CN112862837A - 一种基于卷积神经网络的图像处理方法和系统 - Google Patents

一种基于卷积神经网络的图像处理方法和系统 Download PDF

Info

Publication number
CN112862837A
CN112862837A CN202110114973.8A CN202110114973A CN112862837A CN 112862837 A CN112862837 A CN 112862837A CN 202110114973 A CN202110114973 A CN 202110114973A CN 112862837 A CN112862837 A CN 112862837A
Authority
CN
China
Prior art keywords
neural network
image
resnet50
convolutional neural
network
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
Application number
CN202110114973.8A
Other languages
English (en)
Other versions
CN112862837B (zh
Inventor
夏景明
邢露萍
谈玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202110114973.8A priority Critical patent/CN112862837B/zh
Publication of CN112862837A publication Critical patent/CN112862837A/zh
Application granted granted Critical
Publication of CN112862837B publication Critical patent/CN112862837B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • 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
    • 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

Abstract

本发明公开了一种基于卷积神经网络的图像处理方法和系统，将数据集中的三维脑部图像进行预处理，得到二维图像；采用堆叠分割算法对预处理后的二维图像进行分割，分割后得到感兴趣区域的图像；构建ResNet50‑II卷积神经网络，将分割后的图像分成训练集和测试集，将训练集中的图像输入到ResNet50‑II卷积神经网络进行训练；训练完成后，将测试集的图像输入ResNet50‑II神经网络进行分类。本发明的分类准确性得到了大幅提升。

