CN113012178A - 一种肾脏肿瘤图像分割方法 - Google Patents
一种肾脏肿瘤图像分割方法 Download PDFInfo
- Publication number
- CN113012178A CN113012178A CN202110493720.6A CN202110493720A CN113012178A CN 113012178 A CN113012178 A CN 113012178A CN 202110493720 A CN202110493720 A CN 202110493720A CN 113012178 A CN113012178 A CN 113012178A
- Authority
- CN
- China
- Prior art keywords
- image
- kidney
- network
- tumor
- segmentation
- 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
- 208000008839 Kidney Neoplasms Diseases 0.000 title claims abstract description 55
- 238000003709 image segmentation Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 16
- 210000003734 kidney Anatomy 0.000 claims abstract description 59
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000012805 post-processing Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract 1
- 206010038389 Renal cancer Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 201000010982 kidney cancer Diseases 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012795 verification 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
- G06T7/12—Edge-based segmentation
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06T7/13—Edge detection
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种肾脏肿瘤图像分割方法,首先获取原始肾脏图像数据集,对所述原始肾脏图像数据集执行预处理操作,得到肾脏图像训练集和测试集;然后利用处理得到的肾脏图像训练集输入到预训练的肾脏肿瘤图像分割模型中,其中采用的肾脏肿瘤图像分割模型包括:第一网络、第二网络和第三网络;将肾脏图像测试集输入到训练完成的肾脏肿瘤图像分割模型中,得到三种网络图像,并将得到的三种网络图像执行后处理操作得到最终的肾脏肿瘤图像分割结果。本发明通过三种网络结构优化、预处理以及后处理等手段,消除了假阳性和肿瘤区域外的信息,能够得到更精确的肾脏肿瘤图像分割信息。
Description
技术领域
本发明属于医学图像处理领域,具体涉及一种肾脏肿瘤图像分割方法。
背景技术
肾癌是人类最常见的十种癌症之一,在2018年,肾癌在全球范围内的发病超过400000例,其中超过175000例死亡。肾脏及肾脏肿瘤的分割是将患有肾癌的病人所拍摄的三维医学图像中的肾脏器官区域及肾脏的肿瘤区域与其他健康的组织分离开来的一种技术手段,在医学中利用CT图像来对肾癌进行诊断是关键且必要的一步,利用图像分割的方法自动对患者的CT 图像进行标注能够辅助医生进行肾脏区域肿瘤病变的诊断,降低误诊率,同时节省医生对于肿瘤区域手动标注的时间,为患者争取治疗时间。
近年来,由于深度学习的不断发展以及各种经过专家标注的患者的医学影响数据公开,使得医学图像分割性能不断提高。在医学图像分割当中, U-Net结构是目前医学图像分割中常见的一种神经网络结构,然而直接对于利用U-Net神经网络结构图像分割模型进行分割会存在这样的问题:大量的不包含肾脏或者肾脏肿瘤的切片输入进神经网络,会存在大量韵冗余信息。
发明内容
为了解决现有技术的上述问题,本发明提供一种肾脏肿瘤图像分割方法,消除了假阳性和肿瘤区域外的信息,能够得到更精确的肾脏肿瘤图像分割信息。本发明的技术方案如下:
一种肾脏肿瘤图像分割方法,所述的方法包括:
获取原始肾脏图像数据集,对所述原始肾脏图像数据集执行预处理操作,得到肾脏图像训练集和测试集;所述的预处理操作包括对原始肾脏图像进行重采样和像素填充,使原始肾脏图像数据集中的图像具有相同的分辨率,并对填充后的原始肾脏图像数据集进行一次下采样;
将预处理后的肾脏图像训练集输入到预训练的肾脏肿瘤图像分割模型中,所述的肾脏肿瘤图像分割模型包括:第一网络、第二网络和第三网络,所述的第一网络、第二网络和第三网络均为U-Net网络结构;其中:
将得到的肾脏图像训练集输入到所述的第一网络,得到肾脏轮廓粗分割图像;
将得到的肾脏图像训练集输入到所述的第二网络,得到感兴趣区域图像,所述的感兴趣区域图像指的是包含肾脏及肿瘤的区域图像;
将得到的肾脏图像训练集和第二网络生成的感兴趣区域图像输入到所述的第三网络,得到肾脏肿瘤精准分割图像;
根据所述三种网络输出结果计算对应的预测误差损失,并根据误差损失更新肾脏肿瘤图像分割模型参数,直至肾脏肿瘤图像分割模型训练完成;
将肾脏图像测试集输入到训练完成的肾脏肿瘤图像分割模型中得到肾脏轮廓粗分割图像、感兴趣区域图像和肾脏肿瘤精准分割图像;
对得到的肾脏轮廓粗分割图像、感兴趣区域图像和肾脏肿瘤精准分割图像执行后处理操作,所述的后处理操作包括对感兴趣区域图像和肾脏肿瘤精准分割图像分别进行二值化处理,得到第一肿瘤掩模和第二肿瘤掩模;采用大小不同的两个预设阈值对得到的第一肿瘤掩模和第二肿瘤掩模进行处理,将符合阈值范围内的第一肿瘤掩模和第二肿瘤掩模进行合并,将合并后的肿瘤掩模与肾脏轮廓粗分割图像进行合并,得到肾脏肿瘤图像分割结果。
进一步地,所述的第一网络、第二网络和第三网络卷积层滤波器大小为 3×3×3。
本发明的有益效果在于:能够融合在肾脏图像中通过不同尺度的肿瘤图像更好地捕捉肿瘤特定特征。
附图说明
图1是本发明肾脏肿瘤图像分割方法流程示意图;
图2是本发明肾脏肿瘤图像分割模型结构图;
图3是本发明肾脏肿瘤图像分割模型中第一网络结构图;
图4是本发明肾脏肿瘤图像分割模型中第二网络和第三网络结构图。
具体实施方式
下面结合附图和实施例,对本发明技术方案作进一步描述:
本实施例中提供了一种肾脏肿瘤图像分割方法,如图1所示,包括:
获取原始肾脏图像数据集,原始肾脏图像的分辨率为512×512,但在轴向上具有不同的切片计数,所以体素的大小并不一致。对原始肾脏图像数据集执行预处理操作,首先对原始肾脏图像数据进行重新采样到256×256× 128大小,然后利用将整个数据集填充到单个最大体积大小,为了提高处理速度和降低内存消耗,将数据集下采样到256×256×128大小,并将其分为肾脏图像训练集和测试集,其中训练集包括了带有人工精确标记的肾脏肿瘤结果,用以对训练结果进行比对。
将预处理后的肾脏图像训练集输入到预训练的肾脏肿瘤图像分割模型中,肾脏肿瘤图像分割模型包括:第一网络、第二网络和第三网络,第一网络、第二网络和第三网络均为U-Net网络结构,第二网络与第三网络的结构相同,区别在于第三网络的输入除了训练集输入还包含了第二网络的输出;其中,执行的训练过程具体包括:
将得到的肾脏图像训练集输入到第一网络,得到肾脏轮廓粗分割图像;
将得到的肾脏图像训练集输入到第二网络,得到感兴趣区域图像,所述的感兴趣区域图像指的是包含肾脏及肿瘤的区域图像;
将得到的肾脏图像训练集和得到的第二网络生成的感兴趣区域图像输入到第三网络,得到肾脏肿瘤精准分割图像;
根据三种网络输出结果与带有人工标记的训练集肿瘤图像结果计算对应的预测误差损失,并根据误差损失更新肾脏肿瘤图像分割模型参数,直至肾脏肿瘤图像分割模型训练完成。
在本实施例中的整个模型的损失函数L=Lwhole+Ltumor,Lwhole表示整个图像 (肾脏区域和肿瘤区域)的损失,Ltumor表示只有肿瘤区域的损失。模型的骰子损失具体表示为:
其中,i表示第i次训练,ui表示第i次训练第一网络或第二网络产生的 softmax输出,vi表示第i次训练真实分割图的一种热编码,ε表示避免被零除而添加的小常数。
在训练中采用Adam优化器,学习率设置为10-4,记忆参数β1=0.9,β2=0.9 并使用L2正则化(参数设置为10-5)应用于所有卷积层的核权重矩阵,激活函数设置为sigmoid函数,为了防止过度拟合,当验证的损失在6个周期没有改善,将学习率降低0.2倍,若达到15个周期没有改善,则停止训练过程。
将待分割的肾脏图像测试集输入到训练后的肾脏肿瘤图像分割模型中,获得肾脏图像测试集所生成的肾脏轮廓粗分割图像、感兴趣区域图像和肾脏肿瘤精准分割图像,并对得到三种图像执行后处理操作,具体包括采用较大和较小的两个阈值分别对整个区域图像(即感兴趣区域图像)和肿瘤区域图像(肾脏肿瘤精准分割图像)进行二值化处理,在本实施例中,使用阈值T=0.5 对感兴趣区域图像进行二值化,在空掩模的情况下,阈值T=0.1。
使用阈值T=0.5对肾脏肿瘤精准分割图像进行二值化,该阈值基于以下三种情况被降低:如果返回的掩模是空的,则T降低到0.1。如果返回的掩模不是空的,但是它包含少于100个像素,则降低的阈值是T=0.2。
