CN112785593A - 一种基于深度学习的脑部图像分割方法 - Google Patents
一种基于深度学习的脑部图像分割方法 Download PDFInfo
- Publication number
- CN112785593A CN112785593A CN202110270062.4A CN202110270062A CN112785593A CN 112785593 A CN112785593 A CN 112785593A CN 202110270062 A CN202110270062 A CN 202110270062A CN 112785593 A CN112785593 A CN 112785593A
- Authority
- CN
- China
- Prior art keywords
- image
- brain image
- brain
- image data
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003709 image segmentation Methods 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 16
- 238000001994 activation Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 9
- 235000004257 Cordia myxa Nutrition 0.000 claims description 8
- 244000157795 Cordia myxa Species 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 208000024827 Alzheimer disease Diseases 0.000 claims description 4
- 230000000971 hippocampal effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000002610 neuroimaging Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 210000005013 brain tissue Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000000877 corpus callosum Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000001320 hippocampus Anatomy 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 210000001103 thalamus Anatomy 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 208000003906 hydrocephalus Diseases 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009466 transformation Effects 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
- 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
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于深度学习的脑部图像分割方法，涉及医学图像处理与计算机视觉技术领域，包括：S1：获取原始脑部图像数据集；S2：对获取到的原始脑部图像数据集进行预处理S3：将预处理后的脑部图像数据集导入脑部图像分割模型中进行训练，用训练成熟的脑部图像分割模型对脑部图像进行分割，最终得到分割结果。提高了网络模型获取图像细节信息的能力，降低模型训练的运算复杂度，解决了分割图像边缘模糊问题，提高了分割精度。
Description
技术领域
本发明涉及医学图像处理与计算机视觉技术领域，具体涉及一种基于深度学习的脑部图像分割方法。
背景技术
大脑是人体生理活动和思维情感的中心器官，具有非常复杂的结构和功能。当大脑中的胼胝体、丘脑、海马体等受损时，都可能会引起特发性正常压力脑积水和阿尔兹海默症等脑部疾病。随着人工智能和计算机技术的不断发展，以及现代医疗成像技术的进步，医学影像技术被广泛应用到各类疾病的诊断和治疗中，医生可以通过磁共振成像(MRI)技术来对患者进行诊断。但是对于脑部图像而言，患者病变组织可能只是人脑中的某一小块部位或区域，增加了医生诊断的时间和难度。