Description

一种基于卷积神经网络的图像处理方法和系统
技术领域
本发明涉及一种图像处理方法及系统，尤其涉及一种基于卷积神经网络的图像处理方法及系统。
背景技术
医学成像具有多种图像模式，例如磁共振成像(Magnetic Resonance Imaging，简称MRI)，x-射线，CT，超声成像等。目前磁共振成像(MRI)是放射线照相领域中使用最广泛的技术。作为一种动态而灵活的技术，MRI可以实现可变的图像对比度，输出不同通道的图像。而且磁共振成像的软组织分辨率是CT的几倍，它可以灵敏地检测组织成分中水分的变化，这使得它在脑部这种组织众多的器官上表现优异，与CT相比，它通常可以更有效，更早地检测病变。以脑肿瘤的辅助诊治效果来看，MRI是研究脑肿瘤的最佳切入点，因为它具有三维成像的能力，以及能显示一些其他造影技术检测不到的肿瘤。
脑部图像处理主要过程是：首先确定要提取的特征类型，然后提取特征，最后根据相关特征进行图像分析，关键在于特征类型选择、特征提取以及分类器的选择。目前常用的脑部图像特征包括纹理特征、灰度特征、基于图谱先验知识的特征、基于对称性的特征等。特征类型选定后，需要对图像进行特征提取。目前常用的特征提取方法有基于灰度共生矩阵的方法、基于Gabor和Haar小波变换的方法、基于马尔科夫模型的方法等。上述方法均是无监督的方法，只针对某一类特征进行提取，且需要人为干预，鲁棒性较差。
发明内容
发明目的：本发明的目的之一是提供一种基于卷积神经网络的图像处理方法，提高MRI图像的分类准确性；本发明的目的之二是提供一种基于卷积神经网络的图像处理系统。
技术方案：为实现上述目的，本发明提供一种基于卷积神经网络的图像处理方法，其包括以下步骤：
(1)对数据集中的MRI三维图像进行预处理，得到二维图像；
(2)采用堆叠分割算法对预处理后的二维图像进行分割，分割后得到感兴趣区域的图像；其中，分割结果为去除背景只保留感兴趣区域的图像。
(3)构建ResNet50-II卷积神经网络，将分割后的图像分成训练集和测试集，将训练集中的图像输入到ResNet50-II卷积神经网络进行训练；
(4)训练完成后，将测试集的图像输入ResNet50-II神经网络进行分类，并输出结果；ResNet50-II神经网络采用热编码方法输出分类结果。
可选的，MRI三维图像为脑部MRI三维图像，所述感兴趣区域为脑肿瘤区域。
上述步骤(1)中，预处理包括：将MRI三维图像按照二分位断层位界面切成二维图像，再进行标准化归一化裁剪处理。
上述步骤(2)中，分割算法包括如下步骤：
(1)构建改进的U-Net网络：在U-Net网络的编码和解码过程中只执行四个下采样和上采样操作，每次下采样之前，只执行一个卷积操作，并保留编码和解码之间的Crop操作，即Crop在编码和解码之间保留；
(2)将改进的U-Net网络作为基本块，堆叠多次形成堆叠分割网络；
(3)在堆叠网络内建立桥梁：长跳连接和向上连接；其中，长跳连接连接所有基本块，一端是原始输入图像，另一端是每一个基本块的输入层；向上连接是指每个基本块的向下采样期间，每个图层会在池化之前连接到上一个基本块的同一级别要素，这样可以融合以前的功能。我们选择融合上一个基本块的特征，而不是这个基本块之前的几个基本块或所有基本块。这样在下采样过程中，该层不仅从上层对信息进行编码，而且还利用了上一个基本块中相同级别的特征。它们可以在前进训练中为后端网络提供丰富的信息，并根据搜索的梯度下降方向，最大限度地减少反向传播过程中的消失梯度问题。
其中，向上连接是在编码和解码部分之间提供了一条新的路径，以方便网络学习多级特征，这样可以帮助解码层提取更多的低级要素，从而有助于恢复在编码过程中丢失的信息。另一方面，向上连接改善了后向传播过程的梯度流，为前面层的学习提供了额外的帮助，从而缓解了深度网络训练的难度。
进一步地，在U-Net网络的编码/解码过程只中执行四个下采样/上采样操作。每次下采样之前，只执行一个卷积操作。Crop在编码和解码之间保留，这样可以保持U-Net的多尺度特征融合。以这种方式设计基本块的目的是简化其网络结构并进一步减少参数。
将上述改进的U-Net网络作为基本块，堆叠多次形成堆叠分割网络。随着堆叠级别的增加，特征的渐变将消失或信息丢失。为了解决这个棘手的问题，在堆叠网络内建立两种桥梁：长跳连接和向上连接。它们可以在前进训练中为后端网络提供丰富的信息，将梯度消失的风险降至最低。
长跳连接连接了所有基本块的输入层，即堆叠网络中每一个基本款的输入层都拥有一条长跳连接，该连接的一端是原始输入图像，另一端是该基本块的输入层，长跳连接通过向每个基本块提供原始图像信息来优化基本块的功能。每个基本模块用于增强前一个模块的输出功能，所以除了第一个基本块外，每个基本块的输入是原始输入图像和上一个模块输出结果的合并信息；
在每个基本块的向下采样期间，每个图层不仅从上层对信息进行编码，而且还连接到上一个基本块的同一级别要素，利用了上一个基本块中相同级别的特征。它们可以在前进训练中为后端网络提供丰富的信息，最大限度地减少反向传播过程中的消失梯度问题。