最终将整个区域图像(即感兴趣区域图像)和肿瘤区域图像(肾脏肿瘤精准分割图像)二值化后的图像与第一肿瘤掩模图像进行融合,得到肾脏肿瘤图像分割结果。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (2)
1.一种肾脏肿瘤图像分割方法,其特征在于,所述的方法包括:
获取原始肾脏图像数据集,对所述原始肾脏图像数据集执行预处理操作,得到肾脏图像训练集和测试集;所述的预处理操作包括对原始肾脏图像进行重采样和像素填充,使原始肾脏图像数据集中的图像具有相同的分辨率,并对填充后的原始肾脏图像数据集进行一次下采样;
将预处理后的肾脏图像训练集输入到预训练的肾脏肿瘤图像分割模型中,所述的肾脏肿瘤图像分割模型包括:第一网络、第二网络和第三网络,所述的第一网络、第二网络和第三网络均为U-Net网络结构;其中:
将得到的肾脏图像训练集输入到所述的第一网络,得到肾脏轮廓粗分割图像;
将得到的肾脏图像训练集输入到所述的第二网络,得到感兴趣区域图像,所述的感兴趣区域图像指的是包含肾脏及肿瘤的区域图像;
将得到的肾脏图像训练集和第二网络生成的感兴趣区域图像输入到所述的第三网络,得到肾脏肿瘤精准分割图像;
根据所述三种网络输出结果计算对应的预测误差损失,并根据误差损失更新肾脏肿瘤图像分割模型参数,直至肾脏肿瘤图像分割模型训练完成;
将肾脏图像测试集输入到训练完成的肾脏肿瘤图像分割模型中得到肾脏轮廓粗分割图像、感兴趣区域图像和肾脏肿瘤精准分割图像;
对得到的肾脏轮廓粗分割图像、感兴趣区域图像和肾脏肿瘤精准分割图像执行后处理操作,所述的后处理操作包括对感兴趣区域图像和肾脏肿瘤精准分割图像分别进行二值化处理,得到第一肿瘤掩模和第二肿瘤掩模;采用大小不同的两个预设阈值对得到的第一肿瘤掩模和第二肿瘤掩模进行处理,将符合阈值范围内的第一肿瘤掩模和第二肿瘤掩模进行合并,将合并后的肿瘤掩模与肾脏轮廓粗分割图像进行合并,得到肾脏肿瘤图像分割结果。
2.根据权利要求1所述的方法,其特征在于,所述的第一网络、第二网络和第三网络卷积层滤波器大小为3×3×3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110493720.6A CN113012178A (zh) | 2021-05-07 | 2021-05-07 | 一种肾脏肿瘤图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110493720.6A CN113012178A (zh) | 2021-05-07 | 2021-05-07 | 一种肾脏肿瘤图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113012178A true CN113012178A (zh) | 2021-06-22 |
Family
ID=76380667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110493720.6A Pending CN113012178A (zh) | 2021-05-07 | 2021-05-07 | 一种肾脏肿瘤图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113012178A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017210690A1 (en) * | 2016-06-03 | 2017-12-07 | Lu Le | Spatial aggregation of holistically-nested convolutional neural networks for automated organ localization and segmentation in 3d medical scans |
CN109035197A (zh) * | 2018-05-31 | 2018-12-18 | 东南大学 | 基于三维卷积神经网络的ct造影图像肾脏肿瘤分割方法及系统 |
CN110428427A (zh) * | 2019-07-16 | 2019-11-08 | 东南大学 | 基于密集偏置网络和自编码器的半监督肾动脉分割方法 |
RU2710659C1 (ru) * | 2019-02-20 | 2019-12-30 | Самсунг Электроникс Ко., Лтд. | Совместная неконтролируемая сегментация объектов и подрисовка |
CN110889853A (zh) * | 2018-09-07 | 2020-03-17 | 天津大学 | 基于残差-注意力深度神经网络的肿瘤分割方法 |
