CN112348769A - 基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法及装置 - Google Patents
基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法及装置 Download PDFInfo
- Publication number
- CN112348769A CN112348769A CN202010842327.9A CN202010842327A CN112348769A CN 112348769 A CN112348769 A CN 112348769A CN 202010842327 A CN202010842327 A CN 202010842327A CN 112348769 A CN112348769 A CN 112348769A
- Authority
- CN
- China
- Prior art keywords
- image
- kidney
- segmentation
- model
- net
- 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
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 68
- 208000008839 Kidney Neoplasms Diseases 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000002591 computed tomography Methods 0.000 title description 40
- 210000003734 kidney Anatomy 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 30
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 230000002401 inhibitory effect Effects 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 206010038389 Renal cancer Diseases 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010982 kidney cancer Diseases 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30084—Kidney; Renal
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (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)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于U‑Net深度网络模型的CT影像中肾肿瘤智能分割方法及装置,具体包括以下步骤:读取患者CT影像和对应的分割掩摸图,对CT影像数据预处理,生成训练样本集;构建U‑Net网络模型分割CT影像中的肾器官,输入训练样本的背景图和肾脏掩摸图到该分割模型进行监督学习,经训练收敛后使用该模型来分割CT影像中的肾脏;加入注意力机制模型构建改进的U‑Net网络模型分割肾脏中的肿瘤,输入训练样本的肾脏掩摸图和肿瘤掩摸图到该分割模型进行监督学习,经训练收敛后使用该模型来分割CT影像中的肾肿瘤。与现有研究相比,本发明构建的分割模型方法可以全自动、准确、鲁棒和稳定的对肾脏和肿瘤目标完成分割和检测。
Description
技术领域
本发明涉及智能医学影像诊断领域,尤其涉及一种基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法及装置。
背景技术
每年有超过40万例的新发肾癌患者,肾癌是当前发病率很高的疾病,致死率也在逐年增加。基于深度学习的人工智能算法在不断进步,快速地推动了智慧医疗的发展,深度学习算法在医生诊疗癌症过程中起了重要作用。通过构建基于深度学习的检测算法可以完成医学CT影像中肾肿瘤的自动化标注,辅助医生诊疗。
发明内容
本发明所要解决的技术问题是针对背景技术的不足提供一种基于U-Net深度网络模型的CT影像中肾肿瘤分割方法及装置,其加入注意力机制的U-Net网络能提高对肿瘤分割的精度;
融合2D和3D分割结果进一步降低分割中的假阳性。
本发明为解决上述技术问题采用以下技术方案:
一种基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法,所述方法具体包括以下步骤:
步骤1、读取患者CT影像和对应的分割掩摸图,对CT影像数据预处理,生成训练样本集;
步骤2、构建3D U-Net网络模型分割CT影像中的肾器官,输入训练样本的背景图和肾脏掩摸图到该分割模型进行监督学习,经训练收敛后使用该模型来分割CT影像中的肾脏;
步骤3、加入注意力机制模型构建改进的U-Net网络模型分割肾脏中的肿瘤,输入训练样本的肾脏掩摸图和肿瘤掩摸图到该分割模型进行监督学习,经训练收敛后使用该模型来分割CT影像中的肾肿瘤。
