CN112784849B - 一种基于选择多尺度注意力的腺体分割方法 - Google Patents
一种基于选择多尺度注意力的腺体分割方法 Download PDFInfo
- Publication number
- CN112784849B CN112784849B CN202110161076.2A CN202110161076A CN112784849B CN 112784849 B CN112784849 B CN 112784849B CN 202110161076 A CN202110161076 A CN 202110161076A CN 112784849 B CN112784849 B CN 112784849B
- Authority
- CN
- China
- Prior art keywords
- scale attention
- pixel
- encoder
- gland
- attention module
- 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.)
- Active
Links
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于选择多尺度注意力的腺体分割方法,涉及图像处理技术领域,其中使用的所述腺体分割网络包括:编码器、选择多尺度注意模块SMA和解码器;所述选择多尺度注意力模块SMA位于所述编码器和所述解码器之间,所述选择多尺度注意模块SMA包括选择单元SU和多尺度注意力模块MA;所述选择单元SU用于对所述编码器和所述解码器提取到的特征进行选择;所述多尺度注意力模块MA用于融合所述选择单元SU选择得到的不同尺度的特征。所述分割网络解决了现有技术中由于腺体大小差异大而导致的腺体分割精度较差的问题,达到了可以提高腺体分割精度的效果。
Description
技术领域
本发明涉及基于选择多尺度注意力的腺体分割方法,属于图像处理技术领域。
背景技术
胰腺癌是一种高度恶性的消化道肿瘤。其5年生存率低于10%,是预后最差的恶性肿瘤之一。诊断癌症的第一步通常是对组织病理学图像进行分析。组织病理学图像上显示的肿瘤不仅包括肿瘤细胞本身,还包括周围组织如血管、神经等。病理图像中腺体的大小和形状与疾病的严重程度密切相关,这些腺体的面积和占比对肿瘤的诊断、治疗和预后至关重要。因此,实现病理图像中肿瘤细胞、血管和神经的分割具有重要意义。
卷积神经网络在图像分割中得到了广泛的应用,如UNet,SegNet和FCN等,许多研究者将其应用于组织病理学图像中的腺体分割。大多数腺体分割的方法都是使用编码器提取特征,采用跳跃连接,通过融合编码器层的特征,逐步恢复空间维度,帮助解码器层输出更准确的分割结果。虽然具有U型结构的卷积神经网络在腺体分割中取得了不错的效果,但是解码器仅仅融合单个编码器层提取到的信息还不充足。在处理大小和形状差异较大的腺体时,没有提取有效的多尺度信息。
发明内容
本发明的目的在于提供一种基于选择多尺度注意力的腺体分割方法,用于解决现有技术中存在的问题。
为达到上述目的,本发明提供如下技术方案:
根据第一方面,本发明实施例提供了一种基于选择多尺度注意力的腺体分割网络,所述腺体分割网络包括:编码器、选择多尺度注意模块和解码器;所述选择多尺度注意模块SMA位于所述编码器和所述解码器之间,所述选择多尺度注意模块SMA包括选择单元SU和多尺度注意力模块MA;
所述选择单元SU用于对所述编码器和所述解码器提取到的特征进行选择;
所述多尺度注意力模块MA用于融合所述选择单元SU选择得到的不同尺度的特征。
可选的,所述选择单元SU用于获取所述编码器提取到的特征以及所述解码器提取到的特征,对获取到的特征进行选择。
可选的,所述选择单元SU对所述编码器的3个阶段以及所述解码器的1个阶段提取的特征进行选择,选择后的特征为:
其中,s为选择得到的特征,x为待选择的特征,表示逐像素相加,/>表示逐像素相乘,cbt(x)=tanh(bn(conv(x)))。conv代表卷积层,bn代表归一化层,tanh代表激活函数层。
可选的,所述多尺度注意力模块MA对选择得到的特征进行合并,合并后的特征为:c=concat(s1,s2,s3,s4);
对合并后的特征图施加通道注意力,得到权重,权重为:a=attention(c);
所述多尺度注意力模块MA的输出为:y=s2*a+s4;
其中,concat代表在通道维度进行合并,attention表示对特征图施加通道注意力,s1,s2,s3,s4为所述选择单元SU选择得到的特征。
可选的,所述腺体分割网络的损失函数包括交叉熵损失和dice损失。
可选的,所述交叉熵损失为:
其中,N代表像素的总个数,C是类别数,代表c类别的像素n的预测值,/>代表c类别的像素n的人工标注值。
可选的,所述dice损失为:
其中,N代表像素的总个数,C是类别数,代表c类别的像素n的预测值,/>代表c类别的像素n的人工标注值。
第二方面,提供了一种腺体分割网络训练方法,所述方法包括:
获取样本胰腺病理图像;
根据所述样本胰腺病理图像训练腺体分割网络,所述腺体分割网络如第一方面所述,所述腺体分割网络用于对目标胰腺病理图像进行分割。
第三方面,提供了一种基于选择多尺度注意力的腺体分割方法,所述方法包括:
获取目标胰腺病理图像;
根据腺体分割网络对所述目标胰腺病理图像进行分割,所述腺体分割网络为如第一方面所述的方法训练得到的网络。
通过提供一种基于选择多尺度注意力的腺体分割网络,所述腺体分割网络包括:编码器、选择多尺度注意模块SMA和解码器;所述选择多尺度注意模块SMA位于所述编码器和所述解码器之间,所述选择多尺度注意模块SMA包括选择单元SU和多尺度注意力模块MA;所述选择单元SU用于对所述编码器和所述解码器提取到的特征进行选择;所述多尺度注意力模块MA用于融合所述选择单元SU选择得到的不同尺度的特征。即通过在编码器和解码器之间增加选择多尺度注意力模块,通过选择单元增强有效信息抑制冗余信息,解决了现有技术中由于腺体大小差异大而导致的腺体分割精度较差的问题,达到了可以提高腺体分割精度的效果。
另外,上述方案通过多尺度注意力模块可以为不同尺度的特征图施加不同的权重,进一步提高了对胰腺病理图像的分割精度。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1为本发明一个实施例提供的基于选择多尺度注意力的腺体分割网络的网络结构图;
图2为本发明一个实施例提供的选择多尺度注意模块SMA的结构示意图;
图3为本申请一个实施例提供的选择单元SU的结构示意图;
图4为本申请一个实施例提供的尺度注意力模块MA的结构示意图;
图5为本申请一个实施例提供的腺体分割网络训练方法的方法流程图;
图6为本申请一个实施例提供的基于选择多尺度注意力的腺体分割方法的方法流程图;
图7为本申请的腺体分割方法与现有方案中的各方法的分割效果对比图。
具体实施方式
下面将结合附图对本发明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。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”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,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
请参考图1,其示出了本申请一个实施例提供的一种基于选择多尺度注意力的腺体分割网络的网络结构图,如图1和图2所示,所述腺体分割网络包括:
编码器、选择多尺度注意模块SMA和解码器;所述选择多尺度注意模块SMA位于所述编码器和所述解码器之间,所述选择多尺度注意模块(selected multi-scaleattention,SMA)包括选择单元(selection unit,SU)和多尺度注意力模块(multi-scaleattention,MA);
所述选择单元SU用于对所述编码器和所述解码器提取到的特征进行选择;
所述多尺度注意力模块MA用于融合所述选择单元SU选择得到的不同尺度的特征。
腺体分割网络的输入为RGB(Red Green Blue)图像,有3个通道,大小为512×512。如图1所示,该网络基于UNet的编解码结构,在编码器和解码器之间添加了4个选择多尺度注意模块SMA进行特征选择和融合。每个选择多尺度注意模块SMA包括选择单元SU和多尺度注意力模块MA。
所述编码器采用了UNet的编码部分作为特征提取器。如图1所述其包含5个阶段,每个阶段由两个卷积模块组成,每个卷积模块包含3×3卷积层、归一化层和激活函数层。每个阶段之间采用最大池化层减小特征图,从而增大卷积的感受野。
所述解码器采用UNet的解码部分重建高分辨率特征图。其包含5个阶段,每个阶段由两个卷积模块组成,每个卷积模块包含3×3卷积层、归一化层和激活函数层。每个阶段之间采用反卷积层增大特征图,逐渐恢复图像的分辨率。
所述选择单元SU用于对所述编码器及所述解码器提取到的特征进行选择,用于增强有效信息并抑制冗余信息。
在选择单元SU对编码器和解码器提取到的特征进行选择之前,通过上采样或者下采样的方式将各个特征转换为相同大小,比如,请参考图2,将编码器结算1的特征图x1下采样1/2倍,将编码器阶段3的特征图x3和解码器阶段3的特征图x4上采样2倍,进而使得x1,x3,x4的大小均与x2(编码器阶段2的特征图)相同。其中,下采样操作通过卷积实现,上采样操作通过反卷积实现。并且,将转换后的特征输入至选择单元SU进行选择。其中,为了使得选择单元SU对特征进行选择,四条支路的特征图被并行输入到四个选择单元SU。请参考图3,其示出了选择单元SU的结构示意图。
