CN112634279A - 一种基于注意力Unet模型的医学图像语义分割方法 - Google Patents
一种基于注意力Unet模型的医学图像语义分割方法 Download PDFInfo
- Publication number
- CN112634279A CN112634279A CN202011393297.4A CN202011393297A CN112634279A CN 112634279 A CN112634279 A CN 112634279A CN 202011393297 A CN202011393297 A CN 202011393297A CN 112634279 A CN112634279 A CN 112634279A
- Authority
- CN
- China
- Prior art keywords
- attention
- unet
- unet model
- segmentation method
- segmentation
- 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
- G06T7/10—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
- G06N3/04—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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06T2207/30096—Tumor; Lesion
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)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开一种基于注意力Unet模型的医学图像语义分割方法,包括以下步骤:S1、对图片进行预处理,包括图像的裁切、偏差校正、增强;S2、将处理后的图片输入Unet模型,Unet模型包括特征提取部分、上采样部分,在上采样部分的可分离卷积操作中均进行全局范围注意力筛选;S3、使用准备好的数据对Unet模型进行训练;S4、评估Unet模型的分割效果。本发明利用PA机制对底层细粒度特征进行局部范围注意力筛选,利用DA机制对高层语义特征进行全局范围的注意力筛选,减少假阳问题和漏检问题。
Description
技术领域
本发明涉及机器学习领域,尤其涉及一种基于注意力Unet模型的医学图像语义分割方法。
背景技术
医学图像分割是医学图像处理与分析领域的复杂而关键的步骤,其目的是将医学图像中具有某些特殊含义的部分分割出来,并提取相关特征,为临床诊疗和病理学研究提供可靠的依据,辅助医生做出更为准确的诊断。由于医学图像自身的复杂性,在分割过程中需要解决不均匀及个体差异等一系列问题,所以一般的图像分割方法难以直接应用于医学图像分割。当前,医学图像分割仍在从手动分割或半自动分割向全自动分割发展。
传统图像分割方法如基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法都能够应用于解决医学图像分割问题。然而,由于成像设备、成像原理以及个体自身差异的影响,医学图像一般会含有很多噪声,以及医学图像错综复杂的内容形态,这些传统的方法在实现精准分割方面仍然非常困难。尽管诸如Unet等基于深度学习技术的医学图像分割模型已经取得了显著进步,然而由于医学图像的标注难度较大,训练数据集较小,使得基于深度学习的模型目前仍然存在假阳与漏检等问题。
发明内容
本发明旨在提供一种基于注意力Unet模型的医学图像语义分割方法,利用PA机制对底层细粒度特征进行局部范围注意力筛选,利用DA机制对高层语义特征进行全局范围的注意力筛选,减少假阳问题和漏检问题。
为达到上述目的,本发明是采用以下技术方案实现的:
本发明公开一种基于注意力Unet模型的医学图像语义分割方法,包括以下步骤:
S1、对图片进行预处理,包括图像的裁切、偏差校正、增强;
S2、将处理后的图片输入Unet模型,Unet模型包括特征提取部分、上采样部分,在上采样部分的可分离卷积操作中均进行全局范围注意力筛选;
S3、使用准备好的数据对Unet模型进行训练;
S4、评估Unet模型的分割效果。
优选的,步骤S2中,对于特征提取部分和上采样部分之间的复制裁剪操作进行局部范围注意力筛选。
优选的,局部注意力筛选的方法包括以下步骤,
优选的,步骤S2中,全局范围注意力筛选的方法包括以下步骤,
优选的,步骤S3中,损失函数选择为cross-entropyloss。
优选的,步骤S2中,Unet模型的特征提取部分共有四次最大池化操作,上采样部分共有四次反卷积操作。本发明的有益效果:
本发明技术的核心是将局部注意力机制和全局范围注意力机制引入到Unet模型中合适的位置,进而更有效的提高模型的分割精度,达到更好地处理医学图像分割问题所面临的假阳和漏检问题的目的。由于Unet模型具有巨大的参数空间,本发明技术的难点在于将两种注意力机制放Unet结构中何种位置才能够更有效的提高模型的分割精度。以一个16层Unet为例,PA和DA机制在该Unet网络结构中可能位置组合有65536(2的16次方)种,假设每一种组合需要1天的时间得到其有效性的验证,则整个验证耗时需要近180年的时间。在本技术发明种,通过对已有关于Unet分割模型的实验结果进行分析,我们认为利用PA机制对底层细粒度特征进行局部范围注意力筛选,能够过滤掉可能造成假阳问题的底层特征点,进而减少传统Unet网络结构可能带来的假阳问题。同时,我们也认为利用DA机制对高层语义特征进行全局范围的注意力筛选,能够抑制可能造成漏检问题的高层特征图,进而减少传统Unet网络结构可能带来的漏检问题。
