.-c. Woo的“Convolutional LSTM network: A machine learning approach for precipitationnowcasting”，NIPS，NIPS，802–810页， MIT Press，2015年。
16.D. Yang、D. Xu、S. K. Zhou、B. Georgescu、M. Chen、S. Grbic、D. Metaxas以及D. Comaniciu的“Automatic liver segmentation using an adversarial image-to-image network”，MICCAI，507–515页，Springer出版社， 2017年。
17.J. Yao、J. E. Burns、H. Munoz以及R. M. Summers的“Detection ofvertebral body fractures based on cortical shell unwrapping”，MICCAI，509–516页，Berlin，Heidelberg，2012年，Springer Berlin Heidelberg出版社。
已经详细描述了本发明的优选实施例，现在对于本领域技术人员来说应当显而易见的是，在不脱离所附权利要求中限定的本发明的范围的情况下，可以对其进行多种修改。

Claims (1)

1.通过应用经训练的神经网络来分割3D医学图像表示中的解剖结构的计算机实现方法，包括以下步骤：
-1）选择从所述3D医学图像表示导出的奇数长度的2D切片序列，
-2）使所述序列通过由多个重复的时间分布卷积和最大池化层组成的收缩块，
-3）将所述序列的成员中的每一个的收缩块输出馈送到第一双向卷积长短期记忆（LSTM）块，由此提取相似的经处理特征，
-4）将所述第一双向卷积LSTM块的输出传递到扩展块，所述扩展块由多个时间分布卷积和上采样层组成，所述扩展块被安排成将输入到所述扩展块的特征与由所述收缩块输出的对应特征级联，
-5）当序列的空间分辨率达到预设大小时，把由所述扩展块输出的特征序列传递到第二双向卷积LSTM块，
-其中双向处理所述序列，并对输出进行组合
-6）将从先前步骤得到的特征应用于（1，1）卷积层，
-7）使所述（1，1）卷积层的应用结果的每个像素单独地受到sigmoid函数的激励，以便获得（0，1）之间的掩码，从而产生所述奇数长度的输入序列的中间元素的分割掩码。
CN201980038093.8A 2018-06-07 2019-05-28 三维扫描中解剖结构的顺序分割 Pending CN112272839A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP18176521.5 2018-06-07
EP18176521 2018-06-07
PCT/EP2019/063745 WO2019233812A1 (en) 2018-06-07 2019-05-28 Sequential segmentation of anatomical structures in 3d scans

Publications (1)

Publication Number Publication Date
CN112272839A true CN112272839A (zh) 2021-01-26

Family

ID=62567448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980038093.8A Pending CN112272839A (zh) 2018-06-07 2019-05-28 三维扫描中解剖结构的顺序分割

Country Status (4)

Country Link
US (1) US11727573B2 (zh)
EP (1) EP3803787B1 (zh)
CN (1) CN112272839A (zh)
WO (1) WO2019233812A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508953A (zh) * 2021-02-05 2021-03-16 四川大学 基于深度神经网络的脑膜瘤快速分割定性方法
CN113317791A (zh) * 2021-05-28 2021-08-31 温州康宁医院股份有限公司 一种基于被测者的音频确定抑郁症严重程度的方法及装置

