CN112950651B - 基于深度学习网络的纵隔淋巴引流区的自动勾画方法 - Google Patents

基于深度学习网络的纵隔淋巴引流区的自动勾画方法 Download PDF

Info

Publication number
CN112950651B
CN112950651B CN202110143272.7A CN202110143272A CN112950651B CN 112950651 B CN112950651 B CN 112950651B CN 202110143272 A CN202110143272 A CN 202110143272A CN 112950651 B CN112950651 B CN 112950651B
Authority
CN
China
Prior art keywords
drainage area
network
image
lymph drainage
mediastinal lymph
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
Application number
CN202110143272.7A
Other languages
English (en)
Other versions
CN112950651A (zh
Inventor
刘守亮
魏军
沈烁
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.)
Guangzhou Baishi Data Technology Co ltd
Perception Vision Medical Technology Co ltd
Original Assignee
Guangzhou Baishi Data Technology Co ltd
Perception Vision Medical Technology Co ltd
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 Guangzhou Baishi Data Technology Co ltd, Perception Vision Medical Technology Co ltd filed Critical Guangzhou Baishi Data Technology Co ltd
Priority to CN202110143272.7A priority Critical patent/CN112950651B/zh
Publication of CN112950651A publication Critical patent/CN112950651A/zh
Priority to PCT/CN2022/074510 priority patent/WO2022166800A1/zh
Application granted granted Critical
Publication of CN112950651B publication Critical patent/CN112950651B/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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/30061—Lung
    • 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

本发明公开了一种基于深度学习网络的纵隔淋巴引流区的自动勾画方法，其适用于CT影像，自动勾画方法包括以下步骤：S1：采集CT图像数据和医生手工标注的纵隔淋巴引流区图像，并预处理CT图像数据和医生手工标注的纵隔淋巴引流区图像；S2：对预处理后的CT图像数据进行分组，得到训练集、验证集和测试集；S3：对训练集、验证集及测试集进行数据增强；步骤S4：构建深度学习分割模型；以及S5：将训练集中的CT图像数据和的医生手工标注纵隔淋巴引流区图像输入已经构建完的深度学习分割模型，训练迭代收敛后，保存纵隔淋巴引流区的分割模型，再进行纵隔淋巴引流区识别和预测，得到纵隔淋巴引流区的每个分区的概率图。网络可以更好的定位和分割小引流区。

