CN113012168B - 一种基于卷积神经网络的脑胶质瘤mri图像分割方法 - Google Patents
一种基于卷积神经网络的脑胶质瘤mri图像分割方法 Download PDFInfo
- Publication number
- CN113012168B CN113012168B CN202110314057.9A CN202110314057A CN113012168B CN 113012168 B CN113012168 B CN 113012168B CN 202110314057 A CN202110314057 A CN 202110314057A CN 113012168 B CN113012168 B CN 113012168B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- brain glioma
- mri image
- glioma
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 201000007983 brain glioma Diseases 0.000 title claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 27
- 238000003709 image segmentation Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 4
- 206010018338 Glioma Diseases 0.000 claims description 18
- 208000032612 Glial tumor Diseases 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 230000001338 necrotic effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 206010030113 Oedema Diseases 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 231100000518 lethal Toxicity 0.000 description 1
- 230000001665 lethal effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T7/10—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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种基于卷积神经网络的脑胶质瘤MRI图像分割方法。是为了解决由于脑胶质瘤位置的随机性,大小的多样性、形状的不规则性及边界的高度模糊性导致难以分割的问题。本发明包括如下步骤:利用直方图均衡化方法对脑胶质瘤MRI图像数据进行处理,对图像数据进行中心裁剪,并对图像进行归一化,归一化后对图像切成64*64*64的块;对三维卷积神经网络模型进行搭建,采用编码‑解码结构;对模型的训练与分割。本发明用于脑胶质瘤MRI图像分割。
Description
技术领域
本发明涉及一种基于卷积神经网络的脑胶质瘤MRI图像分割方法。
背景技术
脑疾病是当前对人类健康构成最大威胁的疾病之一,其中,脑胶质瘤是最常见的脑组织恶性肿瘤,它具有不同的侵略性和多种多样的组织亚区,发病率高,危害非常大,致死、致残率高,MRI成像技术被广泛应用到对人体各个组织器官的成像诊断中,然而由于脑胶质瘤位置的随机性,大小的多样性、形状的不规则性及边界的高度模糊性,如何更高效、精确地从MRI图像中分割脑胶质瘤已经成为医学上的一个难点。
发明内容
为了解决上述现有技术的不足之处,本发明的目的在于提供一种基于卷积神经网络的脑胶质瘤MRI图像分割方法,以克服现有技术中的缺陷。
为了实现上述目的,本发明提供了一种基于卷积神经网络的脑胶质瘤MRI图像分割方法,该方法包括如下步骤:
步骤一:利用直方图均衡化方法对脑胶质瘤MRI图像数据进行处理,对图像数据进行中心裁剪,并对图像进行归一化,归一化后对图像切成64*64*64的块;
步骤二:对三维卷积神经网络模型进行搭建,采用编码-解码结构;
编码结构;
将网络的输入分为四个通道,分别输入病人四个模态的脑胶质瘤MRI图像数据,将每个模态的数据分别进行特征的提提取,在每一层相同的卷积层,将四个模态学习到的特征进行融合,通过残差连接,输出到解码结构对应的卷积层中;
解码结构:
利用双线性插值方法,此部分的每一层卷积层,不会接收来自上一层的特征信息,会接收来自编码部分对应卷积层四个模态特征的融合,并将特征进一步进行融合;
步骤三:对模型的训练与分割;
将模型放在Nvidia1080TiGPU上进行训练,训练完成后进行测试并标注,并对图像进行分割。
所述的一种基于卷积神经网络的脑胶质瘤MRI图像分割方法,所述的步骤二的具体过程为:
对三维卷积神经网络模型进行搭建,采用编码-解码结构,在卷积神经网络模型中,每个卷积块包括2-3组卷积层、激活函数和实例归一化的组合,激活函数采用泄露修正线性单元,左半部分梯度部位0,输入值落在此半部分,泄漏率为10-2,泄露修正线性单元表达如下:
