CN112767404A - 基于分布式生成对抗网络的医学图像分割方法及系统 - Google Patents
基于分布式生成对抗网络的医学图像分割方法及系统 Download PDFInfo
- Publication number
- CN112767404A CN112767404A CN202110032809.2A CN202110032809A CN112767404A CN 112767404 A CN112767404 A CN 112767404A CN 202110032809 A CN202110032809 A CN 202110032809A CN 112767404 A CN112767404 A CN 112767404A
- Authority
- CN
- China
- Prior art keywords
- medical image
- countermeasure network
- network
- generation countermeasure
- image 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.)
- Pending
Links
- 238000003709 image segmentation Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000010276 construction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research 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
- G06T7/10—Segmentation; Edge detection
-
- 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
- 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]
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本公开公开的基于分布式生成对抗网络的医学图像分割方法及系统,包括:在各医院处设置判别器,在中心服务器上设置生成器,在各判别器和生成器之间构建生成对抗网络;获取各医院的医学图像;通过各医院的医学图像对生成对抗网络进行训练;通过训练好的生成对抗网络对待分割的医学图像进行分割。实现了通过各医院的医学图像对生成对抗网络进行训练,扩充了网络训练时的数据集,提高了网络训练的效果。
Description
技术领域
本发明涉及医学图像处理技术领域,尤其涉及基于分布式生成对抗网络的医学图像分割方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
在医学影像领域,精确的医学图像对于许多临床应用有着十分重要的辅助作用,在临床上,多模态医学影像已被广泛使用。然而,手动分割所有模态的医学图像十分耗时耗力,而且不同医师的分割结果之间也存在着差异。为了减轻工作量,建立统一分割标准,计算机自动化分割就显得尤为重要。
现有的医院进行医学图像分割时,往往采用神经网络模型对医学图像进行分割,为了获取好的医学图像分割效果,需要大量的数据集对神经网络模型进行训练,而现有的地方医院,由于体量较小,产生的医学图像数据较少,且由于涉及个人信息隐私等问题,用于神经网络模型训练的数据集往往非常少,从而限制了神经网络模型的训练效果,进而对医学图像分割的准确率较低。
发明内容
本公开为了解决上述问题,提出了基于分布式生成对抗网络的医学图像分割方法及系统,在各医院和中心服务器之间构建生成对抗网络,获取各医院的医学图像对生成对抗网络进行训练,解决了现有模型训练时,训练样本少的技术问题,提高了生成对抗网络模型的训练精度,进一步提高了对医学图像分割的准确率。
为实现上述目的,本公开采用如下技术方案:
第一方面,提出了基于分布式生成对抗网络的医学图像分割方法,包括:
在各医院处设置判别器,在中心服务器上设置生成器,在各判别器和生成器之间构建生成对抗网络;
获取各医院的医学图像;
通过各医院的医学图像对生成对抗网络进行训练;
通过训练好的生成对抗网络对待分割的医学图像进行分割。
第二方面,提出了基于分布式生成对抗网络的医学图像分割系统,包括:
生成对抗网络构建模块,用于在各医院处设置判别器,在中心服务器上设置生成器,在各判别器和生成器之间构建生成对抗网络;
医学图像获取模块,用于获取各医院的医学图像;
生成对抗网络训练模块,用于通过各医院的医学图像对生成对抗网络进行训练;
医学图像分割模块,用于通过训练好的生成对抗网络对待分割的医学图像进行分割。
第三方面,提出了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成基于分布式生成对抗网络的医学图像分割方法所述的步骤。
第四方面,提出了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成基于分布式生成对抗网络的医学图像分割方法所述的步骤。
与现有技术相比,本公开的有益效果为:
1、本公开在各医院和中心服务器中间构建了生成对抗网络,利用各医院的医学图像对生成对抗网络训练,扩充了生成对抗网络训练时的数据集,保证的生成对抗网络的训练效果。
2、本公开当生成对抗网络训练完成后,生成器生成的医学图像假图输入各判别器中,从而参与至待分割的医学图像的分割中。
3、本公开对判别器采用了半监督的训练方式,在数据集有限的地方医院,有效的节约了数据集的使用,并减少了人工标注数据集的繁琐操作,减轻医务人员的工作负担。