每个选择单元SU的选择流程为:
其中,s为选择得到的特征,x为待选择的特征,表示逐像素相加,/>表示逐像素相乘,cbt(x)=tanh(bn(conv(x)))。conv代表卷积层,bn代表归一化层,tanh代表激活函数层。
选择单元SU通过网络自学习一个乘积因子cbt(x)+1,并与输入的特征图x相乘,增大或减小特征图中每个像素的值,得到特征选择后的特征图s。由于tanh激活函数的输出范围为-1到1,因此乘积因子cbt(x)+1的范围为0到2。当乘积因子大于1时,像素的值被放大,意味着特征被增强;当乘积因子小于1时,像素的值被缩小,意味着特征被抑制。也即通过选择单元SU对不同尺度的特征进行特征选择,增强有效的信息,抑制冗余的信息。
由于腺体的大小和形状差异较大,编码器单个阶段提取到的信息不充足,本申请通过多尺度注意力模块MA融合了编码器三个相邻阶段的特征和解码器中的高级语义特征,引导网络学习不同的结构信息,从而实现不同大小腺体的精确分割。融合后的特征用于给编码器中的特征施加一个权重,使网络关注更为重要的特征通道。多尺度注意模块的运算流程如下:
所述多尺度注意力模块MA对选择得到的特征进行合并,合并后的特征为:c=concat(s1,s2,s3,s4);
对合并后的特征图施加通道注意力,得到权重,权重为:a=attention(c);
所述多尺度注意力模块MA的输出为:y=s2*a+s4;
其中,concat代表在通道维度进行合并,attention表示对特征图施加通道注意力,s1,s2,s3,s4为所述选择单元SU选择得到的特征。
s1、s2、s3和s4是x1、x2、x3和x4经过选择单元SU后的结果。请参考图4,其示出了本申请一种可能的尺度注意力模块MA的结构示意图,结合图4,将s1、s2、s3和s4在通道维度进行合并,然后使用卷积来减少合并后特征图的通道数,获得与s2的相同的通道数,并使用一个全局平均池化层将每一个二维的特征图压缩成一个数值,得到输入的特征中每一个特征图对应的响应大小,如果响应值大,说明此特征图对结果的贡献高,如果响应值小,说明此特征图对结果的贡献低;最后使用两个全连接层和一个sigmoid激活函数层得到一个数值范围在0到1之间的向量,并将这个向量乘上特征图s2;最后,将乘上权重后的特征图s2与解码器的s4相加得到最终的输出。
所述腺体分割网络的损失函数包括交叉熵损失和dice损失。
所述交叉熵损失为:
其中,N代表像素的总个数,C是类别数,代表c类别的像素n的预测值,/>代表c类别的像素n的人工标注值。
所述dice损失为:
其中,N代表像素的总个数,C是类别数,代表c类别的像素n的预测值,/>代表c类别的像素n的人工标注值。并且,实际实现时,ε的值设置为1e-6,为了防止分母出现0的情况。将交叉熵损失函数与dice损失函数相加作为网络最终的损失函数,λ为两个损失函数的权重,设置为1:
Ltotal=Lce+λ·Ldice。
通过同时使用交叉熵损失和dice损失,避免了由于腺体大小差异大而导致的可能会漏分面积小的腺体,提高腺体分割网络的分割精度的效果。
综上所述,通过提供一种基于选择多尺度注意力的腺体分割网络,所述腺体分割网络包括:编码器、选择多尺度注意模块SMA和解码器;所述选择多尺度注意模块SMA位于所述编码器和所述解码器之间,所述选择多尺度注意模块SMA包括选择单元SU和多尺度注意力模块MA;所述选择单元SU用于对所述编码器和所述解码器提取到的特征进行选择;所述多尺度注意力模块MA用于融合所述选择单元SU选择得到的不同尺度的特征。即通过在编码器和解码器之间增加选择多尺度注意力模块,通过选择单元增强有效信息抑制冗余信息,解决了现有技术中由于腺体大小差异大而导致的腺体分割精度较差的问题,达到了可以提高腺体分割精度的效果。
另外,上述方案通过多尺度注意力模块可以为不同尺度的特征图施加不同的权重,进一步提高了对胰腺病理图像的分割精度。
请参考图5,其示出了本申请一个实施例提供的腺体分割网络训练方法的方法流程图,如图5所示,所述方法包括:
步骤501,获取样本胰腺病理图像;
本申请使用的样本胰腺病理图像使用像素分辨率为0.221微米/像素(相当于40倍放大倍数)的纳米放大扫描仪扫描获得。扫描后下采样16倍,并总共裁剪出200张图像。这些图像的大小为512×512,含有的肿瘤细胞都是恶性的。医生手动将其标记为肿瘤细胞、血管和神经3个类别。实际实现时,先将样本胰腺病理图像水平翻转、垂直翻转和随机旋转输入图像进行数据增强,进而缓解深度神经网络的过拟合现象。
步骤502,根据所述样本胰腺病理图像训练腺体分割网络,所述腺体分割网络用于对目标胰腺病理图像进行分割。
所述腺体分割网络如图1所示实施例所述。