深度学习的快速发展使得医学图像分割技术有了巨大的进步，医学图像分割技术可以使患者脑部组织的细节和形态更具体的展现出来，方便医生对患者脑部图像进行分析诊断。一方面，通过深度学习分割技术辅助医生对患者进行诊断可以减轻医生工作的负担，另一方面，医生可以通过分割结果图对患者进行定量、定性的分析，可以有效提高诊断的效率和准确率。现有大多数基于深度学习的图像分割网络模型在医学图像分割上的泛化能力较差，像胼胝体、丘脑和海马体等脑部组织形状复杂、尺寸小、边界模糊，难以与周围组织区分，并且由于MRI图像本身具有部分体积效应、不均匀场，容易受到噪声，而且没有考虑到像素与像素之间的上下文关联，分割结果缺乏语义的空间一致性，分割精度较低。现有大多数图像分割方法为了提高分割精度，加深了网络结构，虽然一定程度上提高了分割精度，但由于网络模型参数量增多，运算复杂，导致分割效率不高。
发明内容
为解决现有技术中存在的不足，本发明提供一种基于深度学习的脑部图像分割方法，提高了网络模型获取图像细节信息的能力，降低模型训练的运算复杂度，解决了分割图像边缘模糊问题，提高了分割精度。
本发明为解决其技术问题所采用的技术方案是：一种基于深度学习的脑部图像分割方法，包括：
S1：获取原始脑部图像数据集；
S2：对获取到的原始脑部图像数据集进行预处理；
S3：将预处理后的脑部图像数据集导入脑部图像分割模型中进行训练，用训练成熟的脑部图像分割模型对脑部图像进行分割，最终得到分割结果。
进一步的，所述获取原始脑部图像数据集，包括：从Alzheimer’s DiseaseNeuroimaging Initiative库中获取脑MRI图像数据和已分割的海马标签图像数据，上述图像数据包括真实患者和健康对比人群，数据格式为nifti。
进一步的，所述预处理包括：对脑部图像数据集中的图像进行旋转、镜像、翻转和色彩抖动的增强处理，裁剪大小，调整图像分辨率，并按照8：2的比例把脑部图像数据集分成训练集和测试集。
进一步的，步骤S3具体为：将预处理后的训练集图像数据输入到U-Net网络模型中进行训练，从而得到脑部图像的分割模型，然后将测试集图像数据中每个图像传入已经训练完成的U-Net网络模型中进行预测，得到分割结果；所述U-Net网络模型包括递归残差卷积模块、空间金字塔池模块、条件随机场、编码结构、解码结构。
进一步的，编码过程采用三次下采样，每一层使用深度可分离卷积的残差块进行特征提取，采用SeLU激活函数，所述SeLU激活函数为：
解码过程采用三次上采样，每一层使用递归残差卷积模块进行特征提取，递归残差卷积模块的输出xl+1为：
xl+1＝xl+F(xl+wl)
xl为递归残差卷积模块的样本输入，F(xl+wl)为第一层递归残差卷积模块的输出；
下采样过程中的1-3层通过跳跃连接与上采样过程中的6-8层相连，将跳跃连接得到的特征与上采样过程得到的特征融合，得到高维图像，在编码与解码之间加入空间金字塔池模块，最后以迭代层的形式将条件随机场CRF融合到U-Net网络模型中，在解码过程的每一个输出都对应一个CRF，并且与当前层的CRF输出作为后一个CRF的输入之一，通过迭代的形式逐层补充图像的语义信息和边界信息，从不同层次的特征中学习图像的边界信息，得到与输入图像大小相同的预测图。
进一步的，编码过程的特征提取包括：卷积、池化、归一化和激活操作；
所述卷积：用于提取局部特征；
所述池化：即下采样操作，用最大池化对卷积特征进行降维；
所述归一化：将图像数据的所有特征映射到同一尺度；
所述激活：将非线性引入U-Net网络模型中，使U-Net网络模型具有非线性表达能力。
有益效果：能够有效解决图像分割效果不佳的问题。与现有分割方法相比，不仅泛化能力强，还能够有效解决网络训练梯度弥散，分割边缘模糊等问题，而且分割精度和效率更高。
附图说明
图1为本发明整体流程说明图；
图2为本发明递归残差卷积模块示意图；
图3为本发明深度可分离卷积的残差块示意图；
图4为本发明U-Net网络模型结构图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
实施例1
一种基于深度学习的脑部图像分割方法，包括：
S1：获取原始脑部图像数据集；
从Alzheimer’s Disease Neuroimaging Initiative(简称ADNI)库中获取脑MRI图像数据和已分割的海马标签图像数据，上述图像数据包括真实患者和健康对比人群，数据格式为nifti。
S2：对获取到的原始脑部图像数据集进行预处理；
对脑部图像数据集中的图像进行旋转、镜像、翻转和色彩抖动的增强处理，裁剪大小，调整图像分辨率，并按照8：2的比例把脑部图像数据集分成训练集和测试集。
S3：将预处理后的脑部图像数据集导入脑部图像分割模型中进行训练，用训练成熟的脑部图像分割模型对脑部图像进行分割，最终得到分割结果；
