CN112767463A - 一种对抗配准方法、装置、计算机设备及存储介质 - Google Patents
一种对抗配准方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112767463A CN112767463A CN202110035984.7A CN202110035984A CN112767463A CN 112767463 A CN112767463 A CN 112767463A CN 202110035984 A CN202110035984 A CN 202110035984A CN 112767463 A CN112767463 A CN 112767463A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- registration
- segmentation
- fixed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000011218 segmentation Effects 0.000 claims abstract description 169
- 230000006870 function Effects 0.000 claims abstract description 75
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000006073 displacement reaction Methods 0.000 claims description 51
- 238000011176 pooling Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 210000000056 organ Anatomy 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000003042 antagnostic effect Effects 0.000 claims 6
- 230000008569 process Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000000638 solvent extraction 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种对抗配准方法、装置、计算机设备及存储介质，该方法包括：获取医学影像图像以及对应的解剖分割图像，对所述医学影像图像和解剖分割图像进行预处理，得到数据集，解剖分割图像中包括至少一解剖分割图像区域；利用数据集对配准网络和判别网络进行学习；根据配准网络和判别网络的输出结果为所述配准网络构建第一损失函数，以及通过判别网络和配准网络对抗学习为判别网络构建第二损失函数；利用第一损失函数和第二损失函数分别对配准网络和判别网络进行反馈优化，并利用优化后的配准网络对指定的医学影像图像进行配准处理。本发明通过判别网络和配准网络之间的对抗学习，使配准网络反馈优化后的参数更加准确，从而提高配准精度。
Description
技术领域
本发明涉及图像处理技术领域，特别涉及一种对抗配准方法、装置、计算机设备及存储介质。
背景技术
临床应用中单幅医学影像图像所包含的信息有限，合理地配准不同时间、模态的医学影像图像有利于外科医生和计算机的判断。
传统的图像配准方法往往被表述为一个优化问题，其中的迭代过程需要消耗大量的时间以及计算资源，这对于时间紧缺的临床当中，无法达到应用标准。
基于监督学习配准方法需要地面真实形变场，其质量作为对网络参数调节好坏的直接因数在网络训练中起着关键作用。然而通过随机生成的空间变换不仅不能反映真实的生理运动，虽然使用传统方法获取形变场训练模型可以解决上述问题，但会导致学习模型受限于传统方法的性能。
发明内容
本发明实施例提供了一种对抗配准方法、装置、计算机设备及存储介质，旨在提高对于医学影像图像的配准精度。
第一方面，本发明实施例提供了一种对抗配准方法，包括：
获取医学影像图像以及对应的解剖分割图像，对所述医学影像图像和解剖分割图像进行预处理，得到数据集，其中，所述解剖分割图像中包括至少一解剖分割图像区域；
利用所述数据集对预设的配准网络和判别网络分别进行学习；
根据学习后的配准网络的输出结果和判别网络的输出结果为所述配准网络构建第一损失函数，以及通过所述判别网络和所述配准网络对抗学习为所述判别网络构建第二损失函数；
利用所述第一损失函数和第二损失函数分别对所述配准网络和判别网络进行反馈优化，并利用优化后的配准网络对指定的医学影像图像进行配准处理。
第二方面，本发明实施例提供了一种对抗配准装置，包括：
图像预处理单元，用于获取医学影像图像以及对应的解剖分割图像，对所述医学影像图像和解剖分割图像进行预处理，得到数据集，其中，所述解剖分割图像中包括至少一解剖分割图像区域；
学习单元，用于利用所述数据集对预设的配准网络和判别网络分别进行学习；
第一构建单元，用于根据学习后的配准网络的输出结果和判别网络的输出结果为所述配准网络构建第一损失函数，以及通过所述判别网络和所述配准网络对抗学习为所述判别网络构建第二损失函数；
配准处理单元，用于利用所述第一损失函数和第二损失函数分别对所述配准网络和判别网络进行反馈优化，并利用优化后的配准网络对指定的医学影像图像进行配准处理。
第三方面，本发明实施例提供了一种计算机设备，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，所述处理器执行所述计算机程序时实现如第一方面所述的对抗配准方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的对抗配准方法。