式中:xi----代表每一个输入数据;
a-----代表泄漏率;
每一个卷积块的后面加入了一个Dropout层;
m是一个输入样本的数量,xi代表每一个输入数据,xi经过归一化后得到yi是将输出归一化后得到的结果,代表方差,μB代表均值,β代表偏移参数,γ代表缩放参数,首先计算当前一个Batch中输入的平均值μB和接着将每一个输入特征xi进行标准归一化,再利用偏移参数β和缩放参数γ对标准化的输入进行作用得到最终结果:
所述的一种基于卷积神经网络的脑胶质瘤MRI图像分割方法,所述的步骤三的具体过程为:将模型放在Nvidia1080TiGPU上进行训练,训练完成后进行测试并标注,并对图像进行分割,其权重设为背景:坏死核:水肿:增强型脑胶质瘤等于1:5:2:3,将标准标注分为四类,标签0代表背景,标签1代表坏死核和非增强型胶质瘤,标签2代表瘤周水肿,标签4代表增强型胶质瘤,4种标签根据划分代表胶质瘤的三个亚区,(1)全部胶质瘤;(2)胶质瘤核心区,由坏死组织、非增强胶质瘤和增强胶质瘤组成;(3)胶质瘤增强区,仅有增强型胶质瘤组成。
所述的一种基于卷积神经网络的脑胶质瘤MRI图像分割方法,所述的步骤一中对图像数据进行中心裁剪,裁剪的大小为224*224*155。
本发明的有益效果:
1、本发明通过对图像进行预处理,进行偏差校正,消除了图像中的强度梯度进行磁场校正,避免由于图像数据质量不佳导致不必要的误导。
2、本发明通过三维网络模型能更好的捕捉每一个体素的空间信息及其周围的每一个体素的空间分布特征,三维网络模型在全部胶质瘤、胶质瘤核和增强型胶质瘤三个亚区得到的dice系数分别为0.884、0.795和0.769,分别提升了0.007、0.021和0.012。
附图说明
图1为本发明三维网络模型的结构示意图;
图2为数据预处理后的结构示意图;
图3为直方图均衡化后的对比图;
图4为切割成的数据块的结构示意图
图5为分割结果结构示意图之一;
图6为分割结果结构示意图之二;
图7为分割结果结构示意图之三。
具体实施方式
为了能够进一步了解本发明的结构、特征及其他目的,现结合所附较佳实施例附以附图详细说明如下,本附图所说明的实施例仅用于说明本发明的技术方案,并非限定本发明。
具体实施方式一、本实施方式所述的一种基于卷积神经网络的脑胶质瘤MRI图像分割方法,该方法包括如下步骤:
步骤一:利用直方图均衡化方法对脑胶质瘤MRI图像数据进行处理,对图像数据进行中心裁剪,并对图像进行归一化,归一化后对图像切成64*64*64的块;
步骤二:对三维卷积神经网络模型进行搭建,采用编码-解码结构;
编码结构;
将网络的输入分为四个通道,分别输入病人四个模态的脑胶质瘤MRI图像数据,将每个模态的数据分别进行特征的提提取,在每一层相同的卷积层,将四个模态学习到的特征进行融合,通过残差连接,输出到解码结构对应的卷积层中;
解码结构:
利用双线性插值方法,此部分的每一层卷积层,不会接收来自上一层的特征信息,会接收来自编码部分对应卷积层四个模态特征的融合,并将特征进一步进行融合;
步骤三:对模型的训练与分割;
将模型放在Nvidia1080TiGPU上进行训练,训练完成后进行测试并标注,并对图像进行分割。
具体实施方式二、本实施方式是对具体实施方式一所述的一种基于卷积神经网络的脑胶质瘤MRI图像分割方法的进一步说明,所述的步骤二的具体过程为:
对三维卷积神经网络模型进行搭建,采用编码-解码结构,在卷积神经网络模型中,每个卷积块包括2-3组卷积层、激活函数和实例归一化的组合,激活函数采用泄露修正线性单元,左半部分梯度部位0,输入值落在此半部分,泄漏率为10-2,泄露修正线性单元表达如下:
式中:xi----代表每一个输入数据;
a-----代表泄漏率;
每一个卷积块的后面加入了一个Dropout层;
m是一个输入样本的数量,xi代表每一个输入数据,xi经过归一化后得到yi是将输出归一化后得到的结果,代表方差,μB代表均值,β代表偏移参数,γ代表缩放参数,首先计算当前一个Batch中输入的平均值μB和接着将每一个输入特征xi进行标准归一化,再利用偏移参数β和缩放参数γ对标准化的输入进行作用得到最终结果:
具体实施方式三、本实施方式是对具体实施方式一所述的一种基于卷积神经网络的脑胶质瘤MRI图像分割方法的进一步说明,所述的步骤三的具体过程为:将模型放在Nvidia1080TiGPU上进行训练,训练完成后进行测试并标注,并对图像进行分割,其权重设为背景:坏死核:水肿:增强型脑胶质瘤等于1:5:2:3,将标准标注分为四类,标签0代表背景,标签1代表坏死核和非增强型胶质瘤,标签2代表瘤周水肿,标签4代表增强型胶质瘤,4种标签根据划分代表胶质瘤的三个亚区,(1)全部胶质瘤;(2)胶质瘤核心区,由坏死组织、非增强胶质瘤和增强胶质瘤组成;(3)胶质瘤增强区,仅有增强型胶质瘤组成。
具体实施方式四、本实施方式是对具体实施方式一所述的一种基于卷积神经网络的脑胶质瘤MRI图像分割方法的进一步说明,所述的步骤一中对图像数据进行中心裁剪,裁剪的大小为224*224*155。
需要声明的是,上述发明内容及具体实施方式意在证明本发明所提供技术方案的实际应用,不应解释为对本发明保护范围的限定。本领域技术人员在本发明的精神和原理内,当可作各种修改、等同替换或改进。本发明的保护范围以所附权利要求书为准。