作为本发明基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法的进一步优选方案,所述步骤1具体包含如下步骤:
步骤1.1:读取原始图像,设置合适的窗宽窗位信息来截断非肾脏区域的图像,使用图像直方图均衡化技术抑制背景信息;
步骤1.2:获取掩摸图像信息,读取掩摸图像,输出掩摸的全部标签值,其中,0是背景,1是肾脏,2是肾脏肿瘤;
步骤1.3:对CT图像进行插入运算,调整图像的尺寸,对CT图像分块。
作为本发明基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法的进一步优选方案,所述步骤2具体包含如下步骤:
步骤2.1:构建3D U-Net分割网络模型,3D U-Net是一种经典的编码器-解码器分割网络,编码器逐层提取更高级的语义特征,解码器路径恢复每个体素的定位,并利用特征信息对其进行分类,为了使用嵌入在编码器中的位置信息,在同一级中的层之间构建直接连接;
步骤2.2:将训练样本集以及背景和肾脏掩摸图送入该3D U-Net分割网络模型,初始化权重参数,设置学习速率,使用Adam优化器迭代训练多次,直至分割模型收敛;
步骤2.3:使用该模型来分割CT影像,输出影像中的肾脏器官。
作为本发明基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法的进一步优选方案,所述步骤3具体包含如下步骤:
步骤3.1:构建AGs-U-Net分割网络模型,其中,AGs-U-Net是加入注意力机制模型的U-Net网络模型,使用注意力机制模型使得U-Net网络加深对肾脏中的微小肿瘤的关注度;
步骤3.2:将训练样本集以及肾脏和肾肿瘤掩摸图送入该AGs-U-Net分割网络模型,初始化权重参数,设置学习速率,使用Adam优化器迭代训练多次,直至分割模型收敛;
步骤3.3:使用该模型分割CT影像,输出影像中的肾肿瘤区域。
一种基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法的分割装置,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1.使用3D U-Net神经网络模型实现对CT影像中肾器官的全自动精准分割;
2.使用改进的增加注意力机制的AGs-U-Net模型检测肾肿瘤并对肿瘤进行分割;
与现有技术相比,本发明构建了一种将2个U-Net串联的肾肿瘤分割模型,第一个网络实现肾器官的分割,第二个网络实现肾肿瘤的检测与分割,其中加入注意力机制模型能提高对肿瘤分割的精度,最终实现CT影像中肾肿瘤的全自动精准检测与分割。
附图说明
图1本发明实施例中的基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法流程图;
图2是本发明实施例中某患者的腹部CT影像;
图3是本发明实施例中使用3D U-Net模型分割肾脏的流程图;
图4是本发明实施例中使用AGs-U-Net模型分割肿瘤的流程图;
图5是本发明实施例中某患者CT影像中分割出的肾脏和肿瘤图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
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。
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
图1为本发明基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法及装置。如图所示,所述方法包括以下步骤:
步骤1、读取患者CT影像和对应的分割掩摸图,对CT影像数据预处理,生成训练样本集,具体步骤包括:
步骤1.1:获取图像属性信息。读取原始图像,显示图像大小,Spacing信息,设置合适的窗宽窗位信息来截断非肾脏区域的图像,获取Mask图像信息。读取Mask图像,输出Mask的全部标签值,0是背景,1是肾脏,2是肾脏肿瘤。
步骤1.2:准备肾脏分割数据,首先图像进行插值,将图像插值成512*512*64大小的范围区域;然后对插值后的图像进行分块取Patch操作,生成若干个128*128*64大小的图像和Mask;
步骤1.3:准备肿瘤分割数据,根据金标准的Mask图像确定肾脏肿瘤的起始和结束范围;截取该范围内的原始图像和mask图像,然后将截取的图像和Mask图像进行插值操作,按照Spacing的方式进行插值,保持x和y方向的Spacing值不变,只改变z方向的Spacing值,插值后变成1.0;最后对插值后的图像进行分块取Patch操作,生成若干个128*128*64大小的图像和Mask,判断并输出非零的Mask和对应的图像。
步骤2、构建3D U-Net网络模型分割CT影像中的肾器官,输入训练样本的背景图和肾脏掩摸图到该分割模型进行监督学习,经训练收敛后使用该模型来分割CT影像中的肾脏,具体步骤包括:
步骤2.1:搭建3D U-Net模型,输入大小是128*128*64,loss采用的是dice,肾脏分割分为粗分割和精分割两个步骤;
步骤2.2:粗分割对分割Mask图像进行肾脏的起始和结束范围判断,输出起点和结束位置信息;