本发明实施例提供了一种对抗配准方法、装置、计算机设备及存储介质，该方法包括：获取医学影像图像以及对应的解剖分割图像，对所述医学影像图像和解剖分割图像进行预处理，得到数据集，其中，所述解剖分割图像中包括至少一解剖分割图像区域；利用所述数据集对预设的配准网络和判别网络分别进行学习；根据学习后的配准网络的输出结果和判别网络的输出结果为所述配准网络构建第一损失函数，以及通过所述判别网络和所述配准网络对抗学习为所述判别网络构建第二损失函数；利用所述第一损失函数和第二损失函数分别对所述配准网络和判别网络进行反馈优化，并利用优化后的配准网络对指定的医学影像图像进行配准处理。本发明实施例通过判别网络和配准网络之间的对抗学习，使配准网络反馈优化后的参数更加准确，从而通过配准网络对医学影像图像进行配准处理时，可以具有较高的精度。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图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。
图1为本发明实施例提供的一种对抗配准方法的流程示意图；
图2为本发明实施例提供的一种对抗配准方法的子流程示意图；
图3为本发明实施例提供的一种对抗配准方法的另一子流程示意图；
图4为本发明实施例提供的一种对抗配准方法的网络结构示意图；
图5为本发明实施例提供的一种对抗配准装置的示意性框图；
图6为本发明实施例提供的一种对抗配准装置的子示意性框图；
图7为本发明实施例提供的一种对抗配准装置的另一子示意性框图。
具体实施方式
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
下面请参见图1，图1为本发明实施例提供的一种对抗配准方法的流程示意图，具体包括：步骤S101～S104。
S101、获取医学影像图像以及对应的解剖分割图像，对所述医学影像图像和解剖分割图像进行预处理，得到数据集，其中，所述解剖分割图像中包括至少一解剖分割图像区域；
S102、利用所述数据集对预设的配准网络和判别网络分别进行学习；
S103、根据学习后的配准网络的输出结果和判别网络的输出结果为所述配准网络构建第一损失函数，以及通过所述判别网络和所述配准网络对抗学习为所述判别网络构建第二损失函数；
S104、利用所述第一损失函数和第二损失函数分别对所述配准网络和判别网络进行反馈优化，并利用优化后的配准网络对指定的医学影像图像进行配准处理。
本实施例中，首先获取医学影像图像以及对应的解剖分割图像构建数据集，然后利用数据集对预设的配准网络和判别网络进行学习，所述配准网络和判别网络可以根据对应的输入数据集，输出对应的结果，然后根据所述配准网络和判别网络的输出结果为所述配准网络构建第一损失函数，以对所述配准网络进行反馈优化，同时根据所述判别网络和所述配准网络对抗学习构建所述第二损失函数，以对所述判别网络进行反馈优化。然后便可以利用优化后的配准网络对指定的医学影像图像进行配准处理。
本实施例合理地利用了医学影像解剖分割信息(例如胸片中标记出了心脏和肺部轮廓)的可形变配准技术或配准框架，可以避免对于真实地面形变场的依赖。基于深度学习技术中的生成对抗网络框架，该配准框架由两个深度神经网络构成，即所述配准网络和判别网络。其中，所述配准网络可以设计成具有三输出位移场(用于之后对图像进行形变)的Nested U-Net结构(一种网络结构)，并且加入残差模块，如此可以防止学习过程中过拟合现象的发生。所述判别网络可以使用卷积神经网络结构，用语判断输入的图像是否相似。本实施例一共包括两个阶段，训练阶段和临床使用。通过与所述判别网络对抗训练，提高了配准网络的性能。相比目前出色的传统方法和深度学习方法，本实施例提供的对抗配准方法在保证了配准有效性的同时，取得了更高的配准精确度。在训练阶段，所述配准网络已经通过对抗学习获得了的优秀性能，并且保存了网络参数，因此，在实际应用(即临床使用)当中，不需要继续使用所述判别网络。
在一实施例中，所述步骤S101包括：
从医学数据库中获取医学影像图像以及对应的解剖分割图像；
对所述解剖分割图像中的解剖分割图像区域进行像素值标记；
对所述医学影像图像以及解剖分割图像统一进行缩放，以使所述医学影像图像和所述解剖分割图像的大小与配准网络和判别网络构成的神经网络的输入大小相适应，从而得到数据集。
本实施例中，在对所述配准网络和判别网络进行学习训练之前，首先需要对用于训练网络模型的医学影像图像以及解剖分割图像进行预处理。在具体的应用场景中，医学影像图像以及解剖分割图像可以从公开的数据集中获取，或是由医院自行提供等等。预处理的过程如下：
首先从医学数据库中获取带有解剖分割的医学影像图像，当然，如果没有解剖分割图像，也可以通过经验丰富的外科医生分割出器官轮廓，或是通过一些现有的图像分割技术或软件获得；
然后对已经获得的解剖分割图像中的器官部分(即所述解剖分割图像区域)进行像素值标记，例如以1到N不同的像素值代表不同的器官，其中N代表了不同分割器官的数量，以胸片为例，可以设置左边肺部分割的像素值都为1，右边肺部为2，心脏为3等；
接下来对获取的医学影像图像以及解剖分割图像统一进行缩放操作，缩放的比例需要根据实际应用的网络(即所述配准网络和判别网络)输入大小决定，以适应神经网络的输入大小。需要注意的是，本实施例所述的神经网络是指配准网络和判别网络，二者输入大小是相同的，并且可以根据实际情况自行设定。
在一实施例中，如图2所示，所述步骤S102包括：步骤S201～S205。
S201、在所述数据集中随机选取一张医学影像图像和一张解剖分割图像，并分别作为固定图像和固定分割图像，然后在所述数据集中随机选取另一张医学影像图像和另一张解剖分割图像，并分别作为移动图像和移动分割图像；