将预处理后的训练集图像数据输入到U-Net网络模型中进行训练，从而得到脑部图像的分割模型，然后将测试集图像数据中每个图像传入已经训练完成的U-Net网络模型中进行预测，得到分割结果；所述U-Net网络模型包括递归残差卷积模块、空间金字塔池模块、条件随机场、编码结构、解码结构。优选的，空间金字塔池模块为Atrous空间金字塔池ASPP。
本发明的U-Net网络模型是一种改进的网络模型，体现在，编码和解码结构中的上采样和下采样的次数由原来的四次改为三次，加入递归残差卷积模块和Atrous空间金字塔池(ASPP)以及条件随机场(CRF)构成新型的U-Net网络模型。
编码过程具体体现为：为了减少网络参数，提高网络模型获取图像细节信息的能力，由原来的四次下采样改为三次；每一层使用深度可分离卷积代替普通卷积，用深度可分离卷积的残差块进行特征提取，激活函数使用SeLU激活函数，其中，SeLU激活函数公式如下：
传统的网络模型可以随着网络层数的增加，提高网络模型的性能，但也会使网络模型参数增多，运算量加大，网络效率下降，用深度可分离卷积可以减少网络模型参数，降低网络模型训练的运算复杂度，提高网络效率。同时残差块结构和SeLU激活函数的引入可以解决网络训练梯度消失、弥补信息传递过程中丢失的问题。
在编码和解码中间加入Atrous空间金字塔池(ASPP)，可以提取高分辨率的特征映射，从而获得优越的性能。
解码过程具体体现为：同样改用三次上采样，每一层使用递归残差卷积模块进行特征提取，递归和残差不会增加网络训练的参数量，而且有助于提取非常低级的特征，优化网络性能。最后将CRF的求解过程以迭代层的形式融合到U-Net网络模型中，在解码部分的每一个输出都对应一个CRF，并且与当前层的CRF输出作为后一个CRF的输入之一，以此通过迭代的形式逐层补充图像的语义信息和边界信息，实现了从不同层次的特征中学习图像的边界信息，得到与输入图像大小相同的预测图。CRF模型可以在模型训练的过程中结合图像中丰富的细节信息和上下文信息，实现端到端的图像语义分割，解决分割图像边缘模糊问题，提高分割精度。
下采样过程中的1-3层通过跳跃连接与上采样过程中的6-8层相连。在编码阶段，进行的特征提取包括：卷积、池化、归一化和激活操作。卷积是用于提取局部特征，其核心思想是权值共享和局部感受野；为了有效地利用深度卷积，每一层用深度可分离卷积的残差块进行特征提取操作；池化即下采样操作，用最大池化对卷积特征进行降维，保留关键信息的同时降低运算复杂度；归一化的使用是将数据的所有特征都映射到同一尺度；激活函数是把非线性引入网络模型当中，使网络模型具有非线性表达能力。这里激活函数使用SeLU激活函数。
以上的操作使图像特征在尺度变换，位移变化与形变后具有一定程度上的不变性，从而有利于提取更具代表性的图像特征。
在解码阶段，每一层使用递归残差卷积模块进行特征提取，递归残差卷积模块的输出xl+1为：xl+1＝xl+F(xl+wl)，xl表示递归残差模块的样本输入，F(xl+wl)表示第一层残差模块的输出。然后跳跃连接得到的特征和上采样过程中得到的特征融合，得到高维图像，最后以迭代的形式引入条件随机场(CRF)，对于一张脑部图像，将其假设为一个无向图G＝(V,E)，图像模型的顶点与像素点一一对应，即有V＝{Yi|i＝1,2,...,N}，变量Yi表示图像i处的分类标签，其取值范围是L＝{l1,l2,...,lc}，定义Ii为每个随机变量Yi的观测值，即图像像素i处的颜色特征值，脑部图像分割的目标为通过观测值Ii推理出隐变量Yi所对应的标签类别L。条件随机场(Y,I)通过Gibbs分布对后验概率P(Y|I)建模得到，相应的Gibbs分布推导为：
Z(I)为归一化常数，其公式为：Z(I)＝∑Yexp{∑a∈Aφa(Ya|I)}；
U(Y)＝∑a∈Aφa(Ya|I)表示所有潜在势团A的势能之和，a为集合A的某个势团，φa表示团a的势函数。对应的Gibbs能量函数为：
E(Y)＝-ln(P(Y|I))-ln(Z(I))＝∑a∈Aφa(Ya|I)
通过上式可知，假定把脑部图像分割看作一个目标函数的优化问题，根据图像各像素点与标签值对应的集合，从而使后验概率P(Y|I)最大，Gibbs能量函数最小，由于不同的CRF模型的势函数是不同的，因此需要选择恰当的势函数。势函数由于势团含有变量的不同，可以分为一阶势函数、二阶势函数和高阶势函数。此处用的是一阶、二阶势函数。其对应的Gibbs能量函数表示如下：
用u,p∈L＝{l1,l2,...,lc}表示分类标签的取值范围，用i,j∈{1,2,...,N}表示图中的某一像素点。Ψu(yi)表示一阶势函数，描述观测值和标记值之间的对应关系，Ψp(yi,yj)表示二阶势函数，来描述两个不同像素之间的标记值相似性度。通过利用CRF搭建脑部图像分割模型估计输入图像标签的的概率，解码部分的每一层输出都对应一个CRF，与当前层的CRF输出一起作为后一个CRF的输入之一，以此通过迭代的形式逐层补充图像的语义信息和边界信息，实现了从不同层次的特征中学习图像的上下文信息和边界信息，得到与输入图像大小相同的预测图。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于深度学习的脑部图像分割方法，其特征在于，包括：