CN111354002A (zh) * | 2020-02-07 | 2020-06-30 | 天津大学 | 一种基于深度神经网络的肾脏及肾脏肿瘤分割方法 |
CN111462086A (zh) * | 2020-03-31 | 2020-07-28 | 北京推想科技有限公司 | 图像分割方法及装置、神经网络模型的训练方法及装置 |
CN111553236A (zh) * | 2020-04-23 | 2020-08-18 | 福建农林大学 | 基于道路前景图像的路面病害目标检测与实例分割方法 |
US20200278408A1 (en) * | 2019-03-01 | 2020-09-03 | The Regents Of The University Of California | Systems, Methods and Media for Automatically Segmenting and Diagnosing Prostate Lesions Using Multi-Parametric Magnetic Resonance Imaging Data |
WO2020199528A1 (zh) * | 2019-04-01 | 2020-10-08 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN112258526A (zh) * | 2020-10-30 | 2021-01-22 | 南京信息工程大学 | 一种基于对偶注意力机制的ct肾脏区域级联分割方法 |
CN112348769A (zh) * | 2020-08-20 | 2021-02-09 | 盐城工学院 | 基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法及装置 |
US20210082118A1 (en) * | 2019-09-18 | 2021-03-18 | Adobe Inc. | Enhanced semantic segmentation of images |
CN112633234A (zh) * | 2020-12-30 | 2021-04-09 | 广州华多网络科技有限公司 | 人脸去眼镜模型训练、应用方法及其装置、设备和介质 |
-
2021
- 2021-05-07 CN CN202110493720.6A patent/CN113012178A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017210690A1 (en) * | 2016-06-03 | 2017-12-07 | Lu Le | Spatial aggregation of holistically-nested convolutional neural networks for automated organ localization and segmentation in 3d medical scans |
CN109035197A (zh) * | 2018-05-31 | 2018-12-18 | 东南大学 | 基于三维卷积神经网络的ct造影图像肾脏肿瘤分割方法及系统 |
CN110889853A (zh) * | 2018-09-07 | 2020-03-17 | 天津大学 | 基于残差-注意力深度神经网络的肿瘤分割方法 |
RU2710659C1 (ru) * | 2019-02-20 | 2019-12-30 | Самсунг Электроникс Ко., Лтд. | Совместная неконтролируемая сегментация объектов и подрисовка |
US20200278408A1 (en) * | 2019-03-01 | 2020-09-03 | The Regents Of The University Of California | Systems, Methods and Media for Automatically Segmenting and Diagnosing Prostate Lesions Using Multi-Parametric Magnetic Resonance Imaging Data |
WO2020199528A1 (zh) * | 2019-04-01 | 2020-10-08 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110428427A (zh) * | 2019-07-16 | 2019-11-08 | 东南大学 | 基于密集偏置网络和自编码器的半监督肾动脉分割方法 |