步骤2.3:精分割推理过程:首先根据上述起点和结束位置信息截取原始图像在该区域之间的子图像,然后对子图像按z方向spacing进行插值变成1.0并设置窗宽窗位,输入到网络中去,网络输入大小是(512x512x32),在z方向上分块输入并拼接得到分割结果,再将分割结果插值回到原始图像spacing大小,并按照起始和结束位置信息拼接到原始图像大小的Mask图像,最后去除小目标物体,策略是小于0.2倍的最大物体体积的目标去除。
步骤3、加入注意力机制模型构建改进的U-Net网络模型分割肾脏中的肿瘤,输入训练样本的肾脏掩摸图和肿瘤掩摸图到该分割模型进行监督学习,经训练收敛后使用该模型来分割CT影像中的肾肿瘤,具体步骤包括:
步骤3.1:构建AGs-U-Net分割网络模型,AGs-U-Net是加入注意力机制模型的U-Net 网络模型,使用注意力机制模型使得U-Net网络加深对肾脏中的微小肿瘤的关注度;
步骤3.2:将训练样本集以及肾脏和肾肿瘤掩摸图送入该AGs-U-Net分割网络模型,初始化权重参数,设置学习速率,使用Adam优化器迭代训练多次,直至分割模型收敛;
步骤3.3:使用该模型分割CT影像,输出影像中的肾肿瘤区域。
实施例一
本发明一个实施例的基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法及装置,具体包括以下步骤:
步骤1、对如图2所示的患者腹部CT影像数据预处理,使用SimpleITK工具包读取DCM影像文件,使用Numpy工具包将文件转换成数组矩阵,使用窗宽窗位技术校正切片的 CT值;
步骤2、输入经预处理的图像,使用3D U-Net分割模型分割CT中的肾脏,输出肾脏的掩摸图,图3是3D U-Net模型分割肾脏的流程图;
步骤3、输入CT影像和肾脏掩摸图,使用AGs-U-Net分割模型分割出其中的肾肿瘤,输出肾肿瘤的掩摸图,图4是AGs-U-Net模型分割肿瘤的流程图。图5是从CT图像中分割出肾脏和肿瘤图。
基于深度学习技术以及卷积神经网络技术的全自动分割算法目前在医学影像分割上取得了众多的研究成果,并展示出其优秀的分割性能,鉴于此,本发明实现了一种基于U-Net深度网络模型的肾肿瘤的全自动分割方法。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。上面对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (5)
1.一种基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法,其特征在于,具体包括以下步骤:
步骤1、读取患者CT影像和对应的分割掩摸图,对CT影像数据预处理,生成训练样本集;
步骤2、构建3D U-Net网络模型分割CT影像中的肾器官,输入训练样本的背景图和肾脏掩摸图到该分割模型进行监督学习,经训练收敛后使用该模型来分割CT影像中的肾脏;
步骤3、加入注意力机制模型构建改进的U-Net网络模型分割肾脏中的肿瘤,输入训练样本的肾脏掩摸图和肿瘤掩摸图到该分割模型进行监督学习,经训练收敛后使用该模型来分割CT影像中的肾肿瘤。
2.根据权利要求1所述的基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法,其特征在于,所述步骤1具体包含如下步骤:
步骤1.1:读取原始图像,设置合适的窗宽窗位信息来截断非肾脏区域的图像,使用图像直方图均衡化技术抑制背景信息;
步骤1.2:获取掩摸图像信息,读取掩摸图像,输出掩摸的全部标签值,其中,0是背景,1是肾脏,2是肾脏肿瘤;
步骤1.3:对CT图像进行插入运算,调整图像的尺寸,对CT图像分块。
3.根据权利要求1所述的基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法,其特征在于,所述步骤2具体包含如下步骤:
步骤2.1:构建3D U-Net分割网络模型,3D U-Net是一种经典的编码器-解码器分割网络,编码器逐层提取更高级的语义特征,解码器路径恢复每个体素的定位,并利用特征信息对其进行分类,为了使用嵌入在编码器中的位置信息,在同一级中的层之间构建直接连接;
步骤2.2:将训练样本集以及背景和肾脏掩摸图送入该3D U-Net分割网络模型,初始化权重参数,设置学习速率,使用Adam优化器迭代训练多次,直至分割模型收敛;
步骤2.3:使用该模型来分割CT影像,输出影像中的肾脏器官。
4.根据权利要求1所述的基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法及装置,其特征在于:所述步骤3具体包含如下步骤:
步骤3.1:构建AGs-U-Net分割网络模型,其中,AGs-U-Net是加入注意力机制模型的U-Net网络模型,使用注意力机制模型使得U-Net网络加深对肾脏中的微小肿瘤的关注度;
步骤3.2:将训练样本集以及肾脏和肾肿瘤掩摸图送入该AGs-U-Net分割网络模型,初始化权重参数,设置学习速率,使用Adam优化器迭代训练多次,直至分割模型收敛;
步骤3.3:使用该模型分割CT影像,输出影像中的肾肿瘤区域。