实际实现时,本申请中的腺体分割网络基于pytorch深度学习框架,GPU配置是12G内存的NVIDIA Tesla K40m,总共训练200个周期。使用多元学习速率策略,学习率其中iter是当前迭代次数,totaliter是总迭代次数,基础学习速率base_lr设置为0.05,下降指数power设置为0.9,训练时根据GPU大小将训练时的batch_size值设置为4,测试和验证时设置为1。实验采用随机梯度下降(SGD)优化算法,其中优化器动量momentum和正则化系数weight_decay分别设为0.9和0.0001。
综上所述,通过获取样本胰腺病理图像;根据所述样本胰腺病理图像训练腺体分割网络,所述腺体分割网络如图1所示实施例所述,所述腺体分割网络用于对目标胰腺病理图像进行分割。也即通过在编码器和解码器之间增加选择多尺度注意力模块,通过选择单元增强有效信息抑制冗余信息,解决了现有技术中由于腺体大小差异大而导致的腺体分割精度较差的问题,达到了可以提高腺体分割精度的效果。
另外,上述方案通过多尺度注意力模块可以为不同尺度的特征图施加不同的权重,进一步提高了对胰腺病理图像的分割精度。
请参考图6,其示出了本申请一个实施例提供的基于选择多尺度注意力的腺体分割方法的方法流程图,如图6所示,所述方法包括:
步骤601,获取目标胰腺病理图像;
步骤602,根据腺体分割网络对所述目标胰腺病理图像进行分割。
为了定量评估本发明提出的方法的性能,使用下面三个医学图像分割中常用的评价指标作为实验结果好坏的衡量标准:Dice系数(DSC)、召回率(recall)和精确度(precision)。
DSC是评估预测结果与人工标注之间相似度的函数,其利用预测结果与人工标注的交集与并集的比值得到,定义为
其中TP(True Positive)为真阳性像素个数,FP(False Positive)为假阳性像素个数,FN(False Negative)为假阴性像素个数。召回率表示识别正确的像素占所有人工标注像素的比例,精确度表示识别正确的像素占所有预测像素的比例,召回率和精确度计算如下:
本发明将提出的方法与UNet、SegNet、FCN-8和MILD-Net进行比较。不同方法的分割结果如图7所示,本发明的方法取得了比其他方法更精确的结果,减少了肿瘤细胞内部区域漏分的情况,同时也减少了血管和神经错分的情况。表1展示了不同方法的定量分割结果。结果表明,本发明方法在肿瘤细胞、血管和神经三个类别的Dice系数均为最高。与UNet相比,肿瘤细胞的Dice系数提高了0.8%,血管Dice系数提高了1.7%,神经Dice系数提高了1.6%。
为了证明模块的有效性,选择UNet作为基础网络,相应的消融实验结果如表1的最后两行所示。结果表明,本文提出的两个模块是有效的。UNet+MA是指在不进行特征选择的情况下,将不同尺度的特征图直接输入到多尺度注意模块。UNet+SU+MA代表了本发明的方法,将选择单元和多尺度注意模块添加到UNet中。
表1不同方法的定量分割结果与消融实验结果
综上所述,提供获取目标胰腺病理图像;根据腺体分割网络对所述目标胰腺病理图像进行分割,腺体分割网络为上述实施例训练得到。也即通过在编码器和解码器之间增加选择多尺度注意力模块,通过选择单元增强有效信息抑制冗余信息,解决了现有技术中由于腺体大小差异大而导致的腺体分割精度较差的问题,达到了可以提高腺体分割精度的效果。
另外,上述方案通过多尺度注意力模块可以为不同尺度的特征图施加不同的权重,进一步提高了对胰腺病理图像的分割精度。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种基于选择多尺度注意力的腺体分割方法,其特征在于,所述腺体分割方法包括:
获取样本胰腺病理图像及目标胰腺病理图像;
根据所述样本胰腺病理图像训练腺体分割网络;
根据训练得到的所述腺体分割网络对所述目标胰腺病理图像进行分割;
所述腺体分割网络包括:编码器、选择多尺度注意模块SMA和解码器;所述选择多尺度注意模块SMA位于所述编码器和所述解码器之间,所述选择多尺度注意模块SMA包括选择单元SU和多尺度注意力模块MA;
所述选择单元SU用于对所述编码器的3个阶段和所述解码器的1个阶段提取到的特征进行选择,选择后的特征为:
其中,s为选择得到的特征,x为待选择的特征,⊕表示逐像素相加,表示逐像素相乘,cbt(x)=tanh(bn(conv(x))),conv代表卷积层,bn代表归一化层,tanh代表激活函数层;
所述多尺度注意力模块MA用于融合所述选择单元SU选择得到的不同尺度的特征。
2.根据权利要求1所述的腺体分割方法,其特征在于,所述选择单元SU用于获取所述编码器提取到的特征以及所述解码器提取到的特征,对获取到的特征进行选择。
3.根据权利要求1所述的腺体分割方法,其特征在于,
所述多尺度注意力模块MA对选择得到的特征进行合并,合并后的特征为:c=concat(s1,s2,s3,s4);
对合并后的特征图施加通道注意力,得到权重,权重为:a=attention(c);