本步骤中，在预处理过的数据集中，随机选取一张医学影像图像和一张解剖分割图像作为固定图像{IF∈Rn}和固定分割分割{SF∈Rn}，其中，Rn代表n维空间，例如R3代表3维空间。同样的，随机选取另外张医学影像图像和另一张解剖分割图像作为移动图像{IM∈Rn}和移动分割图像{SM∈Rn}。
S202、将所述固定图像和移动图像组合作为图像对，以及将所述固定分割图像和移动分割图像组合作为分割图像对，并基于所述配准网络的输入要求，分别设置数量与所述配准网络批处理次数相同的图像对和分割图像对；
本步骤中，将步骤S201中选取的固定图像和移动图像组合为图像对，以及将选取的固定分割图像和移动分割图像组合为分割图像对。需要注意的是，因为配准网络的的输入是batch_size对图像，故本步骤需要执行batch_size次，也就是可以获得batch_size对图像对和分割图像对。
S203、将所述图像对输入至所述配准网络，通过所述配准网络的前向传播获取所述图像对中的移动图像至固定图像的像素之间的位移场；
本步骤中，利用所述配准网络以形变场φ:R(IF,IM；θ)对图像对中的移动图像至固定图像的像素之间的形变场进行预测，从而输出对应的位移场。其中，φ代表了配准网络所预测的形变场(这里形变场是间接计算获得，配准网络实际预测的输出是每一个像素点的位移，即位移场，通过加上每一个像素点的原始坐标可以获得形变过后每一个像素点的位置，也称形变场)，θ代表了配准网络的内部参数，例如一个函数内部参数，通过学习可以优化它。
可以理解的是，在对所述配准网络和判别网络训练学习过程中，首先可以对配准网络和判别网络中的卷积核参数，按照均值为0和标准差等于0.01的正态分布进行初始化操作，然后进入迭代训练过程。
S204、利用网格重采样模块根据所述位移场对所述移动图像和所述分割图像对中的移动分割图像进行空间变换，并通过线性插值方法获取对应的折叠图像和折叠分割图像；
本步骤中，网格重采样模块根据生成的位移场对移动图像和移动分割图像进行空间变换，并使用线性插值方法获取到折叠图像
和折叠分割图像
在这里，网格重采样模块根据输入的位移场计算形变场，之后利用计算所得的形变场对移动图像进行空间形变，也就是利用每一个像素点形变后的位置构造折叠图像，其中因为形变后的像素位置往往不是一个整数所以需要利用插值方法估计整数位置的像素值的大小。在一具体应用场景中，利用双线性插值获取折叠图像和折叠分割图像，例如二维图像利用周围4个点估计，而三维图像利用的是8个点。
S205、对所述分割图像对中的固定分割图像添加噪声，得到带有噪声的固定分割图像，将所述折叠分割图像和带有噪声的固定分割图像输入至所述判别网络，并通过所述判别网络输出所述分割图像对的分割相似度。
本步骤中，不同于配准网络，判别网络的功能是用于预测生成的分割图像对的相似度，即输出对应的分割相似度。
本实施例通过将图像对输入至所述配准网络中进行学习，以及将分割图像对输入至所述判别网络中进行学习，使所述配准网络和判别网络输出对应的结果，即所述折叠图像、折叠分割图像、位移场和分割相似度等。以使后续步骤可以根据所述配准网络和判别网络的输出结构为所述配准网络和判别网络构建损失函数，从而提高所述配准网络和判别网络的性能。
在一实施例中，如图3所示，所述步骤S203包括：步骤S301～S307。
S301、将所述图像对输入至所述配准网络；
S302、依次通过所述配准网络中的第一编码器模块和第二编码器模块对所述图像对进行编码，输出得到所述图像对的第一编码；
S303、依次通过第一解码器模块和第二解码器模块对第一编码进行解码，输出得到第一位移场；
S304、通过第三编码器模块对所述第一编码进行编码，输出得到所述图像对的第二编码；
S305、依次通过第三解码器模块、第四解码器模块和第五解码器模块对所述第二编码进行解码，输出得到第二位移场；
S306、通过第四编码器模块对所述第二编码进行编码，输出得到所述图像对的第三编码；
S307、依次通过第六解码器模块、第七解码器模块、第八解码器模块和第九解码器模块对所述第三编码进行解码，输出得到第三位移场。
本实施例中，通过所述配准网络对输入的图像对进行编码和解码，所述配准网络进行前向传播，并以形变场的形式，对所述图像对中的移动图像至固定图像的像素之间的复杂形变场进行预测，从而得到位移场(即所述第一位移场、第二位移场和第三位移场)。位移场代表了移动图像中像素点的位移量，使用不同的通道代表了不同空间轴，例如2D图像需要表示X轴和Y轴上的位移量，用2通道的位移场表示。3D图像需要表示X轴、Y轴和Z轴上的位移量，用3通道的位移场表示。本实施例中的位移场的维度可以是4维(即2D图像)，也可以是5维(即3D图像)。本实施例将所述配准网络设计成具有三输出位移场(用于之后对图像进行形变)的Nested U-Net结构(一种网络结构)，并且加入残差模块，如此可以防止学习过程中过拟合现象的发生。
需要说明的是，本实施例所述的第二编码器模块、第三编码器模块、第四编码器模块的网络结构相同，在一具体实施例中，所述第二编码器模块包括多层卷积核为3×3的卷积层，以及激活函数等。所述的第一解码器模块、第三解码器模块、第四解码器模块、第六解码器模块、第七解码器模块和第八解码器模块的网络结构相同，第二解码器模块、第五解码器模块和第九解码器模块的网络结构相同，在一具体实施例中，所述第一解码器模块包括多层卷积核为3×3的反卷积层(即转置卷积层)和激活函数等。
在一实施例中，所述步骤S205包括：
将所述折叠分割图像和带有噪声的固定分割图像输入至所述判别网络；
依次经过所述判别网络的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、第四卷积层和第四最大池化层对所述折叠分割图像和带有噪声的固定分割图像进行处理，然后将经过处理的折叠分割图像和带有噪声的固定分割图像输入至全连接层中，并通过激活函数输出最终的分割相似度。