US20210082118A1 (en) * | 2019-09-18 | 2021-03-18 | Adobe Inc. | Enhanced semantic segmentation of images |
CN111354002A (zh) * | 2020-02-07 | 2020-06-30 | 天津大学 | 一种基于深度神经网络的肾脏及肾脏肿瘤分割方法 |
CN111462086A (zh) * | 2020-03-31 | 2020-07-28 | 北京推想科技有限公司 | 图像分割方法及装置、神经网络模型的训练方法及装置 |
CN111553236A (zh) * | 2020-04-23 | 2020-08-18 | 福建农林大学 | 基于道路前景图像的路面病害目标检测与实例分割方法 |
CN112348769A (zh) * | 2020-08-20 | 2021-02-09 | 盐城工学院 | 基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法及装置 |
CN112258526A (zh) * | 2020-10-30 | 2021-01-22 | 南京信息工程大学 | 一种基于对偶注意力机制的ct肾脏区域级联分割方法 |
CN112633234A (zh) * | 2020-12-30 | 2021-04-09 | 广州华多网络科技有限公司 | 人脸去眼镜模型训练、应用方法及其装置、设备和介质 |
Non-Patent Citations (1)
Title |
---|
陈浩;秦志光;丁熠;: "一种两阶段的由粗到细的多模态脑肿瘤分割框架", 电子科技大学学报, no. 04, pages 1 - 4 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598727B (zh) | 一种基于深度神经网络的ct图像肺实质三维语义分割方法 | |
CN111563902B (zh) | 一种基于三维卷积神经网络的肺叶分割方法及系统 | |
CN113077471B (zh) | 一种基于u型网络的医学图像分割方法 | |
CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
CN111784671B (zh) | 基于多尺度深度学习的病理图像病灶区域检测方法 | |
CN110675406A (zh) | 基于残差双注意力深度网络的ct图像肾脏分割算法 | |
CN113313234A (zh) | 用于图像分割的神经网络系统和方法 | |
CN110930416A (zh) | 一种基于u型网络的mri图像前列腺分割方法 | |
CN112614145B (zh) | 一种基于深度学习的颅内出血ct图像分割方法 | |
CN110490927B (zh) | 用于为图像中的对象生成中心线的方法、装置和系统 | |
CN115496771A (zh) | 一种基于脑部三维mri图像设计的脑肿瘤分割方法 | |
CN116097302A (zh) | 用于病灶检测的利用联合训练的连接式机器学习模型 | |
CN112465905A (zh) | 基于深度学习的磁共振成像数据的特征脑区定位方法 | |
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 | |
CN113223005B (zh) | 一种甲状腺结节自动分割及分级的智能系统 | |
CN109447963A (zh) | 一种脑部影像识别的方法及装置 | |
CN114998265A (zh) | 一种基于改进U-Net的肝脏肿瘤分割方法 | |
CN113706486A (zh) | 基于密集连接网络迁移学习的胰腺肿瘤图像分割方法 | |
CN109215035B (zh) | 一种基于深度学习的脑部mri海马体三维分割方法 | |
CN112634285B (zh) | 一种自动分割腹部ct内脏脂肪区域的方法 | |
Liang et al. | Multi-scale self-attention generative adversarial network for pathology image restoration | |
CN114004813A (zh) | 一种应用于宫颈癌放疗临床靶区识别方法及装置 | |
CN114693671B (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
CN113012178A (zh) | 一种肾脏肿瘤图像分割方法 | |
CN114359308A (zh) | 一种基于边缘响应与非线性损失的主动脉夹层分割方法 |
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 |