Description

基于深度学习网络的纵隔淋巴引流区的自动勾画方法
技术领域
本发明是关于医疗图像领域，特别是关于一种基于深度学习网络的纵隔淋巴引流区的自动勾画方法。
背景技术
在放疗领域，精准的肿瘤放射放疗技术能有效提高患者的疗效，降低毒副作用，而精准的放疗依赖的是精准的靶区轮廓。在靶区勾画过程中，必须仔细的参考引流区引流范围勾画靶区。另外，纵隔淋巴引流区对于肺癌等患者的临床分期和治疗原则的制定，也有非常重要的作用。因此，引流区自动勾画具有非常重要的临床意义。本方法有助于临床医生快速、精准、高一致性地勾画纵隔引流区。
而目前临床上纵隔引流区完全是通过临床医生手动勾画。这种方法存在以下缺点：
第一，勾画速度慢，消耗医生大量宝贵时间；第二，勾画准确度依赖医生临床经验，而且需要大量的先验临床知识；第三，同一个医生在不同状态下勾画出来的结果存在较大差异。第四，不可避免存在人为误差。因此，在放疗数字化基础上，如何快速精确高一致性地帮助医生勾画出淋巴引流区是极其重要的。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种基于深度学习网络的纵隔淋巴引流区的自动勾画方法，其通过引入多尺度非局部注意力模块，网络可以更好的定位和分割小引流区，同时网络能更好的捕捉远距离的解剖结构信息改进欠分割或过分割的问题。
为实现上述目的，本发明提供了一种基于深度学习网络的纵隔淋巴引流区的自动勾画方法，其适用于CT影像，自动勾画方法包括以下步骤：步骤S1：采集CT图像数据和医生手工标注的纵隔淋巴引流区图像，并预处理CT图像数据和医生手工标注的纵隔淋巴引流区图像；步骤S2：对预处理后的CT图像数据进行分组，得到训练集、验证集和测试集；步骤S3：对训练集、验证集及测试集进行数据增强；步骤S4：构建深度学习分割模型；以及步骤S5：将训练集中的CT图像数据和医生手工标注的纵隔淋巴引流区图像输入已经构建完的深度学习分割模型，训练迭代收敛后，保存纵隔淋巴引流区的分割模型，再进行纵隔淋巴引流区识别和预测，得到纵隔淋巴引流区的每个分区的概率图。
在一优选的实施方式中，步骤S1中的预处理CT图像数据和医生手工标注的纵隔淋巴引流区图像包括以下步骤：步骤S11：采集大量的多模态和多分布CT三维图像和相应的临床医生手工勾画的轮廓图；步骤S12：对CT三维图像和的医生手工标注的纵隔淋巴引流区图像进行重采样，以生成具有相同物理尺度大小的图像；步骤S13：获取三维肺部区域和纵隔位置，依照肺部区域和纵隔位置将三维CT图像裁剪为固定的大小；以及步骤S14：对二维CT图像像素值规范化，根据肺窗和纵隔窗生成多分布CT图像输入分割网络。
在一优选的实施方式中，步骤S3中的数据增强包括：随机翻转、随机旋转、随机扭曲、随机噪声、随机仿射变换、随机修剪。
在一优选的实施方式中，步骤S4包括以下步骤：步骤S41：构建分割模型的网络结构子模块，包括：第一，卷积操作2次和下采样1次，用来提取该模块的特征图，第二，构建上采样1次和卷积操作2次，用来恢复其原来的分辨率，并使用跳跃结构来融合不同尺度的特征图；步骤S42：构建分割模型的网络结构注意力模块，包括：分别对注意力模块中的键值、特征值进行金字塔下采样，以减少大量计算，得到多尺度键值、特征值，再构建卷积操作，用来模拟键值和查询值之间的注意力关系，最后在注意力关系下查询被关注的特征图，注意力模块能够捕捉远距离像素依赖关系和提取多尺度金字塔的特征；以及步骤S43：构建网络分割模型网络结构，重复利用提取步骤S41的特征子模块4次，以便能有较大感受野和充足的网络容量；在每次提取特征子模块中插入步骤S42的注意力模块，以便网络提取远距离依赖关系，扩大网络感受野，同时注意力模块捕捉的多尺度信息能在每层都被有效提取特征；然后再重复利用恢复空间分辨率子模型4次；在每个模块之间使用短连接，以便网络可以更好的反向传播和特征融合。