本实施例中，所述判别网络包括多层卷积层、多层最大池化层、全连接层以及激活函数等网络结构，通过所述判别网络对所述分割图像对进行处理，并输出对应的分割相似度，进而为所述折叠图像增加解剖合理性。在具体的应用场景中，可以将所述判别网络的输出视为所述配准网络的损失函数的一部分，从而对所述配准网络进行约束。具体来说，所述判别网络的输出包括两对相似度，即所述折叠分割图像和带有噪声的固定分割图像之间的分割相似度和固定分割图像和带有噪声的固定分割图像之间的自身相似度。所述判别网络和所述配准网络存在对抗关系，在对抗过程中，所述配准网络希望预测输出的位移场能够使获得的折叠分割图像与带有噪声的固定分割图像配对，进而可以让所述判别网络的输出较高的分割相似度。而所述判别网络则希望可以分别出折叠分割图像，也就是希望折叠分割图像和带有噪声的固定分割图像之间的分割相似度较低，而带有噪声的固定分割图像和固定分割图像之间的自身相似度较高，从而形成对抗的关系。
在一实施例中，所述步骤S103包括：
按照下式，采用归一化互相关对所述折叠图像和固定图像的互相关值进行计算：
式中，NCC(IF,IM)为互相关值，IW(p)为第p张折叠图像，IF(p)为第p张固定图像；
按照下式，采用所述折叠图像和固定图像之间图像差异哈希值计算所述折叠图像和固定图像之间的图像相似度：
DH(IF,IM)＝|dHash(IW)-dHash(IF)|
式中，DH(IF,IM)为图像相似度，dHash(IW)为折叠图像的哈希值，dHash(IF)为固定图像的哈希值；
按照下式，根据所述互相关值和所述图像相似度构建所述图像对的图像损失：
Lsim(IF,IM)＝λi1*NCC(IF,IM)+λi2*DH(IF,IM)
式中，Lsim(IF,IM)为图像损失，λ为权重因子，i1、i2为两个度量分别预先设定的超参数因子；
通过二进制交叉熵生成对抗函数：
LG_adv＝-ln(p+)
式中，p+为所述折叠分割图像和带有噪声的固定分割图像之间的分割相似度；
按照下式，根据所述对抗函数生成分割图像损失：
式中，Lsim(SF,SM)为分割图像损失，SF为折叠分割图像，SM为带有噪声的固定分割图像，CE为所述折叠分割图像和带有噪声的固定分割图像之间的交叉熵损失函数，n为标记的器官数量，k为第k个器官，s1、s2为两个度量分别预先设定的超参数因子；
按照下式生成正则化损失：
式中，Lreg(φ)为正则化损失，p为位移场的不同通道上的坐标，φ(p)为所述配准网络输出的位移场；
基于所述图像损失、分割图像损失和正则化损失，采用深监督学习构建所述第一损失函数：
式中，LG为所述第一损失函数。
本实施例中，通过所述配准网络和所述判别网络输出的折叠图像、折叠分割、位移场以及分割相似度对所述配准网络的损失函数(即所述第一损失函数)进行计算，通过所述第一损失函数对所述配准网络进行反馈优化，从而提升所述配准网络的性能，并最终提高对于医学影像图像的配准精度。
需要说明的是，本实施例中的配准网络以多输出位移场的NestedU-Net结构生成了三个不同的位移场，因此采用深监督的方法，利用三个位移场的反馈信息同时对配准网络进行调参，更加地提升所述配准网络的性能。
在一实施例中，所述步骤S103还包括：
按照下式构建所述第二损失函数：
LD_adv＝-ln(p-)+ln(1-p+)
式中，LD_adv为所述第二损失函数，p+为所述折叠分割图像和带有噪声的固定分割图像之间的分割相似度，p-为固定分割图像和带有噪声的固定分割图像之间的自身相似度。
本实施例中，所述判别网络的损失函数(即所述第二损失函数)来自于对抗学习，出于对抗的目的，所述判别网络希望预测的折叠图像与固定图像相似度尽可能的低一些。并且将添加噪声后的固定分割也输入到所述判别网络当中以调节所述判别网络的训练。
在一具体实施例中，如图4所示，将图像对输入至配准网络，由所述配准网络输出对应的位移场，利用网格重采样器根据所述位移场对所述移动图像和所述分割图像对中的移动分割图像进行空间变换，并通过线性插值方法获取对应的折叠图像和折叠分割(即折叠分割图像)，根据折叠图像和固定图像可获取配准网络的图像损失。同时对固定分割(即固定分割图像)添加噪声，得到带有噪声的固定分割(即固定分割图像)，然后将折叠分割图像和带有噪声的固定分割图像输入至判别网络中，并由判别网络输出对应的分割图像相似度，从而获取分割损失。另外，根据配准网络输出的位移场还可以获取配准网络的正则项损失(即所述正则化损失)。根据获取的图像损失、分割损失和正则项损失即可构建出配准网络的第一损失函数，从而利用第一损失函数对配准网络进行反馈优化。
图5为本发明实施例提供的一种对抗配准装置500的示意性框图，该装置500包括：
图像预处理单元501，用于获取医学影像图像以及对应的解剖分割图像，对所述医学影像图像和解剖分割图像进行预处理，得到数据集，其中，所述解剖分割图像中包括至少一解剖分割图像区域；
学习单元502，用于利用所述数据集对预设的配准网络和判别网络分别进行学习；
第一构建单元503，用于根据学习后的配准网络的输出结果和判别网络的输出结果为所述配准网络构建第一损失函数，以及通过所述判别网络和所述配准网络对抗学习为所述判别网络构建第二损失函数；
配准处理单元504，用于利用所述第一损失函数和第二损失函数分别对所述配准网络和判别网络进行反馈优化，并利用优化后的配准网络对指定的医学影像图像进行配准处理。
在一实施例中，所述图像预处理单元501包括：
图像获取单元，用于从医学数据库中获取医学影像图像以及对应的解剖分割图像；
像素值标记单元，用于对所述解剖分割图像中的解剖分割图像区域进行像素值标记；
图像缩放单元，用于对所述医学影像图像以及解剖分割图像统一进行缩放，以使所述医学影像图像和所述解剖分割图像的大小与配准网络和判别网络构成的神经网络的输入大小相适应，从而得到数据集。