附图说明
图1为局部注意力机制的示意图;
图2为全局范围注意力机制的示意图;
图3为PDA-Unet语义分割网络结构的示意图;
图4为本发明的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。
本发明中,PA代表Point-wiseAttention,即局部注意力机制。
DA代表Depth-wise Attention,即全局范围注意力机制。
本发明包括局部注意力机制、全局范围注意力机制、PDA-Unet结构。
如图1所示,局部注意力机制包括以下步骤,
如图2所示,全局范围注意力机制包括以下步骤,
如图3所示,分别将PA机制和DA机制引入Unet,进而建立PDA-Unet。在PDA-Unet结构中,为了减少传统Unet网络结构可能带来的假阳问题,我们利用PA机制对底层细粒度特征进行局部范围注意力筛选,过滤掉可能照成假阳问题的特征点。同时,为了减少传统Unet网络结构可能带来的漏检问题,我们利用DA机制对高层语义特征进行全局范围的注意力筛选,抑制可能造成漏检问题的特征图。数据在PDA-Unet网络中的流向描述如下:
(1)输入尺度为572X572单通道的一副图像,经过两次的可分离卷积(卷积核尺度为3X3)得到64通道尺度为568X568的特征图。
(2)对(1)中得到的特征图进行最大池化操作(步长为2X2),进而降为64通道尺度为284X284的特征图;再经过两次的可分离卷积(卷积核尺度为3X3)得到128通道尺度为280X280的特征图。
(3)对(2)中得到的特征图进行最大池化操作(步长为2X2),进而降为128通道尺度为140X140的特征图;再经过两次的可分离卷积(卷积核尺度为3X3)得到256通道尺度为136X136的特征图。
(4)对(3)中得到的特征图进行最大池化操作(步长为2X2),进而降为256通道尺度为68X68的特征图;再经过两次的可分离卷积(卷积核尺度为3X3)得到512通道尺度为64X64的特征图。
(5)对(4)中得到的特征图进行最大池化操作(步长为2X2),进而降为512通道尺度为32X32的特征图;再经过两次的可分离卷积(卷积核尺度为3X3)得到1024通道尺度为28X28的特征图。
(6)对(5)中得到的特征图进行反卷积操作(步长为2X2),进而升为512通道尺度为56X56的特征图;同时对(4)中得到的特征图进行复制与裁剪得到512通道尺度为56X56的特征图;最后将两部分(白色和蓝色)拼接成1024通道尺度为56X56的特征图。
(7)对(6)中得到的特征图进行反卷积操作(步长为2X2),进而升为512通道尺度为56X56的特征图;同时对(3)中得到的特征图进行复制与裁剪得到512通道尺度为56X56的特征图,并经过PA处理;将两部分(白色和蓝色)拼接成1024通道尺度为56X56的特征图,并经过两次可分离卷积(核尺度为3X3)和对应两次DA处理,得到512通道尺度为52X52的特征图。
(8)对(7)中得到的特征图进行反卷积操作(步长为2X2),进而升为256通道尺度为104X104的特征图;同时对(2)中得到的特征图进行复制与裁剪得到256通道尺度为104X104的特征图,并经过PA处理;将两部分(白色和蓝色)拼接成512通道尺度为104X104的特征图,并经过两次可分离卷积(核尺度为3X3)和对应两次DA处理,得到256通道尺度为100X100的特征图。
(9)对(8)中得到的特征图进行反卷积操作(步长为2X2),进而升为64通道尺度为392X392的特征图;同时对(1)中得到的特征图进行复制与裁剪得到64通道尺度为392X392的特征图,并经过PA处理;将两部分(白色和蓝色)拼接成128通道尺度为392X392的特征图,并经过两次可分离卷积(核尺度为3X3)和对应两次DA处理得到64通道尺度为388X388的特征图;最后经过一次的1X1的卷积得到最终的分割图。
其中,(1)至(5)是一个对输入图像进行编码的过程,在整个过程中会产生由细节到抽象的不同的特征。(6)至(9)是一个对(1)至(5)产生的特征的一个解码的过程,通过融合细节和抽象的特征进而达到对复杂的组织区域识别的效果。
如图4所示,本发明包括以下步骤:
1、数据收集与标注
本方案中收集了切片宏观图像约10万张,并对每张图像中的组织区域采用多边形进行标注。一些示例图像与对应的标注如图1中的数据收集标注所示。收集的宏观图像中的80%约8万张作为训练数据集,20%约2万张作为测试数据集。
2、PDA-Unet分割模型训练
模型训练优化的损失函数选择为cross-entropyloss。
PDA-Unet分割模型预测
3、对训练完成的PDA-Unet分割模型,在约2万张的测试数据集上进行了预测,一些预测示例结果如图1中的图像语义分割网络预测部分所示。
4、PDA-Unet分割模型评估