4、采用了生成对抗网络的网络结构,充分利用了生成对抗网络的两大网络,生成器网络和判别器网络,既能生成以假乱真的医学图像假图,也能对待分割的医学图像进行分割。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本公开实施例1公开的生成对抗网络结构图;
图2为本公开实施例1公开的边缘节点结构图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本公开中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为了便于叙述本公开各部件或元件结构关系而确定的关系词,并非特指本公开中任一部件或元件,不能理解为对本公开的限制。
本公开中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定上述术语在本公开中的具体含义,不能理解为对本公开的限制。
实施例1
在该实施例中,公开了基于分布式生成对抗网络的医学图像分割方法,包括:
在各医院处设置判别器,在中心服务器上设置生成器,在各判别器和生成器之间构建生成对抗网络;
获取各医院的医学图像;
通过各医院的医学图像对生成对抗网络进行训练;
通过训练好的生成对抗网络对待分割的医学图像进行分割。
进一步的,各医院的医学图像包括未标注的医学图像和人工标注的医学图像。
进一步的,在对生成对抗网络进行训练时,将随机噪声输入生成器,由生成器生成医学图像假图,将医学图像假图和各医学图像输入各判别器中,对未标注的医学图像进行分割。
进一步的,获取各医院待分割的医学图像,将待分割的医学图像输入对应的判别器中进行图像分割。
进一步的,各判别器与生成器之间通过网络远程连接。
进一步的,判别器采用U-Net网络结构,生成器采用原始对抗网络生成器的网络结构。
进一步的,判别器采用半监督的方式进行训练。
对本实施例公开的基于分布式生成对抗网络的医学图像分割方法进行详细说明。
如图1、2所示,中心节点和各个医院的分布式边缘节点共同组成了一个庞大的生成对抗网络(GAN),中心节点充当生成器G,用来进行医学图像假图的生成。出于对患者隐私的保护,并有效的调用各医院本地的医学图像数据集,整个系统采用了分布式的思想,边缘节点通过网络向中心节点传输训练参数,来训练中心节点。
各个医院本地系统充当判别器Dj(j代表医院的编号)。生成对抗网络包括一个充当生成器的中心节点和多个边缘节点,由中心节点生成医学图像假图,每个医院为一个边缘节点,将各医院的医学图像输入对应的判别器中,提供中心节点训练的数据集,且训练后能够输入的待分割的医学图像进行分割。
各医院为系统的边缘节点,各边缘节点中设置判别器D,判别器D采用了U-Net结构的分割网络,用来对待分割的医学图像进行分割。中心节点的生成器产生的医学图像假图迫使剩余边缘节点的判别器D将未标注的医学图像判别为真,由于判别器D采用了U-Net网络结构,所以判别器D会将判别为真的未标注的医学图像进行分割,实现了对输入的未标注的医学图像的分割。
因为各医院规模不一致,有些地方医院的某些科室医学图像数据集可能并不充裕,所以在边缘节点采用了半监督训练的方式来节约本地数据集的使用,并有效减少了人工标注成本,半监督的方式相对于全监督方式,只放入了少量标注好的医学图像数据。
训练完成后,系统的中心节点可以生成大量以假乱真的相关方向的医学图像假图达到了利用本生成对抗网络进行医学图像分割的目的。由于训练集来自于各地参与项目的医院,保证了数据的多样性,使生成的医学图像假图能表现出更多的医学特征,从而使分割出的医学图像具有必要的医学价值。
分布在各个医院或医疗机构的本地边缘节点(判别器D)可以用来对本医院相关疾病患者的待分割的医学图像进行分割,以协助医生工作。
网络中边缘节点(判别器D)的网络结构为医学图像分割领域经典的U-Net网络;中心节点(生成器G)的网络结构为原始GAN生成器的网络结构。
边缘节点(判别器Dj)的损失函数为:
中心节点(生成器G)的损失函数为:
步骤一:联系各个项目参与医院或医疗机构准备各自医学图像数据,包括未标注的医学图像和已经人工标注的医学图像。
步骤二:建立中心节点和分布在各个医院的边缘节点。其中中心节点是一台高性能高带宽的服务器,将生成器G布置在其上,并要与各个边缘节点(医院)进行频繁的数据交换;边缘节点由各个医院布置一台高性能的主机并在其上布置判别器D,通过网络与远程的中心节点进行数据交换。
步骤三:对选定的所有n家医院进行标号,从1开始到n结束;设定项目训练从次数为epoch次,判别器D训练次数x次,同时每家医院将自己的人工标注的医学图像样本分为x份,与判别器D训练次数相同,每份m个人工标注的医学图像样本,即每次训练的batch大小为m。
步骤四:从第一家医院开始,到第n家医院结束,接入中心节点(生成器G),由中心节点向本地边缘节点提供生成的医学图像假图,同时向本地判别器Dj输入未标注的医学图像和人工标注的医学图像,开始训练判别器Dj,共得到n个Dj(j∈{1,2,…,n})的损失函数
步骤五:重复步骤四x次,相当于每个边缘节点的判别器Dj训练了x次。
步骤六:中心节点(生成器G)重新接入第一家医院,到第n家医院,并分别产生m张医学图像假图传给各个边缘节点(医院),各个边缘节点(医院)的判别器Dj将本次训练后的相关参数通过网络传递给中心节点(生成器G),中心节点(生成器G)计算损失LG进行训练。
步骤七:重复步骤五和步骤六epoch次,得到训练完成的中心节点(生成器G)和各个医院的各自边缘节点(判别器D)。中心节点(生成器G)为项目参与的各个医院提供生成的逼真的医学图像假图,各自的边缘节点(判别器D)可以为医院的某类医学图像进行医学图像分割方便协助医生工作。