S1：获取原始脑部图像数据集；
S2：对获取到的原始脑部图像数据集进行预处理；
S3：将预处理后的脑部图像数据集导入脑部图像分割模型中进行训练，用训练成熟的脑部图像分割模型对脑部图像进行分割，最终得到分割结果。
2.根据权利要求1所述的一种基于深度学习的脑部图像分割方法，其特征在于，所述获取原始脑部图像数据集，包括：从Alzheimer’s Disease Neuroimaging Initiative库中获取脑MRI图像数据和已分割的海马标签图像数据，上述图像数据包括真实患者和健康对比人群，数据格式为nifti。
3.根据权利要求1所述的一种基于深度学习的脑部图像分割方法，其特征在于，所述预处理包括：对脑部图像数据集中的图像进行旋转、镜像、翻转和色彩抖动的增强处理，裁剪大小，调整图像分辨率，并按照8：2的比例把脑部图像数据集分成训练集和测试集。
4.根据权利要求3所述的一种基于深度学习的脑部图像分割方法，其特征在于，步骤S3具体为：将预处理后的训练集图像数据输入到U-Net网络模型中进行训练，从而得到脑部图像的分割模型，然后将测试集图像数据中每个图像传入已经训练完成的U-Net网络模型中进行预测，得到分割结果；所述U-Net网络模型包括递归残差卷积模块、空间金字塔池模块、条件随机场、编码结构、解码结构。
5.根据权利要求4所述的一种基于深度学习的脑部图像分割方法，其特征在于，
编码过程采用三次下采样，每一层使用深度可分离卷积的残差块进行特征提取，采用SeLU激活函数，所述SeLU激活函数为：
解码过程采用三次上采样，每一层使用递归残差卷积模块进行特征提取，递归残差卷积模块的输出xl+1为：
xl+1＝xl+F(xl+wl)
xl为递归残差卷积模块的样本输入，F(xl+wl)为第一层递归残差卷积模块的输出；
下采样过程中的1-3层通过跳跃连接与上采样过程中的6-8层相连，将跳跃连接得到的特征与上采样过程得到的特征融合，得到高维图像，在编码与解码之间加入空间金字塔池模块，最后以迭代层的形式将条件随机场CRF融合到U-Net网络模型中，在解码过程的每一个输出都对应一个CRF，并且与当前层的CRF输出作为后一个CRF的输入之一，通过迭代的形式逐层补充图像的语义信息和边界信息，从不同层次的特征中学习图像的边界信息，得到与输入图像大小相同的预测图。
6.根据权利要求5所述的一种基于深度学习的脑部图像分割方法，其特征在于，编码过程的特征提取包括：卷积、池化、归一化和激活操作；
所述卷积：用于提取局部特征；
所述池化：即下采样操作，用最大池化对卷积特征进行降维；
所述归一化：将图像数据的所有特征映射到同一尺度；
所述激活：将非线性引入U-Net网络模型中，使U-Net网络模型具有非线性表达能力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110270062.4A CN112785593B (zh) | 2021-03-12 | 2021-03-12 | 一种基于深度学习的脑部图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110270062.4A CN112785593B (zh) | 2021-03-12 | 2021-03-12 | 一种基于深度学习的脑部图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112785593A true CN112785593A (zh) | 2021-05-11 |
| CN112785593B CN112785593B (zh) | 2024-05-24 |
Family
ID=75762559
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110270062.4A Active CN112785593B (zh) | 2021-03-12 | 2021-03-12 | 一种基于深度学习的脑部图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112785593B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113436211A (zh) * | 2021-08-03 | 2021-09-24 | 天津大学 | 一种基于深度学习的医学图像活动轮廓分割方法 |
| CN113506307A (zh) * | 2021-06-29 | 2021-10-15 | 吉林大学 | 一种基于残差连接改进U-Net神经网络的医学图像分割方法 |