基于上述度量标准,我们构建地PDA-UNet与Unet,基于注意力门机制的A-Unet[1],以及将PA和DA机制应用于Unet结构中不同特征层的方法,在测试集上地性能对比如表1,表2和表3所示。
,表中PAu-Unet表示将PA应用于Unet的高层特征的方法,DAd-Unet表示将DA应用于Unet的低层特征的方法,A-Unet为现有基于注意力门机制的Unet模型。
表1.
Epoch | 50 | 100 | 150 | 200 | 250 | 300 |
Unet | 85.01 | 91.52 | 92.32 | 92.43 | 92.38 | 92.41 |
PAu-Unet | 83.32 | 89.82 | 92.01 | 92.15 | 92.15 | 92.15 |
DAd-Unet | 84.29 | 90.03 | 92.16 | 92.21 | 92.32 | 92.22 |
PDA-Unet | 85.32 | 92.56 | 93.56 | 93.48 | 93.53 | 93.42 |
A-Unet | 85.12 | 91.54 | 92.45 | 92.54 | 92.58 | 92.64 |
表2.
Epoch | 50 | 100 | 150 | 200 | 250 | 300 |
Unet | 84.02 | 90.30 | 91.42 | 91.31 | 91.32 | 91.63 |
PAu-Unet | 84.05 | 89.20 | 90.15 | 90.15 | 91.03 | 90.97 |
DAd-Unet | 83.98 | 90.01 | 91.03 | 90.35 | 90.89 | 91.43 |
PDA-Unet | 85.13 | 91.62 | 92.61 | 92.93 | 92.94 | 92.71 |
A-Unet | 84.12 | 90.45 | 91.56 | 91.63 | 91.69 | 91.74 |
表3.
Epoch | 50 | 100 | 150 | 200 | 250 | 300 |
Unet | 84.50 | 90.89 | 91.85 | 92.15 | 91.92 | 92.05 |
PAu-Unet | 83.68 | 89.51 | 91.07 | 91.58 | 91.59 | 91.56 |
DAd-Unet | 84.13 | 90.02 | 91.59 | 91.27 | 91.64 | 91.81 |
PDA-Unet | 85.52 | 91.99 | 93.05 | 93.20 | 93.25 | 93.15 |
A-Unet | 84.62 | 90.99 | 92.00 | 92.08 | 92.13 | 92.19 |
由上述量化评估可见,PDA-Unet通过将PA和DA放置在Unet结构中合适的位置能够实现比传统Unet以及现有基于注意力门机制的A-Unet获得更好的组织区域分割。
5、后处理输出组织区域识别
基于语义分割网络的预测结果,利用形态学图像处理技术,如膨胀,连通区域查找可实现对病理切片图像中的组织区域的精准识别。一些识别示例结果如图4中的后处理输出组织区域识别部分所示。
当然,本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (8)
1.一种基于注意力Unet模型的医学图像语义分割方法,其特征在于包括以下步骤:
S1、对图片进行预处理,包括图像的裁切、偏差校正、增强;
S2、将处理后的图片输入Unet模型,Unet模型包括特征提取部分、上采样部分,在上采样部分的可分离卷积操作中均进行全局范围注意力筛选;
S3、使用准备好的数据对Unet模型进行训练;
S4、评估Unet模型的分割效果。
2.根据权利要求1所述的分割方法,其特征在于:步骤S2中,对于特征提取部分和上采样部分之间的复制裁剪操作进行局部范围注意力筛选。
6.根据权利要求1所述的分割方法,其特征在于:步骤S3中,损失函数选择为cross- entropyloss。
8.根据权利要求1所述的分割方法,其特征在于:步骤S2中,Unet模型的特征提取部分共有四次最大池化操作,上采样部分共有四次反卷积操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011393297.4A CN112634279B (zh) | 2020-12-02 | 2020-12-02 | 一种基于注意力Unet模型的医学图像语义分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011393297.4A CN112634279B (zh) | 2020-12-02 | 2020-12-02 | 一种基于注意力Unet模型的医学图像语义分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112634279A true CN112634279A (zh) | 2021-04-09 |
CN112634279B CN112634279B (zh) | 2023-04-07 |
Family