Claims (4)
1.一种基于卷积神经网络的脑胶质瘤MRI图像分割方法,其特征在于,该方法包括如下步骤:
步骤一:利用直方图均衡化方法对脑胶质瘤MRI图像数据进行处理,对图像数据进行中心裁剪,并对图像进行归一化,归一化后对图像切成64*64*64的块;
步骤二:对三维卷积神经网络模型进行搭建,采用编码-解码结构;
编码结构;
将网络的输入分为四个通道,分别输入病人四个模态的脑胶质瘤MRI图像数据,将每个模态的数据分别进行特征的提取,在每一层相同的卷积层,将四个模态学习到的特征进行融合,通过残差连接,输出到解码结构对应的卷积层中;
解码结构:
利用双线性插值方法,此部分的每一层卷积层,不会接收来自上一层的特征信息,会接收来自编码部分对应卷积层四个模态特征的融合,并将特征进一步进行融合;
步骤三:对模型的训练与分割;
将模型放在Nvidia1080TiGPU上进行训练,训练完成后进行测试并标注,并对图像进行分割。
2.如权利要求1所述的一种基于卷积神经网络的脑胶质瘤MRI图像分割方法,其特征在于,所述的步骤二的具体过程为:
对三维卷积神经网络模型进行搭建,采用编码-解码结构,在卷积神经网络模型中,每个卷积块包括2-3组卷积层、激活函数和实例归一化的组合,激活函数采用泄露修正线性单元,左半部分梯度部位0,输入值落在此半部分,泄漏率为10-2,泄露修正线性单元表达如下:
式中:xi----代表每一个输入数据;
a-----代表泄漏率;
每一个卷积块的后面加入了一个Dropout层;
m是一个输入样本的数量,xi代表每一个输入数据,xi经过归一化后得到yi是将输出归一化后得到的结果,代表方差,μB代表均值,β代表偏移参数,γ代表缩放参数,首先计算当前一个Batch中输入的平均值μB和接着将每一个输入特征xi进行标准归一化,再利用偏移参数β和缩放参数γ对标准化的输入进行作用得到最终结果:
3.如权利要求2所述的一种基于卷积神经网络的脑胶质瘤MRI图像分割方法,其特征在于,所述的步骤三的具体过程为:将模型放在Nvidia1080TiGPU上进行训练,训练完成后进行测试并标注,并对图像进行分割,其权重设为背景:坏死核:水肿:增强型脑胶质瘤等于1:5:2:3,将标准标注分为四类,标签0代表背景,标签1代表坏死核和非增强型胶质瘤,标签2代表瘤周水肿,标签4代表增强型胶质瘤,4种标签根据划分代表胶质瘤的三个亚区,(1)全部胶质瘤;(2)胶质瘤核心区,由坏死组织、非增强胶质瘤和增强胶质瘤组成;(3)胶质瘤增强区,仅有增强型胶质瘤组成。
4.如权利要求3所述的一种基于卷积神经网络的脑胶质瘤MRI图像分割方法,其特征在于,所述的步骤一中对图像数据进行中心裁剪,裁剪的大小为224*224*155。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110314057.9A CN113012168B (zh) | 2021-03-24 | 2021-03-24 | 一种基于卷积神经网络的脑胶质瘤mri图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110314057.9A CN113012168B (zh) | 2021-03-24 | 2021-03-24 | 一种基于卷积神经网络的脑胶质瘤mri图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113012168A CN113012168A (zh) | 2021-06-22 |
CN113012168B true CN113012168B (zh) | 2022-11-04 |
Family
ID=76406218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110314057.9A Expired - Fee Related CN113012168B (zh) | 2021-03-24 | 2021-03-24 | 一种基于卷积神经网络的脑胶质瘤mri图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113012168B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934743B (zh) * | 2023-09-14 | 2023-11-24 | 东莞市东南部中心医院(东莞市东南部中医医疗服务中心) | 医学影像肿瘤恶性风险评估方法、系统、设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033419A (zh) * | 2019-04-17 | 2019-07-19 | 山东超越数控电子股份有限公司 | 一种适应于舰基图像去雾的处理方法 |
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 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6643771B2 (ja) * | 2015-10-13 | 2020-02-12 | 株式会社国際電気通信基礎技術研究所 | 脳活動解析装置、脳活動解析方法および脳活動解析プログラム |