所述多尺度注意力模块MA的输出为:y=s2*a+s4;
其中,concat代表在通道维度进行合并,attention表示对特征图施加通道注意力,s1,s2,s3,s4为所述选择单元SU选择得到的特征。
4.根据权利要求1所述的腺体分割方法,其特征在于,所述腺体分割网络的损失函数包括交叉熵损失和dice损失。
5.根据权利要求4所述的腺体分割方法,其特征在于,所述交叉熵损失为:
其中,N代表像素的总个数,C是类别数,代表c类别的像素n的预测值,/>代表c类别的像素n的人工标注值。
6.根据权利要求4所述的腺体分割方法,其特征在于,所述dice损失为:
其中,N代表像素的总个数,C是类别数,代表c类别的像素n的预测值,
代表c类别的像素n的人工标注值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110161076.2A CN112784849B (zh) | 2021-02-05 | 2021-02-05 | 一种基于选择多尺度注意力的腺体分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110161076.2A CN112784849B (zh) | 2021-02-05 | 2021-02-05 | 一种基于选择多尺度注意力的腺体分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112784849A CN112784849A (zh) | 2021-05-11 |
CN112784849B true CN112784849B (zh) | 2023-10-10 |
Family
ID=75761009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110161076.2A Active CN112784849B (zh) | 2021-02-05 | 2021-02-05 | 一种基于选择多尺度注意力的腺体分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784849B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114267443B (zh) * | 2021-11-08 | 2022-10-04 | 东莞市人民医院 | 基于深度学习的胰腺肿瘤纤维化程度预测方法及相关装置 |
CN114283153A (zh) * | 2021-11-15 | 2022-04-05 | 天津大学 | 基于神经网络的肺部病理切片癌细胞分割算法 |
CN115082500B (zh) * | 2022-05-31 | 2023-07-11 | 苏州大学 | 基于多尺度与局部特征引导网络的角膜神经纤维分割方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012078114A1 (en) * | 2010-12-09 | 2012-06-14 | Nanyang Technological University | Method and an apparatus for determining vein patterns from a colour image |
CN110689083A (zh) * | 2019-09-30 | 2020-01-14 | 苏州大学 | 一种上下文金字塔融合网络及图像分割方法 |
CN111860233A (zh) * | 2020-07-06 | 2020-10-30 | 中国科学院空天信息创新研究院 | 基于选择注意力网络的sar图像复杂建筑物提取方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107680088A (zh) * | 2017-09-30 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 用于分析医学影像的方法和装置 |
US10445879B1 (en) * | 2018-03-23 | 2019-10-15 | Memorial Sloan Kettering Cancer Center | Systems and methods for multiple instance learning for classification and localization in biomedical imaging |
US20200372301A1 (en) * | 2019-05-21 | 2020-11-26 | Retrace Labs | Adversarial Defense Platform For Automated Dental Image Classification |