| CN114048806A (zh) * | 2021-11-09 | 2022-02-15 | 安徽大学 | 一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法 |
| CN114581628A (zh) * | 2022-03-03 | 2022-06-03 | 北京银河方圆科技有限公司 | 大脑皮层表面重建方法和可读存储介质 |
| CN116205967A (zh) * | 2023-04-27 | 2023-06-02 | 中国科学院长春光学精密机械与物理研究所 | 医学影像语义分割方法、装置、设备及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2622571A1 (en) * | 2010-09-28 | 2013-08-07 | BrainLAB AG | Advanced fiber tracking and medical navigation in a brain |
| US20190287292A1 (en) * | 2018-03-15 | 2019-09-19 | Siemens Healthcare Gmbh | Deep reinforcement learning for recursive segmentation |
| CN110675379A (zh) * | 2019-09-23 | 2020-01-10 | 河南工业大学 | 一种融合空洞卷积的u形脑肿瘤分割网络 |
| CN111028306A (zh) * | 2019-11-06 | 2020-04-17 | 杭州电子科技大学 | 基于AR2 U-Net神经网络的快速磁共振成像方法 |
| CN112288749A (zh) * | 2020-10-20 | 2021-01-29 | 贵州大学 | 一种基于深度迭代融合深度学习模型的颅骨图像分割方法 |
| AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
| CN112365496A (zh) * | 2020-12-02 | 2021-02-12 | 中北大学 | 基于深度学习和多引导的多模态mr影像脑肿瘤分割方法 |
-
2021
- 2021-03-12 CN CN202110270062.4A patent/CN112785593B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2622571A1 (en) * | 2010-09-28 | 2013-08-07 | BrainLAB AG | Advanced fiber tracking and medical navigation in a brain |
| US20190287292A1 (en) * | 2018-03-15 | 2019-09-19 | Siemens Healthcare Gmbh | Deep reinforcement learning for recursive segmentation |
| CN110675379A (zh) * | 2019-09-23 | 2020-01-10 | 河南工业大学 | 一种融合空洞卷积的u形脑肿瘤分割网络 |
| CN111028306A (zh) * | 2019-11-06 | 2020-04-17 | 杭州电子科技大学 | 基于AR2 U-Net神经网络的快速磁共振成像方法 |
| CN112288749A (zh) * | 2020-10-20 | 2021-01-29 | 贵州大学 | 一种基于深度迭代融合深度学习模型的颅骨图像分割方法 |
| CN112365496A (zh) * | 2020-12-02 | 2021-02-12 | 中北大学 | 基于深度学习和多引导的多模态mr影像脑肿瘤分割方法 |
| AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113506307A (zh) * | 2021-06-29 | 2021-10-15 | 吉林大学 | 一种基于残差连接改进U-Net神经网络的医学图像分割方法 |
| CN113436211A (zh) * | 2021-08-03 | 2021-09-24 | 天津大学 | 一种基于深度学习的医学图像活动轮廓分割方法 |
| CN113436211B (zh) * | 2021-08-03 | 2022-07-15 | 天津大学 | 一种基于深度学习的医学图像活动轮廓分割方法 |
| CN114048806A (zh) * | 2021-11-09 | 2022-02-15 | 安徽大学 | 一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法 |
