CN112927235B - 基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法 - Google Patents
基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法 Download PDFInfo
- Publication number
- CN112927235B CN112927235B CN202110218070.4A CN202110218070A CN112927235B CN 112927235 B CN112927235 B CN 112927235B CN 202110218070 A CN202110218070 A CN 202110218070A CN 112927235 B CN112927235 B CN 112927235B
- Authority
- CN
- China
- Prior art keywords
- superpixel
- brain tumor
- kernel
- segmentation
- image
- 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
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
-
- 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
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提出了一种基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法,输入多模态脑肿瘤核磁共振测试图像,获取各类别样本的训练数据集与相应的标签;对多模态脑肿瘤核磁共振测试图像进行预处理,并进行多模态融合;对T1‑c模态图像采用熵率分割方法进行多尺度超像素分割,获得多模态脑肿瘤融合数据的超像素分割;基于多尺度超像素构建超像素核;对核特征空间进行低秩表示建模,并基于所构建的超像素核利用交替方向乘子法求解模型,获得测试图像的表示系数矩阵;基于表示系数矩阵,计算各测试样本属于各个类别的残差,确定各测试样本的类别标签。本发明在脑肿瘤区域的分割精度上优于现有的一些分割方法。
Description
技术领域
本发明涉及医学图像处理领域,具体涉及一种基于多尺度超像素与核低秩表示的多模态脑肿瘤核磁共振图像分割方法。
背景技术
从脑肿瘤患者的核磁共振图像中自动检测并分割出病变区域,可以为脑肿瘤的诊断与治疗提供重要的参考价值与有力保障。然而,大脑与其它人体器官相比,软组织数量更多,结构也更复杂,呈现出个体多样性;另一方面,核磁共振成像会受到磁场不均匀、局部体积效应、随机噪声等外界因素的干扰。因此,脑肿瘤核磁共振图像分割是一项复杂且具有挑战性的工作,相应的分割算法研究在医学图像分析领域既是热点也是难点。
发明内容
本发明的目的在于提出一种基于多尺度超像素与核低秩表示分类的脑肿瘤图像分割方法。
实现本发明目的的技术解决方案为:一种基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法,包括以下步骤:
步骤1,输入多模态脑肿瘤核磁共振测试图像,获取各类别样本的训练数据集与相应的标签;
步骤2,对多模态脑肿瘤核磁共振测试图像进行预处理,包括配准和归一化,并进行多模态融合,获得多模态脑肿瘤融合数据;
步骤3,对T1-c模态图像采用熵率分割方法进行多尺度超像素分割,获得多模态脑肿瘤融合数据的超像素分割结果;
步骤4,基于步骤3所获的多尺度超像素构造超像素核;
步骤5,对核特征空间进行低秩表示建模,并基于步骤4所获的超像素核利用交替方向乘子法(ADMM)求解模型,获得测试图像的表示系数矩阵;
步骤6,基于步骤5所获的测试图像的表示系数矩阵,计算各测试样本属于各个类别的残差,确定各测试样本的类别标签。
进一步的,步骤4中,基于步骤3所获的多尺度超像素构造超像素核,具体方法为:
设X={x1,x2,L xN}表示多模态脑肿瘤融合数据,xi表示第i个测试样本,对应脑肿瘤图像中的第i个像素,{Ωi 1,Ωi 2,L,Ωi P}表示对X进行P次多尺度超像素分割后所有包含样本xi的超像素,对Ωi中每一像素xi l,设其被P个超像素Ωi 1,Ωi 2,L,Ωi P所包含的频数为ni l,则在由样本xi所生成的匀质区域Ωi中,像素xi l的权重为:其中Ni为Ωi中所含像素总数;设φ′:X→H为输入空间X到高维Hilbert空间H的映射,即φ′(xi)为经高维映射后所获得的图像新特征,令即φ(xi)用于提取xi所在核特征空间上的基于超像素的空间邻域信息,由此,xi与xj的超像素核定义为:
进一步的,步骤5中,对核特征空间进行低秩表示建模,并基于步骤4获得的超像素核求解模型,获得测试图像的表示系数矩阵,具体方法为:
步骤5.1,构建核特征空间的低秩表示模型:
其中,Φ(X)={φ(x1),φ(x2),L,φ(xN)},X={x1,x2,L xN}表示脑肿瘤MR融合数据,xi表示第i个测试样本,D=[d1,d2,L,dT]为由步骤1所选取的训练样本集构建的字典,A为系数矩阵,λ为调节因子;
步骤5.2,将模型中的高维映射替代为其内积形式可得等价模型:
其中,矩阵U的元素uij=KSP(di,xj),矩阵V的元素vij=KSP(di,dj),KSP(.)为步骤4获得的超像素核;
步骤5.3,解耦该等价模型并引入Lagrange乘子得无约束优化问题:
其中,Y=Y+μ(A-B),μ为惩罚因子;
步骤5.4,采用交替方向乘子法(ADMM)求解该无约束优化问题,即得到测试图像的系数矩阵A,具体求解步骤为:
1)初始化:k=0,A0=B0=0,Y0=0,μ=10-6,μmax=106,ρ=1.1
2)计算矩阵U与V;
5)更新变量Yk+1=Yk+μk(Ak+1-Bk+1);
进一步的,步骤6中,基于步骤5所获的测试图像的表示系数矩阵,计算各测试样本属于各个类别的残差,确定各测试样本的类别标签,具体方法为:
步骤6.1,基于步骤6获得的测试图像的表示系数矩阵A的最优解A*,计算测试样本xi属于类c的残差其中c={1,2,L C}为类标签,A* i表示A*的第i列元素,δc(A* i)表示将A* i中不属于类c的所有元素置零;
一种基于多尺度超像素与核低秩表示的脑肿瘤图像分割系统,其特征在于,基于所述的方法进行基于多尺度超像素与核低秩表示的脑肿瘤图像分割。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在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所述的方法进行基于多尺度超像素与核低秩表示的脑肿瘤图像分割。
一种计算机可读存储介质,其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所述的方法进行基于多尺度超像素与核低秩表示的脑肿瘤图像分割。
本发明与现有技术相比,其显著优点体现为:(1)通过对脑肿瘤核磁共振融合图像的高维核特征空间进行低秩表示建模,将低秩表示对图像整体结构的相关约束与核特征空间的高维可分性相结合,提高了脑肿瘤图像的表示精度;(2)构建的多尺度超像素核可以将图像中的光谱和空间信息引入到核低秩表示分类中,不同尺度的超像素对分类的影响直接取决于其规模和位置,从而可以更精确描述不同尺寸和位置的脑组织与肿瘤结构。(3)与基于核的常用分类方法中常用的内核相比,设计多尺度超像素的内核将匀质区域中每个像素点的影响与中心像素点区分开,从而克服了单个超像素在构造匀质区域中的缺点。
附图说明
图1为本发明方法流程图;
图2为脑肿瘤T1-c图像的超像素分割结果图;
图3为标准分割结果与本发明方法的分割结果的对比图,(a)MICCAI BraTS提供的原始脑肿瘤测试图像,(b)是MICCAI BraTS提供的标准分割结果,(c)是本发明方法的分割结果,图中灰色区域表示脑肿瘤,高亮白色区域表示水肿。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本发明一种基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法,包括以下步骤:
步骤1,输入多模态脑肿瘤核磁共振测试图像,获取各类别样本的训练数据集与相应的标签;
步骤2,对多模态脑肿瘤核磁共振测试图像进行预处理,包括配准和归一化,并进行多模态融合,获得多模态脑肿瘤融合数据;
步骤3,对T1-c模态的图像采用熵率分割方法进行多尺度超像素分割,获得多模态脑肿瘤融合数据的超像素分割结果;
步骤4,基于步骤3所获的多尺度超像素构造超像素核,具体方法为:
设X={x1,x2,L xN}表示多模态脑肿瘤融合数据,xi表示第i个测试样本,{Ωi 1,Ωi 2,L,Ωi P}表示对X进行P次多尺度超像素分割后所有包含样本xi的超像素,对Ωi中每一像素xi l,设其被P个超像素Ωi 1,Ωi 2,L,Ωi P所包含的频数为ni l,则在由样本xi所生成的匀质区域Ωi中,像素xi l的权重为:其中Ni为Ωi中所含像素总数;设φ′:X→H为输入空间X到高维Hilbert空间H的映射,即φ′(xi)为经高维映射后所获得的图像新特征,令即φ(xi)用于提取xi所在核特征空间上的基于超像素的空间邻域信息,由此,xi与xj的超像素核定义为:
步骤5,对核特征空间进行低秩表示建模,并基于步骤4所获的超像素核利用交替方向乘子法(ADMM)求解模型,获得测试图像的表示系数矩阵,具体方法为:
步骤5.1,构建核特征空间的低秩表示模型:
其中,Φ(X)={φ(x1),φ(x2),L,φ(xN)},X={x1,x2,L xN}表示脑肿瘤MR融合数据,xi表示第i个测试样本,D=[d1,d2,L,dT]为由步骤1所选取的训练样本集构建的字典,A为系数矩阵,λ为调节因子;
步骤5.2,将模型中的高维映射替代为其内积形式可得等价模型:
其中,矩阵U的元素uij=KSP(di,xj),矩阵V的元素vij=KSP(di,dj),KSP(.)为步骤4获得的超像素核;
步骤5.3,解耦该等价模型并引入Lagrange乘子得无约束优化问题:
其中,Y=Y+μ(A-B),μ为惩罚因子;
步骤5.4,采用交替方向乘子法(ADMM)求解该无约束优化问题,即得到测试图像的系数矩阵A,具体求解步骤为:
1)初始化:k=0,A0=B0=0,Y0=0,μ=10-6,μmax=106,ρ=1.1
2)计算矩阵U与V;
5)更新变量Yk+1=Yk+μk(Ak+1-Bk+1);