本实施例公开的基于分布式对抗网络的医学图像分割方法,可以用于对脑部图像进行分割,获得脑部肿瘤图像,此处的脑部图像为待分割的医学图像。
本实施例采用了分布式的思想,在保证患者个人隐私的前提下,扩充了用于生成对抗网络训练的数据集,保证了中心节点(生成器G)的训练。
待训练完成后,中心节点(生成器G)可以为各地医院生成大量以假乱真的医学图像假图,供项目的参与方使用研究。
对判别器D采用了半监督的训练方式。在数据集有限的地方医院,有效的节约了数据集的使用,并减少了人工标注数据集的繁琐操作,减轻医务人员的工作负担。
采用了GAN(生成对抗网络)的网络结构,充分利用了GAN的两大网络,生成器G网络和判别器D网络,既能生成以假乱真的医学图片,也能对医学图像进行分割。
实施例2
在该实施例中,公开了基于分布式生成对抗网络的医学图像分割系统,包括:
生成对抗网络构建模块,用于在各医院处设置判别器,在中心服务器上设置生成器,在各判别器和生成器之间构建生成对抗网络;
医学图像获取模块,用于获取各医院的医学图像;
生成对抗网络训练模块,用于通过各医院的医学图像对生成对抗网络进行训练;
医学图像分割模块,用于通过训练好的生成对抗网络对待分割的医学图像进行分割。
实施例3
在该实施例中,公开了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1公开的基于分布式生成对抗网络的医学图像分割方法所述的步骤。
实施例4
在该实施例中,公开了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1公开的基于分布式生成对抗网络的医学图像分割方法所述的步骤。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.基于分布式生成对抗网络的医学图像分割方法,其特征在于,包括:
在各医院处设置判别器,在中心服务器上设置生成器,在各判别器和生成器之间构建生成对抗网络;
获取各医院的医学图像;
通过各医院的医学图像对生成对抗网络进行训练;
通过训练好的生成对抗网络对待分割的医学图像进行分割。
2.如权利要求1所述的基于分布式生成对抗网络的医学图像分割方法,其特征在于,各医院的医学图像包括未标注的医学图像和人工标注的医学图像。
3.如权利要求1所述的基于分布式生成对抗网络的医学图像分割方法,其特征在于,在对生成对抗网络进行训练时,将随机噪声输入生成器,由生成器生成医学图像假图,将医学图像假图和各医学图像输入各判别器中,对未标注的医学图像进行分割。
4.如权利要求1所述的基于分布式生成对抗网络的医学图像分割方法,其特征在于,获取各医院待分割的医学图像,将待分割的医学图像输入对应的判别器中进行图像分割。
5.如权利要求1所述的基于分布式生成对抗网络的医学图像分割方法,其特征在于,各判别器与生成器之间通过网络远程连接。
6.如权利要求1所述的基于分布式生成对抗网络的医学图像分割方法,其特征在于,判别器采用U-Net网络结构,生成器采用原始对抗网络生成器的网络结构。
7.如权利要求1所述的基于分布式生成对抗网络的医学图像分割方法,其特征在于,判别器采用半监督的方式进行训练。
8.基于分布式生成对抗网络的医学图像分割系统,其特征在于,包括:
生成对抗网络构建模块,用于在各医院处设置判别器,在中心服务器上设置生成器,在各判别器和生成器之间构建生成对抗网络;
医学图像获取模块,用于获取各医院的医学图像;
生成对抗网络训练模块,用于通过各医院的医学图像对生成对抗网络进行训练;
医学图像分割模块,用于通过训练好的生成对抗网络对待分割的医学图像进行分割。
9.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项所述的基于分布式生成对抗网络的医学图像分割方法的步骤。
10.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项所述的基于分布式生成对抗网络的医学图像分割方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110032809.2A CN112767404A (zh) | 2021-01-11 | 2021-01-11 | 基于分布式生成对抗网络的医学图像分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110032809.2A CN112767404A (zh) | 2021-01-11 | 2021-01-11 | 基于分布式生成对抗网络的医学图像分割方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112767404A true CN112767404A (zh) | 2021-05-07 |
Family
ID=75701387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110032809.2A Pending CN112767404A (zh) | 2021-01-11 | 2021-01-11 | 基于分布式生成对抗网络的医学图像分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767404A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537801A (zh) * | 2018-03-29 | 2018-09-14 | 山东大学 | 基于生成对抗网络的视网膜血管瘤图像分割方法 |