在一实施例中，如图6所示，所述学习单元502包括：
图像选取单元601，用于在所述数据集中随机选取一张医学影像图像和一张解剖分割图像，并分别作为固定图像和固定分割图像，然后在所述数据集中随机选取另一张医学影像图像和另一张解剖分割图像，并分别作为移动图像和移动分割图像；
图像组合单元602，用于将所述固定图像和移动图像组合作为图像对，以及将所述固定分割图像和移动分割图像组合作为分割图像对，并基于所述配准网络的输入要求，分别设置数量与所述配准网络批处理次数相同的图像对和分割图像对；
位移场获取单元603，用于将所述图像对输入至所述配准网络，通过所述配准网络的前向传播获取所述图像对中的移动图像至固定图像的像素之间的位移场；
空间变换单元604，用于利用网格重采样模块根据所述位移场对所述移动图像和所述分割图像对中的移动分割图像进行空间变换，并通过线性插值方法获取对应的折叠图像和折叠分割图像；
判别网络单元605，用于对所述分割图像对中的固定分割图像添加噪声，得到带有噪声的固定分割图像，将所述折叠分割图像和带有噪声的固定分割图像输入至所述判别网络，并通过所述判别网络输出所述分割图像对的分割相似度。
在一实施例中，如图7所示，所述位移场获取单元603包括：
第一输入单元701，用于将所述图像对输入至所述配准网络；
第一编码单元702，用于依次通过所述配准网络中的第一编码器模块和第二编码器模块对所述图像对进行编码，输出得到所述图像对的第一编码；
第一解码单元703，用于依次通过第一解码器模块和第二解码器模块对第一编码进行解码，输出得到第一位移场；
第二编码单元704，用于通过第三编码器模块对所述第一编码进行编码，输出得到所述图像对的第二编码；
第二解码单元705，用于依次通过第三解码器模块、第四解码器模块和第五解码器模块对所述第二编码进行解码，输出得到第二位移场；
第三编码单元706，用于通过第四编码器模块对所述第二编码进行编码，输出得到所述图像对的第三编码；
第三解码单元707，用于依次通过第六解码器模块、第七解码器模块、第八解码器模块和第九解码器模块对所述第三编码进行解码，输出得到第三位移场。
在一实施例中，所述判别网络单元605包括：
第二输入单元，用于将所述折叠分割图像和带有噪声的固定分割图像输入至所述判别网络；
分割图像处理单元，用于依次经过所述判别网络的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、第四卷积层和第四最大池化层对所述折叠分割图像和带有噪声的固定分割图像进行处理，然后将经过处理的折叠分割图像和带有噪声的固定分割图像输入至全连接层中，并通过激活函数输出最终的分割相似度。
在一实施例中，所述第一构建单元503包括：
互相关值计算单元，用于按照下式，采用归一化互相关对所述折叠图像和固定图像的互相关值进行计算：
式中，NCC(IF,IM)为互相关值，IW(p)为第p张折叠图像，IF(p)为第p张固定图像；
图像相似度计算单元，用于按照下式，采用所述折叠图像和固定图像之间图像差异哈希值计算所述折叠图像和固定图像之间的图像相似度：
DH(IF,IM)＝|dHash(IW)-dHash(IF)|
式中，DH(IF,IM)为图像相似度，dHash(IW)为折叠图像的哈希值，dHash(IF)为固定图像的哈希值；
图像损失构建单元，用于按照下式，根据所述互相关值和所述图像相似度构建所述图像对的图像损失：
Lsim(IF,IM)＝λi1*NCC(IF,IM)+λi2*DH(IF,IM)
式中，Lsim(IF,IM)为图像损失，λ为权重因子，i1、i2为两个度量分别预先设定的超参数因子；
对抗函数生成单元，用于通过二进制交叉熵生成对抗函数：
LG_adv＝-ln(p+)
式中，p+为所述折叠分割图像和带有噪声的固定分割图像之间的分割相似度；
分割图像损失生成单元，用于按照下式，根据所述对抗函数生成分割图像损失：
式中，Lsim(SF,SM)为分割图像损失，SF为折叠分割图像，SM为带有噪声的固定分割图像，CE为所述折叠分割图像和带有噪声的固定分割图像之间的交叉熵损失函数，n为标记的器官数量，k为第k个器官，s1、s2为两个度量分别预先设定的超参数因子；
正则化损失生成单元，用于按照下式生成正则化损失：
式中，Lreg(φ)为正则化损失，p为位移场的不同通道上的坐标，φ(p)为所述配准网络输出的位移场；
第二构建单元，用于基于所述图像损失、分割图像损失和正则化损失，采用深监督学习构建所述第一损失函数：
式中，LG为所述第一损失函数。
在一实施例中，所述第一构建单元503包括：
第三构建单元，用于按照下式构建所述第二损失函数：
LD_adv＝-ln(p-)+ln(1-p+)
式中，LD_adv为所述第二损失函数，p+为所述折叠分割图像和带有噪声的固定分割图像之间的分割相似度，p-为固定分割图像和带有噪声的固定分割图像之间的自身相似度。
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
本发明实施例还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供了一种计算机设备，可以包括存储器和处理器，存储器中存有计算机程序，处理器调用存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然计算机设备还可以包括各种网络接口，电源等组件。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种对抗配准方法，其特征在于，包括：
获取医学影像图像以及对应的解剖分割图像，对所述医学影像图像和解剖分割图像进行预处理，得到数据集，其中，所述解剖分割图像中包括至少一解剖分割图像区域；