5.一种基于权利要求1至4任一项所述的基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法的分割装置,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010842327.9A CN112348769A (zh) | 2020-08-20 | 2020-08-20 | 基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010842327.9A CN112348769A (zh) | 2020-08-20 | 2020-08-20 | 基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112348769A true CN112348769A (zh) | 2021-02-09 |
Family
ID=74357912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010842327.9A Pending CN112348769A (zh) | 2020-08-20 | 2020-08-20 | 基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348769A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927246A (zh) * | 2021-03-01 | 2021-06-08 | 北京小白世纪网络科技有限公司 | 肺部轮廓分割、肿瘤免疫浸润分类系统及方法 |
CN112967279A (zh) * | 2021-04-02 | 2021-06-15 | 慧影医疗科技(北京)有限公司 | 一种检测肺结节的方法、装置、存储介质和电子设备 |
CN113012178A (zh) * | 2021-05-07 | 2021-06-22 | 西安智诊智能科技有限公司 | 一种肾脏肿瘤图像分割方法 |
CN113066081A (zh) * | 2021-04-15 | 2021-07-02 | 哈尔滨理工大学 | 一种基于三维mri图像的乳腺肿瘤分子亚型检测方法 |
CN113628325A (zh) * | 2021-08-10 | 2021-11-09 | 海盐县南北湖医学人工智能研究院 | 一种小器官肿瘤演化的模型建立方法及计算机可读存储介质 |
CN113674253A (zh) * | 2021-08-25 | 2021-11-19 | 浙江财经大学 | 基于U-Transformer的直肠癌CT影像自动分割方法 |
CN114004836A (zh) * | 2022-01-04 | 2022-02-01 | 中科曙光南京研究院有限公司 | 一种基于深度学习的自适应生物医学影像分割方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311592A (zh) * | 2020-03-13 | 2020-06-19 | 中南大学 | 一种基于深度学习的三维医学图像自动分割方法 |
CN111354002A (zh) * | 2020-02-07 | 2020-06-30 | 天津大学 | 一种基于深度神经网络的肾脏及肾脏肿瘤分割方法 |
-
2020
- 2020-08-20 CN CN202010842327.9A patent/CN112348769A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111354002A (zh) * | 2020-02-07 | 2020-06-30 | 天津大学 | 一种基于深度神经网络的肾脏及肾脏肿瘤分割方法 |
CN111311592A (zh) * | 2020-03-13 | 2020-06-19 | 中南大学 | 一种基于深度学习的三维医学图像自动分割方法 |
Non-Patent Citations (4)
Title |
---|
OLAF RONNEBERGER ET AL.: "U-Net: Convolutional Networks for Biomedical Image Segmentation", pages 1 - 8 * |
OZAN OKTAY ET AL.: "Attention U-Net: Learning Where to Look for the Pancreas", pages 1 - 10 * |
YUEYUE WANG ET AL.: "Organ at Risk Segmentation in Head and Neck CT Images Using a Two-Stage Segmentation Framework Based on 3D U-Net", pages 144591 - 144602 * |
沈玉娣: "《现代无损检测技术》", 西安交通大学出版社, pages: 256 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927246A (zh) * | 2021-03-01 | 2021-06-08 | 北京小白世纪网络科技有限公司 | 肺部轮廓分割、肿瘤免疫浸润分类系统及方法 |
CN112967279A (zh) * | 2021-04-02 | 2021-06-15 | 慧影医疗科技(北京)有限公司 | 一种检测肺结节的方法、装置、存储介质和电子设备 |