向上连接是在编码和解码部分之间提供了一条新的路径，以方便网络学习多级特征，这样可以帮助解码层提取更多的低级要素，从而有助于恢复在编码过程中丢失的信息。另一方面，向上连接改善了后向传播过程的梯度流，为前面层的学习提供了额外的帮助，从而缓解了深度网络训练的难度。
上述步骤(3)中，将分割后图像的像素大小均调整为224×224，按照8∶2的比例分成训练集和测试集，将训练集图像输入到ResNet50-II卷积神经网络进行训练；
其中，构建ResNet50-II卷积神经网络包括：
将ResNet50网络中stagel中的7×7的卷积层替换为多尺寸卷积核模块；多尺寸卷积核模块对于给定输入特征图分别经1×1卷积、1×1卷积和3×3卷积、1×1卷积和5×5卷积以及1×1卷积和3×3最大值池化处理，处理后的图像再经Add函数合并输出特征；
将ResNet50网络中的单一池化层改为双通道池化结构。双通道池化结构对于给定输入特征图同时分别经过3×3最大值池化和3×3平均池化处理，再通过Add函数将处理结果合并输出。
本发明还提供了一种基于卷积神经网络的图像处理系统，包括：
预处理模块，用于对数据集中的MRI三维图像进行预处理，获取二维图像；
分割模块，用于对预处理后的二维图像进行分割，分割后得到感兴趣区域的图像；
ResNet50-II卷积神经网络模块，用于将分割后的含有感兴趣区域的图像分成训练集和测试集，将训练集中的图像输入到ResNet50-II卷积神经网络进行训练；训练完成后，将测试集的图像输入ResNet50-II神经网络进行分类，并输出结果。
有益效果：
(1)本发明提供了一种MRI三维图像先进行分割，再进行分类的方法，将经过堆叠网络算法分割后的脑部肿瘤图像送入ResNet50-II卷积神经网络进行分类，能够取得很好的分类结果。
(2)本发明基于卷积神经网络的图像处理方法，采用堆叠网络分割算法对数据集先进行肿瘤区域的分割，能够有效去除复杂的脑部背景信息，将肿瘤区域凸显出来，便于后续的脑部肿瘤分类。
(3)本发明基于卷积神经网络的图像处理方法，采用基于ResNet50-II的神经网络对脑肿瘤进行分类，分类准确性得到了大幅提升；其分类准确性显著优于使用ResNet50神经网络进行分类的结果，并且损失降低，更为稳定。
附图说明
图1为本发明的处理方法的流程图；
图2为U-Net堆叠网络图；
图3为多尺寸卷积核模块结构图；
图4为双通道池化结构图；
图5为ResNet50-II网络结构示意图。
具体实施方式
下面结合实施例对本发明进一步地详细描述。
一种基于卷积神经网络的图像处理系统，包括：预处理模块，分割模块以及ResNet50-II卷积神经网络模块。
预处理模块，用于对数据集中的MRI三维图像进行预处理，获取二维图像；
分割模块，用于对预处理后的二维图像进行分割，分割后得到感兴趣区域的图像；
ResNet50-II卷积神经网络模块，用于将分割后的含有感兴趣区域的图像分成训练集和测试集，将训练集中的图像输入到ResNet50-II卷积神经网络进行训练；训练完成后，将测试集的图像输入ResNet50-II神经网络进行分类，并输出结果。
本实施例中的MRI三维图像以脑部图像为例，感兴趣区域以脑肿瘤为例。
一种基于卷积神经网络的图像处理方法，其包括如下具体步骤：
(1)采用Brats2018数据集作为原始数据集，将其中的三维图像按照二分位断层位界面切成二维图像，再进行标准化归一化裁剪为224×224大小；
(2)采用改进的U-Net网络堆叠分割算法对数据集中的脑部MRI图像进行分割，分割结果为去除背景只剩肿瘤区域的图像；
其中，上述分割算法包括：
在U-Net网络的编码/解码过程只中执行四个下采样/上采样操作。每次下采样之前，只执行一个卷积操作。Crop在编码和解码之间保留，这样可以保持U-Net的多尺度特征融合。以这种方式设计基本块的目的是简化其网络结构并进一步减少参数。
将上述改进的U-Net网络作为基本块，堆叠多次形成堆叠分割网络。随着堆叠级别的增加，特征的渐变将消失或信息丢失。为了解决这个棘手的问题，在堆叠网络内建立两种桥梁：长跳连接和向上连接。它们可以在前进训练中为后端网络提供丰富的信息，将梯度消失的风险降至最低。
长跳连接连接了所有基本块的输入层，即堆叠网络中每一个基本款的输入层都拥有一条长跳连接，该连接的一端是原始输入图像，另一端是该基本块的输入层，长跳连接通过向每个基本块提供原始图像信息来优化基本块的功能。每个基本模块用于增强前一个模块的输出功能，所以除了第一个基本块外，每个基本块的输入是原始输入图像和上一个模块输出结果的合并信息；
在每个基本块的向下采样期间，每个图层不仅从上层对信息进行编码，而且还连接到上一个基本块的同一级别要素，利用了上一个基本块中相同级别的特征。它们可以在前进训练中为后端网络提供丰富的信息，最大限度地减少反向传播过程中的消失梯度问题。
向上连接是在编码和解码部分之间提供了一条新的路径，以方便网络学习多级特征，这样可以帮助解码层提取更多的低级要素，从而有助于恢复在编码过程中丢失的信息。另一方面，向上连接改善了后向传播过程的梯度流，为前面层的学习提供了额外的帮助，从而缓解了深度网络训练的难度。