在一优选的实施方式中，步骤S5包括以下步骤：步骤S51：大量病人经过步骤处理后，得到的数据增强图像输入到深度学习网络，在输入过程中，通过步骤S1至S3处理得到的肺部区域控制输入患者CT层数，减少输入非肺部区域；步骤S52：把数据增强图像随机按组随机输入网络，直到验证集上评价标准不再有大的波动，保存在验证集上表现好的模型；步骤S53：把测试集内病例按照步骤S1至S3处理后输入至已经训练完成的深度学习分割网络以获得N个分区，使用softmax函数将得到的N个分区的特征图转化成分割语义概率图，再使用固定阈值使概率图生成二值图像；以及步骤S54：对N个分区进行相互关系评价，得到互相关系表，对每个分区进行矫正，如果某个分区不符合医生定义的勾画标准，则通过矫正程序处理该分区；如果某个分区和其他分区没有互相关系表中的关系，则也通过矫正程序处理该分区；直到N个分区都满足临床医生勾画标准，即得到最终的纵隔淋巴引流区分割结果。
与现有技术相比，本发明的基于深度学习网络的纵隔淋巴引流区的自动勾画方法具有以下有益效果：通过引入多尺度非局部注意力机制，网络可以更好的定位和分割小引流区，同时网络能更好的捕捉远距离的解刨结构信息改进欠分割或过分割的问题；通过纵隔淋巴引流区分割模型能够帮助医生更准确的勾画靶区和淋巴结，同时也对医生确认临床分期和制定治疗方案提供一定依据，进而能够大大的减轻医生的负担，同时也能够提高患者生存率。
附图说明
图1是根据本发明一实施方式的自动勾画方法的流程示意图；
图2是根据本发明一实施方式的自动勾画方法的深度学习网络结构示意图。
具体实施方式
下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
如图1所示，根据本发明优选实施方式的一种基于深度学习网络的纵隔淋巴引流区的自动勾画方法，其适用于CT影像，自动勾画方法包括以下步骤：步骤S1：采集CT图像数据和医生手工标注的纵隔淋巴引流区图像，并预处理CT图像数据和医生手工标注的纵隔淋巴引流区图像。步骤S2：对预处理后的CT图像数据进行分组，得到训练集、验证集和测试集。步骤S3：对训练集、验证集及测试集进行数据增强。步骤S4：构建深度学习分割模型。以及步骤S5：将训练集中的CT图像数据和的医生手工标注纵隔淋巴引流区图像输入已经构建完的深度学习分割模型，训练迭代收敛后，保存纵隔淋巴引流区的分割模型，再进行纵隔淋巴引流区识别和预测，得到纵隔淋巴引流区的每个分区的概率图。
在一些实施方式中，步骤S1中的预处理CT图像数据和医生手工标注的纵隔淋巴引流区图像包括以下步骤：步骤S11：采集大量的多模态和多分布CT三维图像和相应的临床医生手工勾画的轮廓图。步骤S12：对CT三维图像和的医生手工标注纵隔淋巴引流区图像进行重采样，以生成具有相同物理尺度大小的图像。步骤S13：获取三维肺部区域和纵隔位置，依照肺部区域和纵隔位置将三维CT图像裁剪为固定的大小。以及步骤S14：对二维CT图像像素值规范化，根据肺窗和纵隔窗生成多分布CT图像输入分割网络。
规范化计算方法：
lower＝c-w/2；
higher＝c+w/2；
x[x<lower]＝0；
x[x>higher]＝higher；
x＝(x-lower)/(higher-lower)；
其中x是CT像素矩阵，c是窗位，w是窗宽。
在一些实施方式中，步骤S3中的数据增强包括：随机翻转、随机旋转、随机扭曲、随机噪声、随机仿射变换、随机修剪。
在一些实施方式中，步骤S4包括以下步骤：步骤S41：构建分割模型的网络结构子模块，包括：第一，卷积操作2次和下采样1次，用来提取该模块的特征图，第二，构建上采样1次和卷积操作2次，用来恢复其原来的分辨率，并使用跳跃结构来融合不同尺度的特征图。步骤S42：构建分割模型的网络结构注意力模块，包括：分别对注意力模块中的键值、特征值进行金字塔下采样，以减少大量计算，得到多尺度键值、特征值，再构建卷积操作，用来模拟键值和查询值之间的注意力关系，最后在注意力关系下查询被关注的特征图，注意力模块能够捕捉远距离像素依赖关系和提取多尺度金字塔的特征。以及步骤S43：构建网络分割模型网络结构，重复利用提取步骤S41的特征子模块4次，以便能有较大感受野和充足的网络容量；在每次提取特征子模块中插入步骤S42的注意力模块，以便网络提取远距离依赖关系，扩大网络感受野，同时注意力模块捕捉的多尺度信息能在每层都被有效提取特征。然后再重复利用恢复空间分辨率子模型4次。在每个模块之间使用短连接，以便网络可以更好的反向传播和特征融合。
在一些实施方式中，步骤S5包括以下步骤：步骤S51：大量病人经过步骤处理后，得到的数据增强图像输入到深度学习网络，在输入过程中，通过步骤S1至S3处理得到的肺部区域控制输入患者CT层数，减少输入非肺部区域。
训练误差的计算方法：
Lloss＝LIOU+a*LAC，其中a是平衡因子；
Figure BDA0002930059710000061
其中N是指数据总量，pi表示的是预测结果图像中第i个像素点，qi表示的是金标图像中第i个像素点；
Figure BDA0002930059710000062
其中N是指数据总量，pij表示的是预测结果图像中第i行第j列像素点，n是像素总个数。
步骤S52：把数据增强图像随机按组随机输入网络，直到验证集上评价标准不再有大的波动，保存在验证集上表现好的模型。
评价标准计算方法：
Figure BDA0002930059710000063
其中N是指数据总量，pi表示的是预测结果图像中第i个像素点，qi表示的是金标图像中第i个像素点。
步骤S53：把测试集内病例按照步骤S1至S3处理后输入至已经训练完成的深度学习分割网络以获得N个分区，使用softmax函数将得到的N个分区的特征图转化成分割语义概率图，再使用固定阈值使概率图生成二值图像。以及步骤S54：对N个分区进行相互关系评价，得到互相关系表，对每个分区进行矫正，如果某个分区不符合医生定义的勾画标准，则通过矫正程序处理该分区；如果某个分区和其他分区没有互相关系表中的关系，则也通过矫正程序处理该分区；直到N个分区都满足临床医生勾画标准，即得到最终的纵隔淋巴引流区分割结果。
综上所述，本发明的基于深度学习网络的纵隔淋巴引流区的自动勾画方法具有以下优点：通过引入多尺度非局部注意力机制，网络可以更好的定位和分割小引流区，同时网络能更好的捕捉远距离的解剖结构信息改进欠分割或过分割的问题；通过纵隔淋巴引流区分割模型能够帮助医生更准确的勾画靶区和淋巴结，同时也对医生确认临床分期和制定治疗方案提供一定依据，进而能够大大的减轻医生的负担，同时也能够提高患者生存率。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (3)

1.一种基于深度学习网络的纵隔淋巴引流区的自动勾画方法，其适用于CT影像，其特征在于，所述自动勾画方法包括以下步骤：
步骤S1：采集CT图像数据和医生手工标注的纵隔淋巴引流区图像，并预处理所述CT图像数据和医生手工标注的所述纵隔淋巴引流区图像；
步骤S2：对预处理后的所述CT图像数据进行分组，得到训练集、验证集和测试集；
步骤S3：对所述训练集、所述验证集及所述测试集进行数据增强；
步骤S4：构建深度学习分割模型；所述步骤S4包括以下步骤：
步骤S41：构建分割模型的网络结构子模块，包括：第一，卷积操作2次和下采样1次，用来提取该模块的特征图，第二，构建上采样1次和卷积操作2次，用来恢复其原来的分辨率，并使用跳跃结构来融合不同尺度的特征图；其中本网络down模块使用三线性插值方法下采样，up模块使用的带空洞的反卷积模块上采样；
步骤S42：构建分割模型的网络结构注意力模块，包括：分别对所述注意力模块中的键值、特征值进行金字塔下采样，以减少大量计算，得到多尺度键值、特征值，再构建卷积操作，用来模拟键值和查询值之间的注意力关系，最后在所述注意力关系下查询被关注的特征图，所述注意力模块能够捕捉远距离像素依赖关系和提取多尺度金字塔的特征；参与计算的矩阵分别Q(Query)、K(Key)、V(Value)，为了加速图像注意力机制，Q值和V值经过了多尺度下采样操作；为了加速收敛，Q值和K值在计算相似之前经过了卷积操作；相似度计算函数不一样，我们相似度计算函数如下，
Figure FDA0003399032430000011
以及
步骤S43：构建网络分割模型网络结构，重复利用提取所述步骤S41所述的网络结构子模块4次，以便能有较大感受野和充足的网络容量；在每次提取的所述网络结构子模块中插入所述步骤S42的所述注意力模块，以便网络提取远距离依赖关系，扩大网络感受野，同时所述注意力模块捕捉的多尺度信息能在每层都被有效提取特征；然后再重复利用恢复空间分辨率子模型4次；在每个模块之间使用短连接，以便网络可以更好的反向传播和特征融合；以及
步骤S5：将训练集中的所述CT图像数据和医生手工标注的所述纵隔淋巴引流区图像输入已经构建完的所述深度学习分割模型，训练迭代收敛后，保存纵隔淋巴引流区的分割模型，再进行所述纵隔淋巴引流区识别和预测，得到所述纵隔淋巴引流区的每个分区的概率图，所述步骤S5包括以下步骤：
步骤S51：大量病人经过所述步骤处理后，得到的数据增强图像输入到深度学习网络，在输入过程中，通过所述步骤S1至S3处理得到的肺部区域控制输入患者CT层数，减少输入非肺部区域，所述训练集的训练误差计算方法为：
Lloss＝LIOU+a*LAC，其中a是平衡因子；
Figure FDA0003399032430000021
其中N是指数据总量，pi表示的是预测结果图像中第i个像素点，qi表示的是金标图像中第i个像素点；
Figure FDA0003399032430000022
其中N是指数据总量，pij表示的是预测结果图像中第i行第j列像素点，n是像素总个数；
步骤S52：把所述数据增强图像随机按组随机输入网络，直到验证集上评价标准不再有大的波动，保存在验证集上表现好的模型，所述验证集的评价标准计算方法为：
Figure FDA0003399032430000031
其中N是指数据总量，pi表示的是预测结果图像中第i个像素点，qi表示的是金标图像中第i个像素点；
步骤S53：把所述测试集内病例按照所述步骤S1至S3处理后输入至已经训练完成的深度学习分割网络以获得N个分区，使用softmax函数将得到的所述N个分区的特征图转化成分割语义概率图，再使用固定阈值使所述概率图生成二值图像；以及
步骤S54：对所述N个分区进行相互关系评价，得到互相关系表，对每个分区进行矫正，如果某个分区不符合医生定义的勾画标准，则通过矫正程序处理该分区；如果某个分区和其他分区没有所述互相关系表中的关系，则也通过矫正程序处理该分区；直到所述N个分区都满足临床医生勾画标准，即得到最终的纵隔淋巴引流区分割结果。
2.根据权利要求1所述的基于深度学习网络的纵隔淋巴引流区的自动勾画方法，其特征在于，所述步骤S1中的所述预处理所述CT图像数据和医生手工标注的所述纵隔淋巴引流区图像包括以下步骤：
步骤S11：采集大量的多模态和多分布CT三维图像和相应的临床医生手工勾画的轮廓图；
步骤S12：对所述CT三维图像和医生手工标注的所述纵隔淋巴引流区图像进行重采样，以生成具有相同物理尺度大小的图像；
步骤S13：获取三维肺部区域后，利用阈值方法分割身体区域，再基于肺部区域和身体区域通过形态学方法获得纵隔区域，利用纵隔区域将所述三维CT图像裁剪为固定的大小；以及
步骤S14：对二维CT图像像素值规范化，根据肺窗和纵隔窗生成多分布CT图像输入分割网络。
3.根据权利要求1所述的基于深度学习网络的纵隔淋巴引流区的自动勾画方法，其特征在于，所述步骤S3中的所述数据增强包括：随机翻转、随机旋转、随机扭曲、随机噪声、随机仿射变换、随机修剪。
CN202110143272.7A 2021-02-02 2021-02-02 基于深度学习网络的纵隔淋巴引流区的自动勾画方法 Active CN112950651B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110143272.7A CN112950651B (zh) 2021-02-02 2021-02-02 基于深度学习网络的纵隔淋巴引流区的自动勾画方法
PCT/CN2022/074510 WO2022166800A1 (zh) 2021-02-02 2022-01-28 基于深度学习网络的纵隔淋巴引流区的自动勾画方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110143272.7A CN112950651B (zh) 2021-02-02 2021-02-02 基于深度学习网络的纵隔淋巴引流区的自动勾画方法

Publications (2)

Publication Number Publication Date
CN112950651A CN112950651A (zh) 2021-06-11
CN112950651B true CN112950651B (zh) 2022-02-01

Family

ID=76241576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110143272.7A Active CN112950651B (zh) 2021-02-02 2021-02-02 基于深度学习网络的纵隔淋巴引流区的自动勾画方法

Country Status (2)

Country Link
CN (1) CN112950651B (zh)
WO (1) WO2022166800A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950651B (zh) * 2021-02-02 2022-02-01 广州柏视医疗科技有限公司 基于深度学习网络的纵隔淋巴引流区的自动勾画方法
CN113139627B (zh) * 2021-06-22 2021-11-05 北京小白世纪网络科技有限公司 纵隔肿物识别方法、系统及装置
CN113288193B (zh) * 2021-07-08 2022-04-01 广州柏视医疗科技有限公司 基于深度学习的ct影像乳腺癌临床靶区的自动勾画系统
CN113539402B (zh) * 2021-07-14 2022-04-01 广州柏视医疗科技有限公司 多模态影像自动勾画模型迁移方法
CN113488146B (zh) * 2021-07-29 2022-04-01 广州柏视医疗科技有限公司 一种头颈部鼻咽癌引流区和转移淋巴结的自动勾画方法
CN114549413B (zh) * 2022-01-19 2023-02-03 华东师范大学 基于ct图像的多尺度融合全卷积网络淋巴结转移检测方法
CN115239716B (zh) * 2022-09-22 2023-01-24 杭州影想未来科技有限公司 一种基于形状先验U-Net的医学图像分割方法
CN115810419B (zh) * 2023-02-08 2023-04-18 深圳市汇健智慧医疗有限公司 智慧手术室的运营管理方法、装置、设备及存储介质
CN116344001B (zh) * 2023-03-10 2023-10-24 中南大学湘雅三医院 一种基于人工智能的医疗信息可视化管理系统及方法
CN117011245B (zh) * 2023-07-11 2024-03-26 北京医智影科技有限公司 融合mr信息指导ct的直肠癌肿瘤区自动勾画方法及装置
CN116664590B (zh) * 2023-08-02 2023-10-13 中日友好医院(中日友好临床医学研究所) 基于动态对比增强磁共振图像的自动分割方法及装置
CN117476219B (zh) * 2023-12-27 2024-03-12 四川省肿瘤医院 基于大数据分析的定位ct断层图像的辅助方法和辅助系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109949352A (zh) * 2019-03-22 2019-06-28 邃蓝智能科技(上海)有限公司 一种基于深度学习的放疗影像靶区勾画方法及勾画系统
CN111445481A (zh) * 2020-03-23 2020-07-24 江南大学 一种基于尺度融合的腹部ct多器官的分割方法
CN112075927A (zh) * 2020-10-15 2020-12-15 首都医科大学附属北京天坛医院 脑卒中的病因分类方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3124400A1 (en) * 2018-12-21 2020-06-25 Nova Scotia Health Authority Systems and methods for generating cancer prediction maps from multiparametric magnetic resonance images using deep learning
US20220254022A1 (en) * 2019-01-24 2022-08-11 Caide Systems, Inc. Method and system for automatic multiple lesion annotation of medical images
CN110675406A (zh) * 2019-09-16 2020-01-10 南京信息工程大学 基于残差双注意力深度网络的ct图像肾脏分割算法
CN111784628B (zh) * 2020-05-11 2024-03-29 北京工业大学 基于有效学习的端到端的结直肠息肉图像分割方法
CN111798464A (zh) * 2020-06-30 2020-10-20 天津深析智能科技有限公司 基于深度学习的淋巴瘤病理图像智能识别方法
CN112950651B (zh) * 2021-02-02 2022-02-01 广州柏视医疗科技有限公司 基于深度学习网络的纵隔淋巴引流区的自动勾画方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109949352A (zh) * 2019-03-22 2019-06-28 邃蓝智能科技(上海)有限公司 一种基于深度学习的放疗影像靶区勾画方法及勾画系统
CN111445481A (zh) * 2020-03-23 2020-07-24 江南大学 一种基于尺度融合的腹部ct多器官的分割方法
CN112075927A (zh) * 2020-10-15 2020-12-15 首都医科大学附属北京天坛医院 脑卒中的病因分类方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Attention U-Net:Learning Where to Look for the Pancreas;Ozan Oktay等;《arXiv》;20180520;第1-10页 *
Multi-scale Attention Module U-Net liver tumour segmentation method;Fei He等;《Journal of Physics: Conference Series》;20200331;第1-7页 *
刘远航.基于深度学习肺部CT图像分割算法研究.《中国优秀硕士论文全文数据库医药卫生科技辑》.2020, *
基于情感与内容特征的对话生成研究;牛保林;《中国优秀硕士论文全文数据库信息科技辑》;20210115;I138-2603 *
基于深度学习肺部CT图像分割算法研究;刘远航;《中国优秀硕士论文全文数据库医药卫生科技辑》;20200715;E060-145 *