利用所述数据集对预设的配准网络和判别网络分别进行学习；
根据学习后的配准网络的输出结果和判别网络的输出结果为所述配准网络构建第一损失函数，以及通过所述判别网络和所述配准网络对抗学习为所述判别网络构建第二损失函数；
利用所述第一损失函数和第二损失函数分别对所述配准网络和判别网络进行反馈优化，并利用优化后的配准网络对指定的医学影像图像进行配准处理。
2.根据权利要求1所述的对抗配准方法，其特征在于，所述获取医学影像图像以及对应的解剖分割图像，对所述医学影像图像和解剖分割图像进行预处理，得到数据集，包括：
从医学数据库中获取医学影像图像以及对应的解剖分割图像；
对所述解剖分割图像中的解剖分割图像区域进行像素值标记；
对所述医学影像图像以及解剖分割图像统一进行缩放，以使所述医学影像图像和所述解剖分割图像的大小与配准网络和判别网络构成的神经网络的输入大小相适应，从而得到数据集。
3.根据权利要求1所述的对抗配准方法，其特征在于，所述利用所述数据集对预设的配准网络和判别网络分别进行学习，包括：
在所述数据集中随机选取一张医学影像图像和一张解剖分割图像，并分别作为固定图像和固定分割图像，然后在所述数据集中随机选取另一张医学影像图像和另一张解剖分割图像，并分别作为移动图像和移动分割图像；
将所述固定图像和移动图像组合作为图像对，以及将所述固定分割图像和移动分割图像组合作为分割图像对，并基于所述配准网络的输入要求，分别设置数量与所述配准网络批处理次数相同的图像对和分割图像对；
将所述图像对输入至所述配准网络，通过所述配准网络的前向传播获取所述图像对中的移动图像至固定图像的像素之间的位移场；
利用网格重采样模块根据所述位移场对所述移动图像和所述分割图像对中的移动分割图像进行空间变换，并通过线性插值方法获取对应的折叠图像和折叠分割图像；
对所述分割图像对中的固定分割图像添加噪声，得到带有噪声的固定分割图像，将所述折叠分割图像和带有噪声的固定分割图像输入至所述判别网络，并通过所述判别网络输出所述分割图像对的分割相似度。
4.根据权利要求3所述的对抗配准方法，其特征在于，所述将所述图像对输入至所述配准网络，通过所述配准网络的前向传播获取所述图像对中的移动图像至固定图像的像素之间的位移场，包括：
将所述图像对输入至所述配准网络；
依次通过所述配准网络中的第一编码器模块和第二编码器模块对所述图像对进行编码，输出得到所述图像对的第一编码；
依次通过第一解码器模块和第二解码器模块对第一编码进行解码，输出得到第一位移场；
通过第三编码器模块对所述第一编码进行编码，输出得到所述图像对的第二编码；
依次通过第三解码器模块、第四解码器模块和第五解码器模块对所述第二编码进行解码，输出得到第二位移场；
通过第四编码器模块对所述第二编码进行编码，输出得到所述图像对的第三编码；
依次通过第六解码器模块、第七解码器模块、第八解码器模块和第九解码器模块对所述第三编码进行解码，输出得到第三位移场。
5.根据权利要求3所述的对抗配准方法，其特征在于，所述将所述折叠分割图像和带有噪声的固定分割图像输入至所述判别网络，并通过所述判别网络输出所述分割图像对的分割相似度，包括：
将所述折叠分割图像和带有噪声的固定分割图像输入至所述判别网络；
依次经过所述判别网络的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、第四卷积层和第四最大池化层对所述折叠分割图像和带有噪声的固定分割图像进行处理，然后将经过处理的折叠分割图像和带有噪声的固定分割图像输入至全连接层中，并通过激活函数输出最终的分割相似度。
6.根据权利要求4或5所述的对抗配准方法，其特征在于，所述根据学习后的配准网络的输出结果和判别网络的输出结果为所述配准网络构建第一损失函数，包括：
按照下式，采用归一化互相关对所述折叠图像和固定图像的互相关值进行计算：
式中，NCC(IF,IM)为互相关值，IW(p)为第p张折叠图像，IF(p)为第p张固定图像；
按照下式，采用所述折叠图像和固定图像之间图像差异哈希值计算所述折叠图像和固定图像之间的图像相似度：
DH(IF,IM)＝|dHash(IW)-dHash(IF)|
式中，DH(IF,IM)为图像相似度，dHash(IW)为折叠图像的哈希值，dHash(IF)为固定图像的哈希值；
按照下式，根据所述互相关值和所述图像相似度构建所述图像对的图像损失：
Lsim(IF,IM)＝λi1*NCC(IF,IM)+λi2*DH(IF,IM)
式中，Lsim(IF,IM)为图像损失，λ为权重因子，i1、i2为两个度量分别预先设定的超参数因子；
通过二进制交叉熵生成对抗函数：
LG_adv＝-ln(p+)
式中，p+为所述折叠分割图像和带有噪声的固定分割图像之间的分割相似度；
按照下式，根据所述对抗函数生成分割图像损失：
式中，Lsim(SF,SM)为分割图像损失，SF为折叠分割图像，SM为带有噪声的固定分割图像，CE为所述折叠分割图像和带有噪声的固定分割图像之间的交叉熵损失函数，n为标记的器官数量，k为第k个器官，s1、s2为两个度量分别预先设定的超参数因子；
按照下式生成正则化损失：
式中，Lreg(φ)为正则化损失，p为位移场的不同通道上的坐标，φ(p)为所述配准网络输出的位移场；
基于所述图像损失、分割图像损失和正则化损失，采用深监督学习构建所述第一损失函数：
式中，LG为所述第一损失函数。
7.根据权利要求5所述的对抗配准方法，其特征在于，所述通过所述判别网络和所述配准网络对抗学习为所述判别网络构建第二损失函数，包括：
按照下式构建所述第二损失函数：
LD_adv＝-ln(p-)+ln(1-p+)
式中，LD_adv为所述第二损失函数，p+为所述折叠分割图像和带有噪声的固定分割图像之间的分割相似度，p-为固定分割图像和带有噪声的固定分割图像之间的自身相似度。