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020051776A1 (en) * 2018-09-11 2020-03-19 Intel Corporation Method and system of deep supervision object detection for reducing resource usage
CN111210004B (zh) * 2019-12-31 2022-03-25 深圳云天励飞技术股份有限公司 卷积计算方法、卷积计算装置及终端设备
EP3923183A1 (en) * 2020-06-11 2021-12-15 Tata Consultancy Services Limited Method and system for video analysis
CN111898479B (zh) * 2020-07-14 2023-09-26 中国矿业大学 一种基于全卷积单步目标检测算法的口罩佩戴识别方法和装置
CN113947609B (zh) * 2021-10-12 2024-04-19 中南林业科技大学 深度学习网络结构及多标签主动脉夹层ct图像分割方法
CN114677346B (zh) * 2022-03-21 2024-04-05 西安电子科技大学广州研究院 基于记忆信息的端到端的半监督图像表面缺陷的检测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109690554B (zh) * 2016-07-21 2023-12-05 西门子保健有限责任公司 用于基于人工智能的医学图像分割的方法和系统
US10580131B2 (en) * 2017-02-23 2020-03-03 Zebra Medical Vision Ltd. Convolutional neural network for segmentation of medical anatomical images
US10366491B2 (en) * 2017-03-08 2019-07-30 Siemens Healthcare Gmbh Deep image-to-image recurrent network with shape basis for automatic vertebra labeling in large-scale 3D CT volumes
US20190021677A1 (en) * 2017-07-18 2019-01-24 Siemens Healthcare Gmbh Methods and systems for classification and assessment using machine learning
US10595727B2 (en) * 2018-01-25 2020-03-24 Siemens Healthcare Gmbh Machine learning-based segmentation for cardiac medical imaging
WO2019215109A1 (en) * 2018-05-08 2019-11-14 Koninklijke Philips N.V. Convolutional localization networks for intelligent captioning of medical images

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508953A (zh) * 2021-02-05 2021-03-16 四川大学 基于深度神经网络的脑膜瘤快速分割定性方法
CN113317791A (zh) * 2021-05-28 2021-08-31 温州康宁医院股份有限公司 一种基于被测者的音频确定抑郁症严重程度的方法及装置

Also Published As

Publication number Publication date
EP3803787A1 (en) 2021-04-14
WO2019233812A1 (en) 2019-12-12
EP3803787B1 (en) 2023-10-18
US11727573B2 (en) 2023-08-15
US20210248749A1 (en) 2021-08-12

Similar Documents

Publication Publication Date Title
CN112272839A (zh) 三维扫描中解剖结构的顺序分割
Shamshad et al. Transformers in medical imaging: A survey
EP3639240B1 (en) A system and computer-implemented method for segmenting an image
EP3444777B1 (en) Automatic change detection in medical images
EP3480786A1 (en) Medical image object detection with dense feature pyramid network architecture in machine learning
Dmitriev et al. Learning multi-class segmentations from single-class datasets
Indraswari et al. Multi-projection deep learning network for segmentation of 3D medical images
US11763454B2 (en) Processing a medical image
CN112581458B (zh) 一种图像处理方法和装置
KR102163225B1 (ko) 뉴럴 네트워크를 이용한 영상 분할 방법 및 그 장치
CN115239716B (zh) 一种基于形状先验U-Net的医学图像分割方法
WO2012130251A1 (en) Image understanding based on fuzzy pulse - coupled neural networks
CN110945564A (zh) 基于混合上下文cnn模型的医学图像分割
Chatterjee et al. A survey on techniques used in medical imaging processing
Yu et al. 3D Medical Image Segmentation based on multi-scale MPU-Net
US20220415021A1 (en) Data augmentation for a machine learning method
Wong et al. Small lesion segmentation in brain MRIs with subpixel embedding
El Badaoui et al. 3D CATBraTS: Channel attention transformer for brain tumour semantic segmentation
Li et al. HRINet: alternative supervision network for high-resolution CT image interpolation
US20220237801A1 (en) System, method, and computer-accessible medium for generating multi-class models from single-class datasets
CN112419283A (zh) 估计厚度的神经网络及其方法
Elmasry et al. Graph partitioning based automatic segmentation approach for ct scan liver images
Zhang et al. Semantic feature attention network for liver tumor segmentation in large-scale CT database
Sigillo et al. Generalizing Medical Image Representations via Quaternion Wavelet Networks
Liang et al. Improvement and Application of Fusion Scheme in Automatic Medical Image Analysis: Subtitle Is Not Required, Please Write It Here If Your Article Has One

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