(3)将分割后图像的像素大小均调整为224×224，并按照8∶2的比例分成训练集和测试集；
(4)将训练集中的图像输入到ResNet50-II神经网络进行训练；本实施例中采用批量梯度下降法对ResNet50-II神经网络进行训练，每个批量大小为32，学习率设置为0.1，采用交叉熵损失函数。
该ResNet50-II神经网络将ResNet50网络中stage1中的7×7的卷积层替换为多尺寸卷积核模块，并将把ResNet50网络中的单一池化层改为双通道池化结构；
上述多尺寸卷积核模块对于给定输入特征图分别经1×1卷积、1×1卷积和3×3卷积、1×1卷积和5×5卷积以及1×1卷积和3×3最大值池化处理，处理后的图像再经add()函数合并输出特征。该多尺寸卷积核模块在现有的Inception v1模块从网络宽度上进行改进，通过add()函数，将经过不同尺寸卷积核提取的特征图进行连接，增加了网络对尺度的适应性，提高了网络内部资源的利用率，结构如图3所示，用来代替ResNet50网络中stage1中的7×7的卷积层。由于不同尺寸的卷积核可以提取到不同大小的特征，能够考虑到每个像素周围区域的细节及其更大的背景(例如：是否靠近头骨)的特征，该多尺寸卷积核模块进入残差模块的特征更全面，有助于提高网络的分类准确性。多尺寸卷积核模块与inception v1的区别在于：四条分支路径的并联方法不使用concat()函数连接，而采用add()函数。concat函数在用于通道数的合并时只是增加了描述图像本身特征的维度，每一维度下的特征信息没有增加；而add()函数作用是没有增加描述图像本身特征的维度，但每一维特征下的信息量在增加，这显然是对最终图像的分类是有益的。
上述双通道池化结构对于给定输入特征图同时分别经过3×3最大值池化和3×3平均池化处理，再通过Add函数将处理结果合并输出特征；在ResNet50网络中，只在stage1中和stage5之后有池化层，分别是最大值池化和平均池化。池化层可以理解为对显著特征进行再一次提取，然后经过多次堆叠后得到更高级的特征，该操作在减少数据处理量的同时保留有用信息，达到了特征降维，压缩数据、减小过拟合的作用。平均池化可以减小由于邻域大小限制而导致估计方差增大带来的误差，会保存大部分的背景信息；最大值池化侧重于纹理信息，能够平衡卷积参数误差引起的估计均值的偏。因此本发明把两种池化结合，将ResNet50网络中的单一池化层改为双通道池化结构：输入特征图分两条路径同时经过最大值池化和平均池化，通过add()函数将两条路径的输出结果合并起来共同进入下一步的运算。双通道池化结构示意图如图4所示。
(5)训练完成后，将测试集的脑部MRI图像输入ResNet50-II神经网络进行分类测试，并输出结果；其中ResNet50-II神经网络采用热编码方法输出分类结果。
如图1所示为本发明的处理方法的流程图。对Brats2018中的三维脑部图像进行预处理，得到二维图像成为原始数据集；采用U-Net网络堆叠分割算法对二维图像进行分割；将分割后得到的肿瘤区域图像切割成224*224的大小，然后按照8∶2的比例分成训练集和测试集；构建ResNet50-II卷积神经网络，将训练集中的图像输入到ResNet50-II卷积神经网络进行训练；训练完成后，将测试集的图像输入ResNet50-II神经网络进行测试，得到分类准确性。
如图2所示为U-Net堆叠网络图，在U-Net网络的编码/解码过程只中执行四个下采样/上采样操作。每次下采样之前，只执行一个卷积操作。Crop在编码和解码之间保留，将上述改进的U-Net网络作为基本块，堆叠多次形成堆叠分割网络。在堆叠网络内建立两种桥梁：长跳连接和向上连接。长跳连接连接了所有基本块的输入层，该连接的一端是原始输入图像，另一端是该基本块的输入层。在每个基本块的下采样期间，每个图层不仅从上层对信息进行编码，而且还连接到上一个基本块的同一级别要素，利用了上一个基本块中相同级别的特征。向上连接是在编码和解码部分之间提供了一条新的路径，这样可以帮助解码层提取更多的低级要素，从而有助于恢复在编码过程中丢失的信息，并且可以改善后向传播过程的梯度流，缓解深度网络训练的难度。
如图3所示为多尺寸卷积核模块结构图。多尺寸卷积核模块对于给定输入特征图分别经1×1卷积、1×1卷积和3×3卷积、1×1卷积和5×5卷积以及1×1卷积和3×3最大值池化处理，处理后的图像再经add()函数合并输出特征。
如图4所示为双通道池化结构图。双通道池化结构对于给定输入特征图同时分别经过3×3最大值池化和3×3平均池化处理，再通过Add函数将处理结果合并输出特征。
如图5所示为ResNet50-II网络结构示意图。ResNet50-II神经网络是将ResNet50网络中stage1中的7×7的卷积层改进为为多尺寸卷积核模块，并将ResNet50网络中的单一池化层改进为双通道池化结构。
本实施例中基于卷积神经网络的MRI图像处理方法，测试发现ResNet50-II网络的分类准确性比ResNet50的分类准确性提高了10％～15％，且损失函数下降的更快，稳定的更快。

Claims (6)

1.一种基于卷积神经网络的图像处理方法，其特征在于该方法包括以下步骤：
(1)将数据集中的MRI三维图像进行预处理，得到二维图像；
(2)采用堆叠分割算法对预处理后的二维图像进行分割，分割后得到感兴趣区域的图像；
(3)构建ResNet50-II卷积神经网络，将分割后的含有感兴趣区域的图像分成训练集和测试集，将训练集中的图像输入到ResNet50-II卷积神经网络进行训练；
(4)训练完成后，将测试集的图像输入ResNet50-II神经网络进行分类。
2.根据权利要求1所述的基于卷积神经网络的图像处理方法，其特征在于：步骤(1)中，预处理包括：将MRI三维图像按照二分位断层位界面切成二维图像，再进行标准化归一化裁剪处理。
3.根据权利要求1所述的基于卷积神经网络的图像处理方法，其特征在于：步骤(2)中，分割算法包括如下步骤：
(1)构建改进的U-Net网络：在U-Net网络的编码和解码的过程中只执行四个下采样和四个上采样操作，每次下采样之前，只执行一个卷积操作，并保留编码和解码之间的Crop操作；
(2)将改进的U-Net网络作为基本块，堆叠多次形成堆叠分割网络；
(3)在堆叠网络内建立桥梁：长跳连接和向上连接；
其中，长跳连接连接所有基本块，一端是原始输入图像，另一端是每一个基本块的输入层；每个基本块的向下采样期间，每个图层在池化之前连接到上一个基本块的同一级别要素。
4.根据权利要求1所述的基于卷积神经网络的图像处理方法，其特征在于：步骤(3)中，构建ResNet50-II卷积神经网络包括：
将ResNet50网络中stagel中的7×7的卷积层替换为多尺寸卷积核模块；多尺寸卷积核模块对于给定输入特征图分别经1×1卷积、1×1卷积和3×3卷积、1×1卷积和5×5卷积以及1×1卷积和3×3最大值池化处理，处理后的图像再经Add函数合并输出特征；
将ResNet50网络中的单一池化层改为双通道池化结构。双通道池化结构对于给定输入特征图同时分别经过3×3最大值池化和3×3平均池化处理，再通过Add函数将处理结果合并输出。
5.根据权利要求1所述的基于卷积神经网络的图像处理方法，其特征在于：步骤(3)中，将分割后图像的像素大小均调整为224×224，按照8∶2的比例分成训练集和测试集。
6.一种基于卷积神经网络的图像处理系统，其特征在于包括：
预处理模块，用于对数据集中的MRI三维图像进行预处理，获取二维图像；
分割模块，用于对预处理后的二维图像进行分割，分割后得到感兴趣区域的图像；
ResNet50-II卷积神经网络模块，用于将分割后的含有感兴趣区域的图像分成训练集和测试集，将训练集中的图像输入到ResNet50-II卷积神经网络进行训练；训练完成后，将测试集的图像输入ResNet50-II神经网络进行分类，并输出结果。
CN202110114973.8A 2021-01-27 2021-01-27 一种基于卷积神经网络的图像处理方法和系统 Active CN112862837B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110114973.8A CN112862837B (zh) 2021-01-27 2021-01-27 一种基于卷积神经网络的图像处理方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110114973.8A CN112862837B (zh) 2021-01-27 2021-01-27 一种基于卷积神经网络的图像处理方法和系统

Publications (2)

Publication Number Publication Date
CN112862837A true CN112862837A (zh) 2021-05-28
CN112862837B CN112862837B (zh) 2023-06-23

Family

ID=75986259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110114973.8A Active CN112862837B (zh) 2021-01-27 2021-01-27 一种基于卷积神经网络的图像处理方法和系统

Country Status (1)

Country Link
CN (1) CN112862837B (zh)

Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108022647A (zh) * 2017-11-30 2018-05-11 东北大学 基于ResNet-Inception模型的肺结节良恶性预测方法
US20180225822A1 (en) * 2017-02-08 2018-08-09 Siemens Healthcare Gmbh Hierarchical Learning of Weights of a Neural Network for Performing Multiple Analyses
WO2018160512A1 (en) * 2017-02-28 2018-09-07 Board Of Trustees Of Michigan State University Method and system for determining brain-state dependent functional areas of unitary pooled activity and associated dynamic networks with functional magnetic resonance imaging
US20190244357A1 (en) * 2018-02-07 2019-08-08 International Business Machines Corporation System for Segmentation of Anatomical Structures in Cardiac CTA Using Fully Convolutional Neural Networks
CN110120033A (zh) * 2019-04-12 2019-08-13 天津大学 基于改进的U-Net神经网络三维脑肿瘤图像分割方法
CN110334589A (zh) * 2019-05-23 2019-10-15 中国地质大学（武汉） 一种基于空洞卷积的高时序3d神经网络的动作识别方法
CN110598586A (zh) * 2019-08-27 2019-12-20 电子科技大学 一种目标检测方法及系统
CN110880010A (zh) * 2019-07-05 2020-03-13 电子科技大学 基于卷积神经网络的视觉slam闭环检测算法
CN111080605A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车人力制动机轴链脱落故障图像识别方法
US20200151019A1 (en) * 2019-03-14 2020-05-14 Rednova Innovations,Inc. OPU-based CNN acceleration method and system
CN111275721A (zh) * 2020-02-14 2020-06-12 北京推想科技有限公司 一种图像分割方法、装置、电子设备及存储介质
CN111275165A (zh) * 2020-01-16 2020-06-12 南京邮电大学 一种基于改进卷积神经网络的网络入侵检测方法
CN111382616A (zh) * 2018-12-28 2020-07-07 广州市百果园信息技术有限公司 视频分类方法、装置及存储介质、计算机设备
CN111428689A (zh) * 2020-04-20 2020-07-17 重庆邮电大学 一种多池化信息融合的人脸图像特征提取方法
CN111539491A (zh) * 2020-07-07 2020-08-14 点内（上海）生物科技有限公司 基于深度学习与注意力机制的多发性结节分类系统和方法
WO2020163970A1 (en) * 2019-02-15 2020-08-20 Surgical Safety Technologies Inc. System and method for adverse event detection or severity estimation from surgical data
CN111738954A (zh) * 2020-06-24 2020-10-02 北京航空航天大学 一种基于双层空洞U-Net模型的单帧湍流退化图像去畸变方法
CN111812732A (zh) * 2020-06-29 2020-10-23 中铁二院工程集团有限责任公司 一种基于卷积神经网络的大地电磁非线性反演方法
CN111862009A (zh) * 2020-07-02 2020-10-30 清华大学深圳国际研究生院 一种眼底oct图像的分类方法及计算机可读存储介质
WO2020239061A1 (zh) * 2019-05-31 2020-12-03 腾讯科技（深圳）有限公司 基于文本的事件检测方法、装置、计算机设备及存储介质
CN112100429A (zh) * 2020-09-27 2020-12-18 安徽大学 一种足迹压力图像检索方法
CN112101326A (zh) * 2020-11-18 2020-12-18 北京健康有益科技有限公司 一种多人姿态识别方法和装置
CN112232087A (zh) * 2020-10-20 2021-01-15 中国民航大学 一种基于Transformer的多粒度注意力模型的特定方面情感分析方法

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180225822A1 (en) * 2017-02-08 2018-08-09 Siemens Healthcare Gmbh Hierarchical Learning of Weights of a Neural Network for Performing Multiple Analyses
WO2018160512A1 (en) * 2017-02-28 2018-09-07 Board Of Trustees Of Michigan State University Method and system for determining brain-state dependent functional areas of unitary pooled activity and associated dynamic networks with functional magnetic resonance imaging
CN108022647A (zh) * 2017-11-30 2018-05-11 东北大学 基于ResNet-Inception模型的肺结节良恶性预测方法
US20190244357A1 (en) * 2018-02-07 2019-08-08 International Business Machines Corporation System for Segmentation of Anatomical Structures in Cardiac CTA Using Fully Convolutional Neural Networks
CN111382616A (zh) * 2018-12-28 2020-07-07 广州市百果园信息技术有限公司 视频分类方法、装置及存储介质、计算机设备
WO2020163970A1 (en) * 2019-02-15 2020-08-20 Surgical Safety Technologies Inc. System and method for adverse event detection or severity estimation from surgical data
US20200151019A1 (en) * 2019-03-14 2020-05-14 Rednova Innovations,Inc. OPU-based CNN acceleration method and system
CN110120033A (zh) * 2019-04-12 2019-08-13 天津大学 基于改进的U-Net神经网络三维脑肿瘤图像分割方法
CN110334589A (zh) * 2019-05-23 2019-10-15 中国地质大学（武汉） 一种基于空洞卷积的高时序3d神经网络的动作识别方法
WO2020239061A1 (zh) * 2019-05-31 2020-12-03 腾讯科技（深圳）有限公司 基于文本的事件检测方法、装置、计算机设备及存储介质
CN110880010A (zh) * 2019-07-05 2020-03-13 电子科技大学 基于卷积神经网络的视觉slam闭环检测算法
CN110598586A (zh) * 2019-08-27 2019-12-20 电子科技大学 一种目标检测方法及系统
CN111080605A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车人力制动机轴链脱落故障图像识别方法
CN111275165A (zh) * 2020-01-16 2020-06-12 南京邮电大学 一种基于改进卷积神经网络的网络入侵检测方法
CN111275721A (zh) * 2020-02-14 2020-06-12 北京推想科技有限公司 一种图像分割方法、装置、电子设备及存储介质
CN111428689A (zh) * 2020-04-20 2020-07-17 重庆邮电大学 一种多池化信息融合的人脸图像特征提取方法
CN111738954A (zh) * 2020-06-24 2020-10-02 北京航空航天大学 一种基于双层空洞U-Net模型的单帧湍流退化图像去畸变方法
CN111812732A (zh) * 2020-06-29 2020-10-23 中铁二院工程集团有限责任公司 一种基于卷积神经网络的大地电磁非线性反演方法
CN111862009A (zh) * 2020-07-02 2020-10-30 清华大学深圳国际研究生院 一种眼底oct图像的分类方法及计算机可读存储介质
CN111539491A (zh) * 2020-07-07 2020-08-14 点内（上海）生物科技有限公司 基于深度学习与注意力机制的多发性结节分类系统和方法
CN112100429A (zh) * 2020-09-27 2020-12-18 安徽大学 一种足迹压力图像检索方法
CN112232087A (zh) * 2020-10-20 2021-01-15 中国民航大学 一种基于Transformer的多粒度注意力模型的特定方面情感分析方法
CN112101326A (zh) * 2020-11-18 2020-12-18 北京健康有益科技有限公司 一种多人姿态识别方法和装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
SENGUPTA A等: ""Going deeper in spiking neural networks:VGG and residual architectures"", 《FRONTIERS IN NEUROSCIENCE》, no. 13, pages 1 - 13 *
YAPING ZHU等: """Accurate segmentation of bladder wall and tumor regions in MRI using stacked dilated U-Net with focal loss", 《PARALLEL PROCESSING OF IMAGES AND OPTIMIZATION TECHNIQUES; AND MEDICAL IMAGING.》, pages 1 - 10 *
李元祥等: ""结合RGB-D视频和卷积神经网络的行为识别算法"", 《计算机与数字工程》, vol. 48, no. 12, pages 3052 - 3058 *
王慧等: ""基于心脏电影磁共振图像的左心肌分割新进展"", 《中国生物医学工程学报》, vol. 39, no. 2, pages 238 - 246 *
谢雪娇等: ""基于多尺度卷积神经网络的胶囊内窥镜出血点快速识别"", 《计算机工程与科学》, vol. 42, no. 10, pages 1827 - 1832 *

Also Published As

Publication number Publication date
CN112862837B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN112150428B (zh) 一种基于深度学习的医学图像分割方法
CN109410219B (zh) 一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质
CN111369565B (zh) 一种基于图卷积网络的数字病理图像的分割与分类方法
CN109829918B (zh) 一种基于密集特征金字塔网络的肝脏图像分割方法
CN111798462A (zh) 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法
CN111429473B (zh) 基于多尺度特征融合的胸片肺野分割模型建立及分割方法
CN111429474B (zh) 基于混合卷积的乳腺dce-mri图像病灶分割模型建立及分割方法
CN112862830B (zh) 一种多模态图像分割方法、系统、终端及可读存储介质
CN112767417B (zh) 一种基于级联U-Net网络的多模态图像分割方法
CN111739051B (zh) 一种基于残差网络的多序列mri图像分割方法
CN115457021A (zh) 基于联合注意卷积神经网络的皮肤病图像分割方法及系统
CN113393469A (zh) 基于循环残差卷积神经网络的医学图像分割方法和装置
CN114565761A (zh) 一种基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法
CN111080657A (zh) 基于卷积神经网络多维度融合的ct图像器官分割方法
CN114494296A (zh) 一种基于Unet和Transformer相融合的脑部胶质瘤分割方法与系统
CN113052856A (zh) 一种基于多尺度特征多路注意力融合机制的海马体三维语义网络分割方法
CN114723669A (zh) 一种基于上下文信息感知的肝脏肿瘤二点五维深度学习分割算法
CN112950644A (zh) 基于深度学习的新生儿大脑图像分割方法及模型构建方法
CN112465754A (zh) 基于分层感知融合的3d医疗图像分割方法、装置及存储介质
CN116452618A (zh) 一种三输入脊柱ct图像分割方法
CN115809998A (zh) 基于E2C-Transformer网络的胶质瘤MRI数据分割方法
CN114119515A (zh) 一种基于注意力机制和mri多模态融合的脑肿瘤检测方法
CN116433654A (zh) 一种改进的U-Net网络实现脊柱整体分割方法
CN112862837B (zh) 一种基于卷积神经网络的图像处理方法和系统
CN114882282A (zh) 基于mri和ct图像的结直肠癌治疗效果的神经网络预测方法

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