Also Published As

Publication number Publication date
WO2022166800A1 (zh) 2022-08-11
CN112950651A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN112950651B (zh) 基于深度学习网络的纵隔淋巴引流区的自动勾画方法
US11580646B2 (en) Medical image segmentation method based on U-Net
CN111476292B (zh) 医学图像分类处理人工智能的小样本元学习训练方法
CN108765363B (zh) 一种基于人工智能的冠脉cta自动后处理系统
CN113516659B (zh) 一种基于深度学习的医学影像自动分割方法
CN102831614B (zh) 基于交互式字典迁移的序列医学图像快速分割方法
CN109509193B (zh) 一种基于高精度配准的肝脏ct图谱分割方法及系统
CN112418216A (zh) 一种复杂自然场景图像中的文字检测方法
CN110570394B (zh) 医学图像分割方法、装置、设备及存储介质
CN111754453A (zh) 基于胸透图像的肺结核检测方法、系统和存储介质
CN110555835A (zh) 一种脑片图像区域划分方法及装置
WO2023151237A1 (zh) 人脸位姿估计方法、装置、电子设备及存储介质
CN114266794B (zh) 基于全卷积神经网络的病理切片图像癌症区域分割系统
Shu et al. LVC-Net: Medical image segmentation with noisy label based on local visual cues
CN112790782A (zh) 基于深度学习的盆腔肿瘤ctv的自动勾画方法
CN115239716B (zh) 一种基于形状先验U-Net的医学图像分割方法
CN111260670B (zh) 基于深度学习网络的三维影像的管状结构分割图断裂修复方法及系统
CN113223004A (zh) 一种基于深度学习的肝脏图像分割方法
Liu et al. Extracting lungs from CT images via deep convolutional neural network based segmentation and two-pass contour refinement
CN113989269B (zh) 一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕自动检测方法
CN113379770B (zh) 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置
CN113379691B (zh) 一种基于先验引导的乳腺病灶深度学习分割方法
CN113362294B (zh) 含穿刺针超声血管图像的穿刺针识别方法、系统和设备
CN115937609A (zh) 基于局部和全局信息的角膜病图像检测分类方法及装置
CN115035089A (zh) 适用于二维脑图像数据的脑解剖结构定位方法

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