ID=75307462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011393297.4A Active CN112634279B (zh) | 2020-12-02 | 2020-12-02 | 一种基于注意力Unet模型的医学图像语义分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112634279B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030260A (zh) * | 2023-03-27 | 2023-04-28 | 湖南大学 | 一种基于长条状卷积注意力的手术全场景语义分割方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211137A (zh) * | 2019-06-08 | 2019-09-06 | 西安电子科技大学 | 基于残差网络和U-Net分割网络的卫星图像分割方法 |
CN110363776A (zh) * | 2019-06-28 | 2019-10-22 | 联想(北京)有限公司 | 图像处理方法及电子设备 |
CN110443813A (zh) * | 2019-07-29 | 2019-11-12 | 腾讯医疗健康(深圳)有限公司 | 血管、眼底图像的分割方法、装置、设备及可读存储介质 |
CN110852181A (zh) * | 2019-10-18 | 2020-02-28 | 天津大学 | 基于注意力机制卷积神经网络钢琴乐谱难度识别方法 |
CN111079825A (zh) * | 2019-12-09 | 2020-04-28 | 中国科学技术大学 | 针对医学图像的细胞核自动检测方法 |
CN111091130A (zh) * | 2019-12-13 | 2020-05-01 | 南京邮电大学 | 基于轻量级卷积神经网络的实时图像语义分割方法及系统 |
CN111127493A (zh) * | 2019-11-12 | 2020-05-08 | 中国矿业大学 | 基于注意力多尺度特征融合的遥感图像语义分割方法 |
CN111275712A (zh) * | 2020-01-15 | 2020-06-12 | 浙江工业大学 | 一种面向大尺度图像数据的残差语义网络训练方法 |
CN111489364A (zh) * | 2020-04-08 | 2020-08-04 | 重庆邮电大学 | 基于轻量级全卷积神经网络的医学图像分割方法 |
CN111553361A (zh) * | 2020-03-19 | 2020-08-18 | 四川大学华西医院 | 一种病理切片标签识别方法 |
CN111626300A (zh) * | 2020-05-07 | 2020-09-04 | 南京邮电大学 | 基于上下文感知的图像语义分割模型及建模方法 |
CN111862056A (zh) * | 2020-07-23 | 2020-10-30 | 东莞理工学院 | 一种基于深度学习的视网膜血管图像分割方法 |
-
2020
- 2020-12-02 CN CN202011393297.4A patent/CN112634279B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211137A (zh) * | 2019-06-08 | 2019-09-06 | 西安电子科技大学 | 基于残差网络和U-Net分割网络的卫星图像分割方法 |
CN110363776A (zh) * | 2019-06-28 | 2019-10-22 | 联想(北京)有限公司 | 图像处理方法及电子设备 |
CN110443813A (zh) * | 2019-07-29 | 2019-11-12 | 腾讯医疗健康(深圳)有限公司 | 血管、眼底图像的分割方法、装置、设备及可读存储介质 |
CN110852181A (zh) * | 2019-10-18 | 2020-02-28 | 天津大学 | 基于注意力机制卷积神经网络钢琴乐谱难度识别方法 |
CN111127493A (zh) * | 2019-11-12 | 2020-05-08 | 中国矿业大学 | 基于注意力多尺度特征融合的遥感图像语义分割方法 |
CN111079825A (zh) * | 2019-12-09 | 2020-04-28 | 中国科学技术大学 | 针对医学图像的细胞核自动检测方法 |
CN111091130A (zh) * | 2019-12-13 | 2020-05-01 | 南京邮电大学 | 基于轻量级卷积神经网络的实时图像语义分割方法及系统 |
CN111275712A (zh) * | 2020-01-15 | 2020-06-12 | 浙江工业大学 | 一种面向大尺度图像数据的残差语义网络训练方法 |
CN111553361A (zh) * | 2020-03-19 | 2020-08-18 | 四川大学华西医院 | 一种病理切片标签识别方法 |
CN111489364A (zh) * | 2020-04-08 | 2020-08-04 | 重庆邮电大学 | 基于轻量级全卷积神经网络的医学图像分割方法 |
CN111626300A (zh) * | 2020-05-07 | 2020-09-04 | 南京邮电大学 | 基于上下文感知的图像语义分割模型及建模方法 |