步骤6,基于步骤5所获的测试图像的表示系数矩阵,计算各测试样本属于各个类别的残差,确定各测试样本的类别标签,具体方法为:
步骤6.1,基于步骤6获得的测试图像的表示系数矩阵A的最优解A*,计算测试样本xi属于类c的残差其中c={1,2,L C}为类标签,A* i表示A*的第i列元素,δc(A* i)表示将A* i中不属于类c的所有元素置零;
本发明还提出一种基于多尺度超像素与核低秩表示的脑肿瘤图像分割系统,基于所述的方法进行基于多尺度超像素与核低秩表示的脑肿瘤图像分割。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在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所述的方法进行基于多尺度超像素与核低秩表示的脑肿瘤图像分割。
一种计算机可读存储介质,其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所述的方法进行基于多尺度超像素与核低秩表示的脑肿瘤图像分割。
实施例
为了验证本发明方案的有效性,进行如下实验设计。
步骤1:采用来自MICCAI BraTS提供的数据集作为测试图像,该数据集提供不同脑肿瘤病例的包含T1、T2、FLAIR和T1-c四种模态的核磁共振图像,所有模态图像都已配准好。此外,还为每个病例提供了标准分割结果以对分割结果进行对比分析。结合标准分割结果,选取肿瘤、水肿和正常脑组织三个类别的训练样本。
步骤2:将四个模态图像中各样本灰度值堆叠形成四维向量并作为融合数据中各样本的输入特征向量。
步骤3:对T1-c图像采用熵率分割方法进行多尺度超像素分割,如图1所示,进而获得融合数据的超像素分割结果。
步骤4:基于步骤3所获的超像素构造超像素核。
步骤5:对核特征空间进行低秩表示建模,并基于步骤4获得的超像素核求解模型以获得测试图像的表示系数矩阵。
步骤6:基于步骤5获得的测试图像的表示系数矩阵的最优解A*,计算测试样本xi属于类c的残差,确定测试样本的类别标签。
本发明的分割结果与标准分割结果对比如图2所示,其中第一行为MICCAI BraTS提供的原始脑肿瘤图像,第二行为MICCAI BraTS提供的标准分割结果,第三行为本发明方法获得的分割结果,可以看出本发明方法所得的分割结果与标准分割结果较为接近。
以上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申请的几种实施方式,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,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法,其特征在于,包括以下步骤:
步骤1,输入多模态脑肿瘤核磁共振测试图像,获取各类别样本的训练数据集与相应的标签;
步骤2,对多模态脑肿瘤核磁共振测试图像进行预处理,包括配准和归一化,并进行多模态融合,获得多模态脑肿瘤融合数据;
步骤3,对T1-c模态图像采用熵率分割方法进行多尺度超像素分割,获得多模态脑肿瘤融合数据的超像素分割结果;
步骤4,基于步骤3所获的多尺度超像素构造超像素核;
步骤5,对核特征空间进行低秩表示建模,并基于步骤4所获的超像素核利用交替方向乘子法求解模型,获得测试图像的表示系数矩阵;
步骤6,基于步骤5所获的测试图像的表示系数矩阵,计算各测试样本属于各个类别的残差,确定各测试样本的类别标签;
步骤5中,对核特征空间进行低秩表示建模,并基于步骤4获得的超像素核求解模型,获得测试图像的表示系数矩阵,具体方法为:
步骤5.1,构建核特征空间的低秩表示模型:
其中,Φ(X)={φ(x1),φ(x2),…,φ(xN)},X={x1,x2,…xN}表示脑肿瘤MR融合数据,xi表示第i个测试样本,D=[d1,d2,…,dT]为由步骤1所选取的训练样本集构建的字典,A为系数矩阵,λ为调节因子;
步骤5.2,将模型中的高维映射替代为其内积形式可得等价模型:
其中,矩阵U的元素uij=KSP(di,xj),矩阵V的元素vij=KSP(di,dj),KSP(.)为步骤4获得的超像素核;
步骤5.4,采用交替方向乘子法(ADMM)求解该无约束优化问题,获得测试图像的表示系数矩阵A,具体求解步骤为:
1)初始化:k=0,A0=B0=0,Y0=0,μ=10-6,μmax=106,ρ=1.1
2)计算矩阵U与V;
5)更新变量Yk+1=Yk+μk(Ak+1-Bk+1);
2.根据权利要求1所述的基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法,其特征在于,步骤4中,基于步骤3所获的多尺度超像素构造超像素核,具体方法为:
设X={x1,x2,…xN}表示多模态脑肿瘤融合数据,xi表示第i个测试样本,对应脑肿瘤图像中的第i个像素,{Ωi 1,Ωi 2,…,Ωi P}表示对X进行P次多尺度超像素分割后所有包含测试样本xi的超像素,对Ωi中每一像素xi l,设其被P个超像素Ωi 1,Ωi 2,…,Ωi P所包含的频数为ni l,则在由测试样本xi所生成的匀质区域Ωi中,像素xi l的权重为:其中Ni为Ωi中所含像素总数;设φ′:X→H为输入空间X到高维Hilbert空间H的映射,即φ′(xi)为经高维映射后所获得的图像新特征,令即φ(xi)用于提取xi所在核特征空间上的基于超像素的空间邻域信息,由此,xi与xj的超像素核定义为:
4.一种基于多尺度超像素与核低秩表示的脑肿瘤图像分割系统,其特征在于,基于权利要求1-3任一项所述的方法进行基于多尺度超像素与核低秩表示的脑肿瘤图像分割。
5.一种计算机设备,包括存储器、处理器及存储在存储器上并可在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权利要求1-3任一项所述的方法进行基于多尺度超像素与核低秩表示的脑肿瘤图像分割。
6.一种计算机可读存储介质,其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权利要求1-3任一项所述的方法进行基于多尺度超像素与核低秩表示的脑肿瘤图像分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110218070.4A CN112927235B (zh) | 2021-02-26 | 2021-02-26 | 基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110218070.4A CN112927235B (zh) | 2021-02-26 | 2021-02-26 | 基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112927235A CN112927235A (zh) | 2021-06-08 |
CN112927235B true CN112927235B (zh) | 2022-12-02 |
Family
ID=76172306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110218070.4A Active CN112927235B (zh) | 2021-02-26 | 2021-02-26 | 基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112927235B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362347B (zh) * | 2021-07-15 | 2023-05-26 | 广东工业大学 | 一种基于超像素特征增强的图像缺陷区域分割方法和系统 |
CN115880295B (zh) * | 2023-02-28 | 2023-05-12 | 吉林省安瑞健康科技有限公司 | 具有精准定位功能的计算机辅助肿瘤消融导航系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839077A (zh) * | 2014-02-26 | 2014-06-04 | 西安电子科技大学 | 一种基于超像素特征的低秩表示的极化sar图像分类方法 |
CN105427296A (zh) * | 2015-11-11 | 2016-03-23 | 北京航空航天大学 | 一种基于超声图像低秩分析的甲状腺病灶图像识别方法 |
CN108664976A (zh) * | 2018-04-25 | 2018-10-16 | 安徽大学 | 一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法 |
CN111046868A (zh) * | 2019-11-26 | 2020-04-21 | 广东石油化工学院 | 基于矩阵低秩稀疏分解的目标显著性检测方法 |
CN111932549A (zh) * | 2020-06-28 | 2020-11-13 | 山东师范大学 | 一种基于sp-fcn的mri脑肿瘤图像分割系统及方法 |
-
2021
- 2021-02-26 CN CN202110218070.4A patent/CN112927235B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839077A (zh) * | 2014-02-26 | 2014-06-04 | 西安电子科技大学 | 一种基于超像素特征的低秩表示的极化sar图像分类方法 |
CN105427296A (zh) * | 2015-11-11 | 2016-03-23 | 北京航空航天大学 | 一种基于超声图像低秩分析的甲状腺病灶图像识别方法 |
CN108664976A (zh) * | 2018-04-25 | 2018-10-16 | 安徽大学 | 一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法 |
CN111046868A (zh) * | 2019-11-26 | 2020-04-21 | 广东石油化工学院 | 基于矩阵低秩稀疏分解的目标显著性检测方法 |
CN111932549A (zh) * | 2020-06-28 | 2020-11-13 | 山东师范大学 | 一种基于sp-fcn的mri脑肿瘤图像分割系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112927235A (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109345575B (zh) | 一种基于深度学习的图像配准方法及装置 | |