CN113066081A (zh) * | 2021-04-15 | 2021-07-02 | 哈尔滨理工大学 | 一种基于三维mri图像的乳腺肿瘤分子亚型检测方法 |
CN113012178A (zh) * | 2021-05-07 | 2021-06-22 | 西安智诊智能科技有限公司 | 一种肾脏肿瘤图像分割方法 |
CN113628325A (zh) * | 2021-08-10 | 2021-11-09 | 海盐县南北湖医学人工智能研究院 | 一种小器官肿瘤演化的模型建立方法及计算机可读存储介质 |
CN113628325B (zh) * | 2021-08-10 | 2024-03-26 | 海盐县南北湖医学人工智能研究院 | 一种小器官肿瘤演化的模型建立方法及计算机可读存储介质 |
CN113674253A (zh) * | 2021-08-25 | 2021-11-19 | 浙江财经大学 | 基于U-Transformer的直肠癌CT影像自动分割方法 |
CN114004836A (zh) * | 2022-01-04 | 2022-02-01 | 中科曙光南京研究院有限公司 | 一种基于深度学习的自适应生物医学影像分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348769A (zh) | 基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法及装置 | |
US11488021B2 (en) | Systems and methods for image segmentation | |
US20210056693A1 (en) | Tissue nodule detection and tissue nodule detection model training method, apparatus, device, and system | |
US20220092789A1 (en) | Automatic pancreas ct segmentation method based on a saliency-aware densely connected dilated convolutional neural network | |
WO2023221954A1 (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 | |
CN110544264B (zh) | 一种基于3d深监督机制的颞骨关键解剖结构小目标分割方法 | |
CN113674253B (zh) | 基于U-Transformer的直肠癌CT影像自动分割方法 | |
US8319793B2 (en) | Analyzing pixel data by imprinting objects of a computer-implemented network structure into other objects | |
CN109801272B (zh) | 肝脏肿瘤自动分割定位方法、系统及存储介质 | |
CN109872325B (zh) | 基于双路三维卷积神经网络的全自动肝脏肿瘤分割方法 | |
CN111161279B (zh) | 医学图像分割方法、装置及服务器 | |
US20240203108A1 (en) | Decoupling divide-and-conquer facial nerve segmentation method and device | |
CN110276741B (zh) | 结节检测及其模型训练的方法和装置以及电子设备 | |
WO2022213654A1 (zh) | 一种超声图像的分割方法、装置、终端设备和存储介质 | |
CN114998265A (zh) | 一种基于改进U-Net的肝脏肿瘤分割方法 | |
CN112614133B (zh) | 一种无锚点框的三维肺结节检测模型训练方法及装置 | |
CN111179237A (zh) | 一种肝脏以及肝脏肿瘤的图像分割方法和装置 | |
CN111369574B (zh) | 一种胸腔器官的分割方法及装置 | |
CN113192069B (zh) | 三维断层扫描图像中树状结构的语义分割方法和装置 | |
CN106056596A (zh) | 基于局部先验信息和凸优化的全自动三维肝脏分割方法 | |
CN112750137B (zh) | 基于深度学习的肝脏肿瘤分割方法及系统 | |
CN112348818B (zh) | 一种图像分割方法、装置、设备以及存储介质 | |
CN114742802B (zh) | 基于3Dtransformer混合卷积神经网络的胰腺CT图像分割方法 | |
CN114022491B (zh) | 基于改进空间金字塔模型的小数据集食管癌肿瘤靶区影像自动勾画方法 | |
CN112561877A (zh) | 多尺度双通道卷积模型训练方法、图像处理方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210209 |
|
RJ01 | Rejection of invention patent application after publication |