CN111862056A (zh) * | 2020-07-23 | 2020-10-30 | 东莞理工学院 | 一种基于深度学习的视网膜血管图像分割方法 |
Non-Patent Citations (5)
Title |
---|
HU J等: "Squeeze-and-excitation networks", 《PROCEEDINGS OF THE IEEE CONFERENCE ON COMPUTER 》 * |
T. SONG等: "U-Next: A Novel Convolution Neural", 《IEEE ACCESS》 * |
WOO S等: "Cbam: Convolutional block attention module", 《PROCEEDINGS OF THE EUROPEAN CONFERENCE ON COMPUTER VISION (ECCV)》 * |
刘浩等: "基于特征压缩激活Unet网络的建筑物提取", 《地球信息科学学报》 * |
廖欣等: "基于深度卷积神经网络的宫颈细胞病理智能辅助诊断方法", 《液晶与显示》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030260A (zh) * | 2023-03-27 | 2023-04-28 | 湖南大学 | 一种基于长条状卷积注意力的手术全场景语义分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112634279B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447940B (zh) | 卷积神经网络训练方法、超声图像识别定位方法及系统 | |
CN112927240B (zh) | 一种基于改进的AU-Net网络的CT图像分割方法 | |
CN111784671B (zh) | 基于多尺度深度学习的病理图像病灶区域检测方法 | |
CN113674253A (zh) | 基于U-Transformer的直肠癌CT影像自动分割方法 | |
US20220335600A1 (en) | Method, device, and storage medium for lesion segmentation and recist diameter prediction via click-driven attention and dual-path connection | |
CN113223005B (zh) | 一种甲状腺结节自动分割及分级的智能系统 | |
CN111325750A (zh) | 一种基于多尺度融合u型链神经网络的医学图像分割方法 | |
CN116579982A (zh) | 一种肺炎ct图像分割方法、装置及设备 | |
CN113052228A (zh) | 一种基于SE-Inception的肝癌病理切片分类方法 | |
CN114565601A (zh) | 基于DeepLabV3+改进的肝脏CT图像分割算法 | |
Kovalev et al. | Biomedical image recognition in pulmonology and oncology with the use of deep learning | |
CN109215035B (zh) | 一种基于深度学习的脑部mri海马体三维分割方法 | |
Dong et al. | Supervised learning-based retinal vascular segmentation by m-unet full convolutional neural network | |
CN112634279A (zh) | 一种基于注意力Unet模型的医学图像语义分割方法 | |
CN117422913A (zh) | 一种改进的ct图像肺结节检测方法、设备及存储介质 | |
CN117152433A (zh) | 一种基于多尺度跨层注意力融合网络的医学图像分割方法 | |
CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 | |
Ji et al. | A deep learning method for automatic evaluation of diagnostic information from multi-stained histopathological images | |
CN115527204A (zh) | 一种框架辅助肝癌组织全幻灯片的肿瘤微环境分析方法 | |
CN110992309B (zh) | 基于深层信息传递网络的眼底图像分割方法 | |
CN114565626A (zh) | 基于PSPNet改进的肺部CT图像分割算法 | |
CN117576127B (zh) | 一种基于病理图像的肝癌区域自动勾画方法 | |
CN116071555B (zh) | 一种建立WMHs分割模型的方法、WMHs分割方法及装置 | |
CN117197434B (zh) | 基于AMFNet网络融合模型的肺部医学影像精准识别方法 | |
CN113658151B (zh) | 一种乳腺病变磁共振图像分类方法、设备及可读存储介质 |
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 |