8.一种对抗配准装置，其特征在于，包括：
图像预处理单元，用于获取医学影像图像以及对应的解剖分割图像，对所述医学影像图像和解剖分割图像进行预处理，得到数据集，其中，所述解剖分割图像中包括至少一解剖分割图像区域；
学习单元，用于利用所述数据集对预设的配准网络和判别网络分别进行学习；
第一构建单元，用于根据学习后的配准网络的输出结果和判别网络的输出结果为所述配准网络构建第一损失函数，以及通过所述判别网络和所述配准网络对抗学习为所述判别网络构建第二损失函数；
配准处理单元，用于利用所述第一损失函数和第二损失函数分别对所述配准网络和判别网络进行反馈优化，并利用优化后的配准网络对指定的医学影像图像进行配准处理。
9.一种计算机设备，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，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的对抗配准方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的对抗配准方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110035984.7A CN112767463B (zh) | 2021-01-12 | 2021-01-12 | 一种对抗配准方法、装置、计算机设备及存储介质 |
| PCT/CN2021/082355 WO2022151586A1 (zh) | 2021-01-12 | 2021-03-23 | 一种对抗配准方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110035984.7A CN112767463B (zh) | 2021-01-12 | 2021-01-12 | 一种对抗配准方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112767463A true CN112767463A (zh) | 2021-05-07 |
| CN112767463B CN112767463B (zh) | 2024-02-06 |
Family
ID=75701568
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110035984.7A Active CN112767463B (zh) | 2021-01-12 | 2021-01-12 | 一种对抗配准方法、装置、计算机设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112767463B (zh) |
| WO (1) | WO2022151586A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113643332A (zh) * | 2021-07-13 | 2021-11-12 | 深圳大学 | 图像配准方法、电子设备及可读存储介质 |
| CN114373004A (zh) * | 2022-01-13 | 2022-04-19 | 强联智创（北京）科技有限公司 | 一种基于动态级联网络的无监督三维图像刚性配准方法 |
| CN116958217A (zh) * | 2023-08-02 | 2023-10-27 | 德智鸿(上海)机器人有限责任公司 | 一种mri与ct多模态3d自动配准方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110021037A (zh) * | 2019-04-17 | 2019-07-16 | 南昌航空大学 | 一种基于生成对抗网络的图像非刚性配准方法及系统 |
| CN110148142A (zh) * | 2019-05-27 | 2019-08-20 | 腾讯科技（深圳）有限公司 | 图像分割模型的训练方法、装置、设备和存储介质 |
| US20190378274A1 (en) * | 2018-06-06 | 2019-12-12 | International Business Machines Corporation | Joint registration and segmentation of images using deep learning |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109377520B (zh) * | 2018-08-27 | 2021-05-04 | 西安电子科技大学 | 基于半监督循环gan的心脏图像配准系统及方法 |
-
2021
- 2021-01-12 CN CN202110035984.7A patent/CN112767463B/zh active Active
- 2021-03-23 WO PCT/CN2021/082355 patent/WO2022151586A1/zh unknown
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190378274A1 (en) * | 2018-06-06 | 2019-12-12 | International Business Machines Corporation | Joint registration and segmentation of images using deep learning |
| CN110021037A (zh) * | 2019-04-17 | 2019-07-16 | 南昌航空大学 | 一种基于生成对抗网络的图像非刚性配准方法及系统 |