Jog et al. | Random forest regression for magnetic resonance image synthesis | |
Birenbaum et al. | Multi-view longitudinal CNN for multiple sclerosis lesion segmentation | |
Srinivas et al. | Simultaneous sparsity model for histopathological image representation and classification | |
Doshi et al. | Multi-atlas skull-stripping | |
Birenbaum et al. | Longitudinal multiple sclerosis lesion segmentation using multi-view convolutional neural networks | |
US10853409B2 (en) | Systems and methods for image search | |
Aranguren et al. | Improving the segmentation of magnetic resonance brain images using the LSHADE optimization algorithm | |
Pourreza et al. | Brain tumor segmentation in MRI scans using deeply-supervised neural networks | |
Modanwal et al. | Normalization of breast MRIs using cycle-consistent generative adversarial networks | |
CN112927235B (zh) | 基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法 | |
Feng et al. | Supervoxel based weakly-supervised multi-level 3D CNNs for lung nodule detection and segmentation | |
CN108960341B (zh) | 一种面向脑网络的结构化特征选择方法 | |
Zhu et al. | Data and feature mixed ensemble based extreme learning machine for medical object detection and segmentation | |
Gutierrez-Becker et al. | Guiding multimodal registration with learned optimization updates | |
Luo et al. | Segmentation of abdomen MR images using kernel graph cuts with shape priors | |
Ma et al. | Fuzzy clustering with non-local information for image segmentation | |
Meng et al. | Brain MR image segmentation based on an improved active contour model | |
Lohit et al. | Modified total Bregman divergence driven picture fuzzy clustering with local information for brain MRI image segmentation | |
CN111932575B (zh) | 基于模糊c均值和概率标签融合的图像分割方法及系统 | |
CN112950654B (zh) | 基于多核学习与超像素核低秩表示的脑肿瘤图像分割方法 | |
Soni et al. | MRI segmentation for computer-aided diagnosis of brain tumor: a review | |
Amiri et al. | An automated MR image segmentation system using multi-layer perceptron neural network | |
Platero et al. | A label fusion method using conditional random fields with higher-order potentials: Application to hippocampal segmentation | |
CN107492101B (zh) | 基于自适应构造最优图的多模态鼻咽肿瘤分割算法 |
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 |