CN106408562B (zh) * | 2016-09-22 | 2019-04-09 | 华南理工大学 | 基于深度学习的眼底图像视网膜血管分割方法及系统 |
CN107220980B (zh) * | 2017-05-25 | 2019-12-03 | 重庆师范大学 | 一种基于全卷积网络的mri图像脑肿瘤自动分割方法 |
CN109086656B (zh) * | 2018-06-06 | 2023-04-18 | 平安科技(深圳)有限公司 | 机场异物检测方法、装置、计算机设备及存储介质 |
CN109190682B (zh) * | 2018-08-13 | 2020-12-18 | 北京安德医智科技有限公司 | 一种基于3d核磁共振影像的脑部异常的分类方法及设备 |
CN112233135A (zh) * | 2020-11-11 | 2021-01-15 | 清华大学深圳国际研究生院 | 眼底图像中视网膜血管分割方法及计算机可读存储介质 |
CN112365496B (zh) * | 2020-12-02 | 2022-03-29 | 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
- 2021-03-24 CN CN202110314057.9A patent/CN113012168B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033419A (zh) * | 2019-04-17 | 2019-07-19 | 山东超越数控电子股份有限公司 | 一种适应于舰基图像去雾的处理方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113012168A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | An adversarial learning approach to medical image synthesis for lesion detection | |
Krissian | Flux-based anisotropic diffusion applied to enhancement of 3-D angiogram | |
Marimont et al. | Anomaly detection through latent space restoration using vector quantized variational autoencoders | |
CN109584244B (zh) | 一种基于序列学习的海马体分割方法 | |
CN110706214B (zh) | 融合条件随机与残差的三维U-Net大脑肿瘤分割方法 | |
JP2023550844A (ja) | 深層形状学習に基づく肝臓ct自動分割方法 | |
CN109360152A (zh) | 基于稠密卷积神经网络的三维医学图像超分辨率重建方法 | |
CN109886929B (zh) | 一种基于卷积神经网络的mri肿瘤体素检测方法 | |
CN110992351A (zh) | 基于多输入卷积神经网络的sMRI图像分类方法和装置 | |
CN114266939B (zh) | 一种基于ResTLU-Net模型的脑提取方法 | |
CN111369574B (zh) | 一种胸腔器官的分割方法及装置 | |
CN113012168B (zh) | 一种基于卷积神经网络的脑胶质瘤mri图像分割方法 | |
CN112598656A (zh) | 一种基于UNet++优化和权值预算的脑肿瘤分割算法 | |
CN110942464A (zh) | 一种融合2维和3维模型的pet图像分割方法 | |
TW202221568A (zh) | 圖像識別方法、電子設備、電腦可讀儲存介質 | |
CN109920512B (zh) | 一种三维剂量分布网络模型的训练方法及装置 | |
CN111784727A (zh) | 基于3d/2d配准应用于血管介入手术导航的方法及装置 | |
CN110874855B (zh) | 一种协同成像方法、装置、存储介质和协同成像设备 | |
CN112489048B (zh) | 一种基于深度网络的视神经自动分割方法 | |
CN111275783B (zh) | 磁共振图像的相位解缠方法、装置及磁共振成像系统 | |
CN113435481A (zh) | 一种基于生成对抗网络的肝脏肿瘤图像增广方法 | |
CN116030043A (zh) | 一种多模态医学图像分割方法 | |
CN117422871A (zh) | 一种基于V-Net的轻量级脑肿瘤分割方法及系统 | |
CN114913262B (zh) | 采样模式与重建算法联合优化的核磁共振成像方法及系统 | |
CN115546270A (zh) | 多尺度特征融合的图像配准方法、模型训练方法及设备 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221104 |
|
CF01 | Termination of patent right due to non-payment of annual fee |