| CN110148142A (zh) * | 2019-05-27 | 2019-08-20 | 腾讯科技（深圳）有限公司 | 图像分割模型的训练方法、装置、设备和存储介质 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113643332A (zh) * | 2021-07-13 | 2021-11-12 | 深圳大学 | 图像配准方法、电子设备及可读存储介质 |
| CN113643332B (zh) * | 2021-07-13 | 2023-12-19 | 深圳大学 | 图像配准方法、电子设备及可读存储介质 |
| CN114373004A (zh) * | 2022-01-13 | 2022-04-19 | 强联智创（北京）科技有限公司 | 一种基于动态级联网络的无监督三维图像刚性配准方法 |
| CN114373004B (zh) * | 2022-01-13 | 2024-04-02 | 强联智创（北京）科技有限公司 | 一种动态图像配准方法 |
| CN116958217A (zh) * | 2023-08-02 | 2023-10-27 | 德智鸿(上海)机器人有限责任公司 | 一种mri与ct多模态3d自动配准方法及装置 |
| CN116958217B (zh) * | 2023-08-02 | 2024-03-29 | 德智鸿(上海)机器人有限责任公司 | 一种mri与ct多模态3d自动配准方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112767463B (zh) | 2024-02-06 |
| WO2022151586A1 (zh) | 2022-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | A closer look at local aggregation operators in point cloud analysis | |
| CN112767463B (zh) | 一种对抗配准方法、装置、计算机设备及存储介质 | |
| CN111899163B (zh) | 生成对抗网络中单图像超分辨率的有效结构保持 | |
| CN110390638B (zh) | 一种高分辨率三维体素模型重建方法 | |
| CN113706686B (zh) | 一种三维点云重建结果补全方法及相关组件 | |
| Wang et al. | Laplacian pyramid adversarial network for face completion | |
| US20230043026A1 (en) | Learning-based active surface model for medical image segmentation | |
| CN109063041B (zh) | 关系网络图嵌入的方法及装置 | |
| CN118043858A (zh) | 基于卷积神经网络的图像处理方法和系统 | |
| CN112232134A (zh) | 一种基于沙漏网络结合注意力机制的人体姿态估计方法 | |
| CN113962858A (zh) | 一种多视角深度获取方法 | |
| CN113450396A (zh) | 基于骨骼特征的三维/二维图像配准方法及装置 | |
| CN112132878A (zh) | 基于卷积神经网络的端到端大脑核磁共振图像配准方法 | |
| CN113344869A (zh) | 一种基于候选视差的行车环境实时立体匹配方法及装置 | |
| CN111260702B (zh) | 激光三维点云与ct三维点云配准方法 | |
| EP3664017B1 (en) | Method and device for digital image or video data processing | |
| CN117522990B (zh) | 基于多头注意力机制和迭代细化的类别级位姿估计方法 | |
| CN114429518A (zh) | 人脸模型重建方法、装置、设备和存储介质 | |
| Hara et al. | Enhancement of novel view synthesis using omnidirectional image completion | |
| Xu et al. | Depth map denoising network and lightweight fusion network for enhanced 3d face recognition | |
| WO2024041058A1 (zh) | 一种随访病例数据的处理方法、装置、设备及存储介质 | |
| CN115861396A (zh) | 一种基于深度学习的医学图像配准方法 | |
| Maghari et al. | Adaptive face modelling for reconstructing 3D face shapes from single 2D images | |
| CN112837420A (zh) | 基于多尺度和折叠结构的兵马俑点云的形状补全方法及系统 | |
| Yan et al. | FDLNet: Boosting Real-time Semantic Segmentation by Image-size Convolution via Frequency Domain Learning |
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 |