-
2021
- 2021-02-05 CN CN202110161076.2A patent/CN112784849B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012078114A1 (en) * | 2010-12-09 | 2012-06-14 | Nanyang Technological University | Method and an apparatus for determining vein patterns from a colour image |
CN110689083A (zh) * | 2019-09-30 | 2020-01-14 | 苏州大学 | 一种上下文金字塔融合网络及图像分割方法 |
CN111860233A (zh) * | 2020-07-06 | 2020-10-30 | 中国科学院空天信息创新研究院 | 基于选择注意力网络的sar图像复杂建筑物提取方法及系统 |
Non-Patent Citations (2)
Title |
---|
Attention U-Net Learning Where to Look for the Pancreas;Ozan Oktay et al.;arXiv;全文 * |
基于U-Dense-Net网络的DSA图像冠状动脉血管分割;王卓英 等;浙江理工大学学报;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112784849A (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112784849B (zh) | 一种基于选择多尺度注意力的腺体分割方法 | |
CN110889853B (zh) | 基于残差-注意力深度神经网络的肿瘤分割方法 | |
CN110889852B (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN112116605A (zh) | 一种基于集成深度卷积神经网络的胰腺ct图像分割方法 | |
CN111696126B (zh) | 一种基于多视角的多任务肝脏肿瘤图像分割方法 | |
CN111951288A (zh) | 一种基于深度学习的皮肤癌病变分割方法 | |
CN115375711A (zh) | 基于多尺度融合的全局上下文关注网络的图像分割方法 | |
CN116309648A (zh) | 一种基于多注意力融合的医学图像分割模型构建方法 | |
CN113436173A (zh) | 基于边缘感知的腹部多器官分割建模、分割方法及系统 | |
CN114419056B (zh) | 一种逐步精细的医学图像分割系统 | |
KR102561214B1 (ko) | 글로벌 어텐션을 이용한 영상 분할 방법 및 장치 | |
CN111724401A (zh) | 一种基于边界约束级联U-Net的图像分割方法和系统 | |
CN113012163A (zh) | 一种基于多尺度注意力网络的视网膜血管分割方法、设备及存储介质 | |
CN114511484B (zh) | 基于多级LatLRR的红外和彩色可见光图像快速融合方法 | |
CN115457061A (zh) | 一种基于选择性多分支空洞卷积的腺体细胞图像分割方法 | |
CN116844687A (zh) | 一种基于舌像和知识图谱的处方推荐方法及系统 | |
CN112990339B (zh) | 胃病理切片图像分类方法、装置及存储介质 | |
CN112489062A (zh) | 基于边界及邻域引导的医学图像分割方法及系统 | |
Iqbal et al. | LDMRes-Net: Enabling real-time disease monitoring through efficient image segmentation | |
CN117291935A (zh) | 一种头颈瘤病灶区域图像分割方法及计算机可读介质 | |
Guo et al. | Pathological detection of micro and fuzzy gastric cancer cells based on deep learning | |
CN115760875A (zh) | 一种基于自监督学习的全视野医学图片区域分割方法 | |
CN112862089B (zh) | 一种具有可解释性的医学图像深度学习方法 | |
CN115100042B (zh) | 一种基于通道注意力滞留网络的病理图像超分辨率方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |