CN112907581A - 一种基于深度学习的mri多类脊髓肿瘤分割方法 - Google Patents
一种基于深度学习的mri多类脊髓肿瘤分割方法 Download PDFInfo
- Publication number
- CN112907581A CN112907581A CN202110327173.4A CN202110327173A CN112907581A CN 112907581 A CN112907581 A CN 112907581A CN 202110327173 A CN202110327173 A CN 202110327173A CN 112907581 A CN112907581 A CN 112907581A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- spinal cord
- class
- mri
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 206010062261 spinal cord neoplasm Diseases 0.000 title claims abstract description 14
- 238000002595 magnetic resonance imaging Methods 0.000 title abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 25
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 24
- 238000010276 construction Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims abstract description 10
- 208000037959 spinal tumor Diseases 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 4
- 210000000278 spinal cord Anatomy 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 10
- 206010030113 Oedema Diseases 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 210000003484 anatomy Anatomy 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 230000004807 localization Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000003709 image segmentation Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 description 2
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 206010061309 Neoplasm progression Diseases 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 201000007455 central nervous system cancer Diseases 0.000 description 1
- 208000025997 central nervous system neoplasm Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000011155 quantitative monitoring Methods 0.000 description 1
- 230000005751 tumor progression Effects 0.000 description 1
- 230000000007 visual effect 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
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20—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]
-
- 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
- G06T2207/30008—Bone
- G06T2207/30012—Spine; Backbone
-
- 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
Abstract
本发明属于图像分割技术领域，具体涉及一种基于深度学习的MRI多类脊髓肿瘤分割方法，包括如下步骤：数据采集、数据预处理、模型构建、模型验证、模型保存，所述数据采集通过采集脊髓肿瘤MRI图像，并对其标注，同时将标注图像中的病灶区域进行手动标注，完成模型训练所需数据集的构建；所述数据预处理包括图像处理、归一化及数据分割方式；所述模型构建基于3D U‑Net网络搭建定位和肿瘤分割模型，输入训练数据，完成参数模型的搭建；所述模型验证通过Dice评价指标对模型的分割效果进行综合评估；所述模型保存当模型的损失函数不再降低之后，保存模型。该模型具有极高的准确率和性能，可以集中于持续学习工具的实施，解决缺失模式的技术。
Description
技术领域
本发明涉及图像分割技术领域，具体涉及一种基于深度学习的MRI多类脊髓肿瘤分割方法。
背景技术
髓内脊髓肿瘤占所有中枢神经系统肿瘤2-5％，这种相对较低的患病率增加了理解这种恶性病理的难度，更好地了解这种疾病的第一步是改进肿瘤的特征，分割向医疗保健专家通报肿瘤的位置、大小和生长速度，从而对肿瘤进展进行定量监测，此外，与肿瘤相关的水肿和空洞即鸣管的特征具有临床相关性，对于临床医生来说，手工标记是单调乏味的，而且容易出现评分者内部和之间的差异。
存在问题或缺陷的原因：目前，全自动分割模型可以用于辅助临床医生进行诊断，尽管自动分割脑肿瘤的方法很多，但目前还没有自动分割脊髓髓内肿瘤IMSCT的模型。
发明内容
本发明的目的在于提供一种基于深度学习的MRI多类脊髓肿瘤分割方法，解决了自动图像分割技术模型应用较少的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于深度学习的MRI多类脊髓肿瘤分割方法，包括下列步骤：
S100、数据采集：采集脊髓肿瘤MRI图像，并对其进行标注，同时将标注图像中的病灶区域进行手动标注，完成模型训练所需数据集的构建；
S200、数据预处理：包括图像处理、归一化及数据分割方式；
S300、模型构建：基于3D U-Net网络搭建定位和肿瘤分割模型，输入训练数据，完成参数模型的搭建；
S400、模型验证：通过Dice评价指标对模型的分割效果进行综合评估；
S500、模型保存：当模型的损失函数不再降低之后，保存模型。
进一步的，所述S100数据采集中，对获得的MRI图像均进行T2和和T1加权成像，并对获得图像进行类别标注，同时对MRI图像中的肿瘤，水肿和空腔进行手动分割，获得标准数据集用于完成模型的训练。
进一步的，所述S100数据采集中，使用SCT工具为数据集生成一个识别脊髓的mask，图像的脊髓中心线通过人工进行识别，从中心线自动生成一个直径为30mm的mask，根据平均脊髓直径来选择，并加上一个额外的缓冲区，完成数据标注。
进一步的，所述S200数据预处理中，将MRI图像分辨率设置为1mm上下、1mm前后、2mm左右，重新采样的图像以体素方式裁剪，尺寸为512x256x32，尺寸与成人脊髓解剖结构一致，并允许左右方向轻微成角，同时在一个或多个轴的视场较小的情况下，图像为零填充而不是裁剪，每次扫描的强度通过减去平均强度除以标准偏差进行归一化，公式如下：
其中μ为平均强度，σ为标准偏差。
进一步的，所述S200数据预处理中，将数据集按照6：2：2的比例分为训练集、验证集与测试集。
进一步的，所述S300模型构建中，利用改进的3D U-Net架构用于脊髓定位和肿瘤分割，该模型框架为由两个步骤组成的级联结构，第一步目标是定位脊髓和用3D边框裁剪脊髓mask周围的图像，通过裁剪获得更小的图像加快训练和推理，同时缓解类的不平衡，将获得裁剪图像作为输入用于第二步的管道肿瘤分割任务，利用dropout比较有效缓解过拟合；利用instance normalization对一个批次中单个图片进行归一化，用于提高模型分类性能；利用leaky ReLU激活函数给所有负值赋予一个非零斜率，增加模型中的线性相关性；使用Sigmoid作为模型的最终激活。
进一步的，所述S300模型构建中，将训练集的数据应用于模型的预测，设置阈值为0.5，进行二值化，去除小于0.2cm的肿瘤预测，以及小于0.5cm的水肿和空腔预测，以限制假阳性和噪声。
进一步的，所述S400模型验证中，使用模型对测试集数据进行测试，通过Dice评价指标对模型的分割效果进行综合验证，公式如下：
其中TP即TruePositive预测答案正确，FP即False Positive错将其他类预测为本类，FN即FalseNegative本类标签预测为其他类标。
进一步的，所述S500模型保存中，使用验证集数据训练模型，查看模型损失函数是否继续下降，若继续下降，则表明模型未达到最佳，将模型继续训练，若不再下降，则保存模型。
本发明的技术效果如下：本发明提出一个基于两级U-Net网级联结构的脊髓髓内肿瘤IMSCT多类自动分割模型，级联结构的选择具有更快的训练和推断时间，用于解决模糊的边界和类别严重不平衡的问题，同时该模型具有极高的准确率和性能，可以集中于持续学习工具的实施，解决缺失模式的技术。
附图说明
图1为本发明的主要步骤流程图。
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，所描述的实施例仅仅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。
实施例
如图1所示，一种基于深度学习的MRI多类脊髓肿瘤分割方法，如图1所示，包括下列步骤：
S100、数据采集：采集髓肿瘤MRI图像的原始数据，并对其进行数据标注，同时将标注图像中的病灶区域进行手动标注，完成模型训练所需数据集的构建；
S200、数据预处理：包括图像处理、归一化及数据分割方式；
S300、模型构建：基于3D U-Net网络搭建定位和肿瘤分割模型，进行数据分割，输入训练数据，完成参数模型的搭建；
S400、模型验证：通过Dice评价指标对模型的分割效果进行综合评估；
S500、模型保存：当模型的损失函数不再降低之后，保存模型。
步骤S100数据采集中，对获得的MRI图像均进行T2和和T1加权成像，并对获得图像进行类别标注，同时对MRI图像中的肿瘤，水肿和空腔进行手动分割，获得标准数据集用于完成模型的训练。
步骤S100数据采集中，使用SCT工具为数据集生成一个识别脊髓的mask，图像的脊髓中心线通过人工进行识别，从中心线自动生成一个直径为30mm的mask，根据平均脊髓直径来选择，并加上一个额外的缓冲区，以确保在左右轴和前后轴上完全覆盖脊髓，完成数据标注。
步骤S200数据预处理中，由于MRI图像是非标准化的，病灶形状不规则，导致模型的特征提取能力有限，为了提高模型的特征提取能力，将MRI图像分辨率设置为1mm上下、1mm前后、2mm左右，重新采样的图像以体素方式裁剪，尺寸为512x256x32，相当于视场中心的一个51.2cmx25.6cmx6.4cm的边框，尺寸与成人脊髓解剖结构一致，并允许左右方向轻微成角，同时在一个或多个轴的视场较小的情况下，图像为零填充而不是裁剪，每次扫描的强度通过减去平均强度除以标准偏差进行归一化，公式如下：
其中μ为平均强度，σ为标准偏差。
步骤S200数据预处理中，将数据集按照6：2：2的比例分为训练集、验证集与测试集，训练集用于模型的训练，验证集用于检测模型损失是否继续下降，测试集用于测试模型效果。
步骤S300模型构建中，利用改进的3DU-Net架构用于脊髓定位和肿瘤分割，该模型框架为由两个步骤组成的级联结构，第一步目标是定位脊髓和用3D边框裁剪脊髓mask周围的图像，通过裁剪获得更小的图像加快训练和推理，同时缓解类的不平衡，将获得裁剪图像作为输入用于第二步的管道肿瘤分割任务，改进3DU-Net与原始的3DU-Net的区别是利用深度监督使浅层能够得到更加充分的训练，避免梯度消失，利用dropout比较有效缓解过拟合，在一定程度上达到正则化的效果；利用instance normalization对一个批次中单个图片进行归一化，用于提高模型分类性能；利用leaky ReLU激活函数给所有负值赋予一个非零斜率，增加模型中的线性相关性；使用Sigmoid作为模型的最终激活。
步骤S300模型构建中，将训练集的数据应用于模型的预测，设置阈值为0.5，进行二值化，去除小于0.2cm的肿瘤预测，以及小于0.5cm的水肿和空腔预测，以限制假阳性和噪声。
步骤S400模型验证中，使用模型对测试集数据进行测试，通过Dice评价指标对模型的分割效果进行综合验证，公式如下：
其中TP即True Positive预测答案正确，FP即False Positive错将其他类预测为本类，FN即False Negative本类标签预测为其他类标。
步骤S500模型保存中，使用验证集数据训练模型，查看模型损失函数是否继续下降，若继续下降，则表明模型未达到最佳，将模型继续训练，若不再下降，则保存模型。
本发明提出一个基于两级U-Net网级联结构的IMSCT多类自动分割模型，级联结构的选择具有更快的训练和推断时间，用于解决模糊的边界和类别严重不平衡的问题，同时该模型具有极高的准确率和性能，可以集中于持续学习工具的实施，解决缺失模式的技术。解决了由于肿瘤大小、强度、位置的异质性，以及图像在分辨率、尺寸和视野上的差异造成分割任务难的问题。
上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于深度学习的MRI多类脊髓肿瘤分割方法，其特征在于，包括下列步骤：
S100、数据采集：采集脊髓肿瘤MRI图像，并对其进行标注，同时将标注图像中的病灶区域进行手动标注，完成模型训练所需数据集的构建；
S200、数据预处理：包括图像处理、归一化及数据分割方式；
S300、模型构建：基于3D U-Net网络搭建定位和肿瘤分割模型，输入训练数据，完成参数模型的搭建；
S400、模型验证：通过Dice评价指标对模型的分割效果进行综合评估；
S500、模型保存：当模型的损失函数不再降低之后，保存模型。
2.根据权利要求1所述的一种基于深度学习的MRI多类脊髓肿瘤分割方法，其特征在于，所述S100数据采集中，对获得的MRI图像均进行T2和和T1加权成像，并对获得图像进行类别标注，同时对MRI图像中的肿瘤，水肿和空腔进行手动分割，获得标准数据集用于完成模型的训练。
3.根据权利要求1所述的一种基于深度学习的MRI多类脊髓肿瘤分割方法，其特征在于，所述S100数据采集中，使用SCT工具为数据集生成一个识别脊髓的mask，图像的脊髓中心线通过人工进行识别，从中心线自动生成一个直径为30mm的mask，根据平均脊髓直径来选择，并加上一个额外的缓冲区，完成数据标注。
4.根据权利要求1所述的一种基于深度学习的MRI多类脊髓肿瘤分割方法，其特征在于，所述S200数据预处理中，将MRI图像分辨率设置为1mm上下、1mm前后、2mm左右，重新采样的图像以体素方式裁剪，尺寸为512x256x32，尺寸与成人脊髓解剖结构一致，并允许左右方向轻微成角，同时在一个或多个轴的视场情况下，图像为零填充，每次扫描的强度通过减去平均强度后除以标准偏差进行归一化，公式如下：
其中μ为平均强度，σ为标准偏差。
5.根据权利要求1所述的一种基于深度学习的MRI多类脊髓肿瘤分割方法，其特征在于，所述S200数据预处理中，将数据集按照6：2：2的比例分为训练集、验证集与测试集。
6.根据权利要求1所述的一种基于深度学习的MRI多类脊髓肿瘤分割方法，其特征在于，所述S300模型构建中，利用3D U-Net架构用于脊髓定位和肿瘤分割，该模型架构为由两个步骤组成的级联结构；
第一步的目标是定位脊髓和用3D边框裁剪脊髓mask周围的图像，通过裁剪获得更小的图像来加快训练和推理，同时缓解类的不平衡，将获得的裁剪图像作为输入用于第二步的管道肿瘤分割任务，利用dropout比较有效缓解过拟合；利用instance normalization对一个批次中单个图片进行归一化，用于提高模型分类性能；利用leaky ReLU激活函数给所有负值赋予一个非零斜率，增加模型中的线性相关性；使用Sigmoid作为模型的最终激活。
7.根据权利要求1所述的一种基于深度学习的MRI多类脊髓肿瘤分割方法，其特征在于，所述S300模型构建中，将训练集的数据应用于模型的预测，设置阈值为0.5，进行二值化，去除小于0.2cm的肿瘤预测，以及小于0.5cm的水肿和空腔预测，以限制假阳性和噪声。
8.根据权利要求1所述的一种基于深度学习的MRI多类脊髓肿瘤分割方法，其特征在于，所述S400模型验证中，使用模型对测试集数据进行测试，通过Dice评价指标对模型的分割效果进行综合验证，公式如下：
其中TP即True Positive预测答案正确，FP即False Positive错将其他类预测为本类，FN即False Negative本类标签预测为其他类标。
9.根据权利要求1所述的一种基于深度学习的MRI多类脊髓肿瘤分割方法，其特征在于，所述S500模型保存中，使用验证集数据训练模型，查看模型损失函数是否继续下降，若继续下降，则表明模型未达到最佳，将模型继续训练，若不再下降，则保存模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110327173.4A CN112907581A (zh) | 2021-03-26 | 2021-03-26 | 一种基于深度学习的mri多类脊髓肿瘤分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110327173.4A CN112907581A (zh) | 2021-03-26 | 2021-03-26 | 一种基于深度学习的mri多类脊髓肿瘤分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112907581A true CN112907581A (zh) | 2021-06-04 |
Family
ID=76108861
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110327173.4A Pending CN112907581A (zh) | 2021-03-26 | 2021-03-26 | 一种基于深度学习的mri多类脊髓肿瘤分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112907581A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115393847A (zh) * | 2022-10-31 | 2022-11-25 | 北京大学第三医院（北京大学第三临床医学院） | 一种基质细胞功能状况的识别分析方法及装置 |
| WO2023142615A1 (zh) * | 2022-01-25 | 2023-08-03 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、设备、可读存储介质及程序产品 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110689543A (zh) * | 2019-09-19 | 2020-01-14 | 天津大学 | 基于注意机制的改进卷积神经网络脑肿瘤图像分割方法 |
| CN110796672A (zh) * | 2019-11-04 | 2020-02-14 | 哈尔滨理工大学 | 基于层次卷积神经网络的乳腺癌mri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 |
-
2021
- 2021-03-26 CN CN202110327173.4A patent/CN112907581A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110689543A (zh) * | 2019-09-19 | 2020-01-14 | 天津大学 | 基于注意机制的改进卷积神经网络脑肿瘤图像分割方法 |
| CN110796672A (zh) * | 2019-11-04 | 2020-02-14 | 哈尔滨理工大学 | 基于层次卷积神经网络的乳腺癌mri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 |
Non-Patent Citations (1)
| Title |
|---|
| ANDREANNE LEMAY等: "Multiclass Spinal Cord Tumor Segmentation on MRI with Deep Learning", 《ARXIV:IMAGE AND VEDIO PROCESSING》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023142615A1 (zh) * | 2022-01-25 | 2023-08-03 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、设备、可读存储介质及程序产品 |
| CN115393847A (zh) * | 2022-10-31 | 2022-11-25 | 北京大学第三医院（北京大学第三临床医学院） | 一种基质细胞功能状况的识别分析方法及装置 |
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 | |
| Choi et al. | Genetic programming-based feature transform and classification for the automatic detection of pulmonary nodules on computed tomography images | |
| CN107563434B (zh) | 一种基于三维卷积神经网络的脑部mri图像分类方法、装置 | |
| CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
| CN111028224A (zh) | 数据标注、模型训练和图像处理方法、装置及存储介质 | |
| CN112365464B (zh) | 一种基于gan的医学图像病变区域弱监督定位方法 | |
| CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
| CN105809175B (zh) | 一种基于支持向量机算法的脑水肿分割方法及系统 | |
| CN111798425B (zh) | 基于深度学习的胃肠道间质瘤中核分裂象智能检测方法 | |
| CN112150442A (zh) | 基于深度卷积神经网络及多实例学习的新冠诊断系统 | |
| CN108846838B (zh) | 一种三维mri半自动病灶图像分割方法及系统 | |
| US11222425B2 (en) | Organs at risk auto-contouring system and methods | |
| Ribeiro et al. | Handling inter-annotator agreement for automated skin lesion segmentation | |
| CN112907581A (zh) | 一种基于深度学习的mri多类脊髓肿瘤分割方法 | |
| CN112132808A (zh) | 基于常态模型学习的乳腺x线图像病变检测方法和装置 | |
| WO2018176319A1 (zh) | 超声图像的分析方法及装置 | |
| US20230005140A1 (en) | Automated detection of tumors based on image processing | |
| CN114092450A (zh) | 一种基于胃镜检查视频的实时图像分割方法、系统、装置 | |
| Kumar et al. | Brain magnetic resonance image tumor detection and segmentation using edgeless active contour | |
| CN115210755A (zh) | 解决训练数据中遗漏注释的类别不同损失函数 | |
| CN112508860A (zh) | 一种免疫组化图像核阳性的人工智能判读方法及系统 | |
| Delmoral et al. | Segmentation of pathological liver tissue with dilated fully convolutional networks: A preliminary study | |
| RU2668699C1 (ru) | Интеллектуальный способ диагностики и обнаружения новообразований в легких | |
| CN114648509B (zh) | 一种基于多分类任务的甲状腺癌检出系统 | |
| CN115861716A (zh) | 基于孪生神经网络和影像组学的胶质瘤分类方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210604 |