| CN114581628A (zh) * | 2022-03-03 | 2022-06-03 | 北京银河方圆科技有限公司 | 大脑皮层表面重建方法和可读存储介质 |
| CN114581628B (zh) * | 2022-03-03 | 2023-08-08 | 北京银河方圆科技有限公司 | 大脑皮层表面重建方法和可读存储介质 |
| CN116205967A (zh) * | 2023-04-27 | 2023-06-02 | 中国科学院长春光学精密机械与物理研究所 | 医学影像语义分割方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112785593B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112785593B (zh) | 一种基于深度学习的脑部图像分割方法 | |
| Zhang et al. | Automatic skin lesion segmentation by coupling deep fully convolutional networks and shallow network with textons | |
| CN111951288B (zh) | 一种基于深度学习的皮肤癌病变分割方法 | |
| CN112862805B (zh) | 听神经瘤图像自动化分割方法及系统 | |
| CN113256641B (zh) | 一种基于深度学习的皮肤病灶图像分割方法 | |
| CN113781640A (zh) | 基于弱监督学习的三维人脸重建模型建立方法及其应用 | |
| CN114897780B (zh) | 一种基于mip序列的肠系膜上动脉血管重建方法 | |
| CN112215291A (zh) | 级联神经网络下医学图像特征提取和分类方法 | |
| CN113139974B (zh) | 基于半监督学习的病灶分割模型训练、应用方法 | |
| 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 | |
| CN115147600A (zh) | 基于分类器权重转换器的gbm多模态mr图像分割方法 | |
| Singhal et al. | Study of deep learning techniques for medical image analysis: A review | |
| Shan et al. | SCA-Net: A spatial and channel attention network for medical image segmentation | |
| CN117274599A (zh) | 一种基于组合双任务自编码器的脑磁共振分割方法及系统 | |
| CN117058307A (zh) | 心脏三维核磁共振图像生成方法、系统、设备及储存介质 | |
| Qayyum et al. | Automatic segmentation using a hybrid dense network integrated with an 3D-atrous spatial pyramid pooling module for computed tomography (CT) imaging | |
| CN114943721A (zh) | 一种建立基于改进U-Net网络的颈部超声图像分割方法 | |
| Ruan et al. | An efficient tongue segmentation model based on u-net framework | |
| CN117218453B (zh) | 一种不完备多模态医学影像学习方法 | |
| CN114387282A (zh) | 一种医学影像器官精准自动分割方法及系统 | |
| Wu et al. | Continuous Refinement-based Digital Pathology Image Assistance Scheme in Medical Decision-Making Systems | |
| CN114972291B (zh) | 基于混合增强智能的医学影像结构化自动标注方法与系统 | |
| CN116309754A (zh) | 一种基于局部-全局信息协作的大脑医学图像配准方法及系统 | |
| Salehi et al. | Deep convolutional neural networks for automated diagnosis of disc herniation on axial MRI | |
| CN114419015A (zh) | 一种基于多模态配准的脑功能融合分析方法 |
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 |