CN110197493A (zh) * | 2019-05-24 | 2019-09-03 | 清华大学深圳研究生院 | 眼底图像血管分割方法 |
CN111507993A (zh) * | 2020-03-18 | 2020-08-07 | 南方电网科学研究院有限责任公司 | 一种基于生成对抗网络的图像分割方法、装置及存储介质 |
-
2021
- 2021-01-11 CN CN202110032809.2A patent/CN112767404A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537801A (zh) * | 2018-03-29 | 2018-09-14 | 山东大学 | 基于生成对抗网络的视网膜血管瘤图像分割方法 |
CN110197493A (zh) * | 2019-05-24 | 2019-09-03 | 清华大学深圳研究生院 | 眼底图像血管分割方法 |
CN111507993A (zh) * | 2020-03-18 | 2020-08-07 | 南方电网科学研究院有限责任公司 | 一种基于生成对抗网络的图像分割方法、装置及存储介质 |
Non-Patent Citations (4)
Title |
---|
刘雨溪: "基于生成式对抗网络的遥感图像半监督语义分割", 《红外与毫米波学报》 * |
向松: "基于深度卷积神经网络的医学图像分割方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 * |
商汤科技: "AI+ 医疗探索"联邦学习", 《张江科技评论》 * |
李良福: "基于生成式对抗网络的细小桥梁裂缝分割方法", 《激光与光电子学进展》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN205665697U (zh) | 基于细胞神经网络或卷积神经网络的医学影像识别诊断系统 | |
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
CN111369576B (zh) | 图像分割模型的训练方法、图像分割方法、装置及设备 | |
CN110189323B (zh) | 一种基于半监督学习的乳腺超声图像病灶分割方法 | |
CN110491480A (zh) | 一种医疗图像处理方法、装置、电子医疗设备和存储介质 | |
US20220222932A1 (en) | Training method and apparatus for image region segmentation model, and image region segmentation method and apparatus | |
CN110503654A (zh) | 一种基于生成对抗网络的医学图像分割方法、系统及电子设备 | |
DE112018006488T5 (de) | Automatisierte extraktion echokardiografischer messwerte aus medizinischen bildern | |
CN111161822A (zh) | 医学影像人工智能诊断数据管理系统及其管理方法 | |
WO2021233017A1 (zh) | 图像处理方法、装置、设备及计算机可读存储介质 | |
CN110728666B (zh) | 基于数字病理玻片进行慢性鼻窦炎的分型方法及其系统 | |
CN113707264A (zh) | 基于机器学习的药物推荐方法、装置、设备及介质 | |
Hennessey et al. | Artificial intelligence in veterinary diagnostic imaging: A literature review | |
CN112614573A (zh) | 基于病理图像标注工具的深度学习模型训练方法及装置 | |
CN116664930A (zh) | 基于自监督对比学习的个性化联邦学习图像分类方法及系统 | |
CN117711611B (zh) | 一种基于场景融合和mr的MDT远程会诊系统及方法 | |
CN110456050A (zh) | 便携式智能数字化寄生虫体外诊断仪 | |
CN114283406A (zh) | 细胞图像识别方法、装置、设备、介质及计算机程序产品 | |
CN117237351A (zh) | 一种超声图像分析方法以及相关装置 | |
CN117079291A (zh) | 图像轨迹确定方法、装置、计算机设备和存储介质 | |
Agrawal et al. | BRR‐Net: A tandem architectural CNN–RNN for automatic body region localization in CT images | |
CN112767404A (zh) | 基于分布式生成对抗网络的医学图像分割方法及系统 | |
CN116451095A (zh) | 多源异构医疗数据多视图聚类方法、装置、介质及设备 | |
CN113643263A (zh) | 一种上肢骨定位与前臂骨融合畸形的识别方法及系统 | |
CN113822917A (zh) | 一种肝癌影像组学图像精确配准方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210507 |
|
RJ01 | Rejection of invention patent application after publication |