CN113052857A - 一种基于CovSegNet的肺部病变图像分割方法 - Google Patents

一种基于CovSegNet的肺部病变图像分割方法 Download PDF

Info

Publication number
CN113052857A
CN113052857A CN202110301557.9A CN202110301557A CN113052857A CN 113052857 A CN113052857 A CN 113052857A CN 202110301557 A CN202110301557 A CN 202110301557A CN 113052857 A CN113052857 A CN 113052857A
Authority
CN
China
Prior art keywords
data
model
covsegnet
training
image 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
Application number
CN202110301557.9A
Other languages
English (en)
Inventor
王小华
潘晓光
焦璐璐
张娜
张雅娜
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.)
Shanxi Sanyouhe Smart Information Technology Co Ltd
Original Assignee
Shanxi Sanyouhe Smart Information 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 Shanxi Sanyouhe Smart Information Technology Co Ltd filed Critical Shanxi Sanyouhe Smart Information Technology Co Ltd
Priority to CN202110301557.9A priority Critical patent/CN113052857A/zh
Publication of CN113052857A publication Critical patent/CN113052857A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/32—Normalisation of the pattern dimensions
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明属于应用肺部病变图像分割技术领域，具体涉及一种基于CovSegNet的肺部病变图像分割方法，包括如下步骤：数据采集、数据预处理、模型构建、模型保存、模型评估，所述数据采集采集来自肺部感染的多种数据集，对获取的数据集中的图像进行数据标注，构建模型训练所需数据集；所述数据预处理对数据划分，归一化和图像缩放，并且进行数据扩充；所述模型构建基于CovSegNet的分割网络模型，输入训练数据，搭建参数模型；所述模型保存保存损失函数不再降低之后的模型；所述模型评估通过多种评价指标对保存的模型进行评估，了解其相关性能。

Description

一种基于CovSegNet的肺部病变图像分割方法
技术领域
本发明属于肺部病变图像分割技术领域，具体涉及一种基于CovSegNet的肺部病变图像分割方法。
背景技术
目前随着最近冠状病毒病-2019COVID-19的爆发，世界经历了前所未有的死亡人数，世界各地的医疗保健系统严重崩溃。早期诊断是现阶段控制这一全球大流行的首要问题，因为它具有极端传染性。尽管逆转录-聚合酶链反应(RT-PCR)被认为是诊断COVID-19的金标准，但其较长的时间要求、较低的灵敏度以及试剂盒的大量短缺，已经使替代自动化诊断方案变得极其紧迫。
存在问题或缺陷的原因：肺部CT扫描肺病变自动分割是COVID-19准确诊断和严重程度测量的关键阶段。传统的编码器-解码器体系结构及其变体在汇集/上采样操作中受到上下文信息减少的困扰，编码和解码特征映射之间的语义差距增加，并导致其序列梯度传播的梯度消失问题，从而导致次优性能。此外，由于计算复杂度呈指数增长，使优化变得困难，存在一定的限制。
发明内容
针对上述方法上下文信息关联减少、编码和解码特征映射之间的语义差距增加的技术问题，本发明提供了一种效率高、分割性能强、误差小的基于CovSegNet的肺部病变图像分割方法。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于CovSegNet的肺部病变图像分割方法，包括下列步骤：
S100、数据采集：采集来自肺部感染的多种数据集，对获取的数据集中的图像进行数据标注，构建模型训练所需数据集；
S200、数据预处理：对数据划分，归一化和图像缩放，并且进行数据扩充；
S300、模型构建：基于CovSegNet的分割网络模型，输入训练数据，搭建参数模型；
S400、模型保存：保存损失函数不再降低之后的模型；
S500、模型评估：通过多种评价指标对保存的模型进行评估，了解其相关性能。
所述S100数据采集中，采集20个CT卷，1800+切片形成数据集-1，且由放射学专家进行图像标注，然后从40名不同的COVID-19患者采集110幅轴向CT图像形成COVID-19CT分割数据集-2。
所述S200数据预处理中，统一将两个数据集中的图像大小调整为512×512。
所述S200数据预处理中，分别对训练集数据进行45度，90度，135度旋转，并调整数据对比度、亮度，对数据进行扩增，然后将进行变换后的数据与原训练集混合，构建新的数据集。
所述S200数据预处理中，使用五折交叉验证法将数据集D划分为5个大小相似的互斥子集，然后用4个子集的并集作为训练集，余下的子集作为测试集，获得5组训练/测试集，然后进行5次训练和测试，最终返回到5个测试结果的均值。
所述S200数据预处理中，对所有数据进行每个像素点除以225的归一化操作，统一量纲。
所述S300模型构建中，将CT图像的分割成两个后续阶段，在训练的第一阶段中将在CovSegNet架构的二维变体中进行基于二维切片的优化过程用于提取CT切片中感染病灶的分割掩膜，优化后，采用阈值法将预测概率掩码转换为二进制掩码，然后从输入的CT体积中提取若干二维切片，利用预先训练好的CovSegNet2D提取肺部病变的概率掩模，然后将其聚合，生成去除大部分冗余部分的ROI增强CT体积，再将CovSegNet的3D变体投入操作，结合层内和层间的背景特征对ROI增强，对CT体积进行进一步处理；然后在训练的第二阶段中对该CovSegNet3D进行训练和优化，以生成3D体积概率掩模，引入切片间处理，同时对第一阶段获得的预训练CovSegNet2D进行微调，生成ROI增强的切片。
所述S400模型保存中，首先使用Focal Tversky损失函数
Figure BDA0002986461830000021
Figure BDA0002986461830000022
对模型进行计算，然后将CovSegNet2D和CovSegNet3D分割模型的目标损失函数表示为
Figure BDA0002986461830000023
ζ3D＝L(Y,YP)；
Figure BDA0002986461830000024
之后将分段与体积相结合形成联合优化目标损失函数
Figure BDA0002986461830000025
用于图像分割。
本发明与现有技术相比，具有的有益效果是：
本发明提出了一种基于高效神经网络结构CovSegNet的COVID-19病灶自动分割方案，此外，引入了一个两阶段的训练方案，其中一个更深层次的2d网络用于生成ROI增强的CT体积，然后是一个更浅的3D网络，用于进一步增强更多的上下文信息，而不增加计算负担。随着U-Net传统的垂直扩展，引入了多级编译码模块的水平扩展，以实现最佳性能。此外，在尺度转换过程中还集成了多尺度特征图，克服了上下文信息丢失的问题；引入一个多尺度融合模块，采用金字塔融合方案来减少后续编码器/解码器模块之间的语义间隙，同时便于并行优化有效的梯度传播。同时可在广泛的应用中获得最佳的分割性能。
附图说明
图1为本发明的系统流程图。
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。
一种基于CovSegNet的肺部病变图像分割方法，如图1所示，包括下列步骤：
S100、数据采集：采集来自肺部感染的多种数据集，对获取的数据集中的图像进行数据标注，构建模型训练所需数据集；
S200、数据预处理：对数据划分，归一化和图像缩放，并且进行数据扩充；
S300、模型构建：基于CovSegNet的分割网络模型，输入训练数据，搭建参数模型；
S400、模型保存：保存损失函数不再降低之后的模型；
S500、模型评估：通过多种评价指标对保存的模型进行评估，了解其相关性能。
进一步，步骤数据采集中，采集20个CT卷，1800+切片形成数据集-1，且由放射学专家进行图像标注，所有切片均有肺区和感染区标注。然后通过意大利医学和放射学专家从40名不同的COVID-19患者采集110幅轴向CT图像形成COVID-19CT分割数据集-2，每个切片包含感染的多类注释。
进一步，步骤数据预处理中，由于获取的两个数据集中图像大小不同，为了将其输入分割模型，保证模型的分割性能，统一将两个数据集中的图像大小调整为512×512。
进一步，步骤数据预处理中，分别对训练集数据进行45度，90度，135度旋转，并调整数据对比度、亮度，对数据进行扩增，然后将进行变换后的数据与原训练集混合，构建新的数据集。通过扩增数据数量，提高模型分割能力与鲁棒性。
进一步，步骤数据预处理中，使用五折交叉验证法将数据集D划分为5个大小相似的互斥子集，每个子集都要尽可能保持数据分布的一致性。然后用4个子集的并集作为训练集，余下的子集作为测试集，获得5组训练/测试集，然后进行5次训练和测试，最终返回到5个测试结果的均值，以此进行模型训练。
进一步，步骤数据预处理中，对所有数据进行归一化操作，统一量纲，方便模型训练。归一化方式为对每个像素点除以225。
Figure BDA0002986461830000041
进一步，步骤模型构建中，将CT图像的分割成两个后续阶段，在训练的第一阶段中将在CovSegNet架构的二维变体中进行基于二维切片的优化过程用于提取CT切片中感染病灶的分割掩膜，优化后，采用阈值法将预测概率掩码转换为二进制掩码。在完成第一阶段的训练和优化后，该网络能够高效、有效地提取基于切片的病变掩膜。然而，基于切片的输入CT体积处理将导致层间上下文信息的丢失，从而导致性能欠佳。为了进一步利用层间信息进行优化和处理，引入了训练阶段的第2阶段。然后从输入的CT体积中提取若干二维切片，利用预先训练好的CovSegNet2D提取肺部病变的概率掩模。由于CovSegNet2D在第一阶段对基于2D切片的分割进行了大量优化，它将提供CT切片中感兴趣区域的有效概率掩膜。这些掩模用于在抑制冗余部分的同时增强CT切片的ROI，然后将其聚合，生成去除大部分冗余部分的ROI增强CT体积，再将CovSegNet的3D变体投入操作，结合层内和层间的背景特征对ROI增强，对CT体积进行进一步处理；然后在训练的第二阶段中对该CovSegNet3D进行训练和优化，以生成3D体积概率掩模，引入切片间处理以提高性能，同时对第一阶段获得的预训练CovSegNet2D进行微调，生成ROI增强的切片。
进一步，步骤模型构建中，这两个网络都通过联合优化过程来获得最佳性能。此外，CovSegNet2D的深层变体可以利用2D操作降低成本，而CovSegNet3D的浅层变体可用于减少3D处理的计算负担。由于仅利用CovSegNet2D就可以从基于切片的操作中获得相当精确的性能，因此在训练的第2阶段，它减少了对更深层次3d操作的需求。该网络能够利用有效、更轻的2D卷积和提供最佳性能的3D上下文信息进行图像的精确分割。
进一步，步骤模型保存中，为了对大量数据集有较好的泛化效果，首先使用FocalTversky损失函数对模型进行计算，其公式为：
Figure BDA0002986461830000042
Figure BDA0002986461830000043
其中，g0i和p0i分别代表像素i处于正常区域中的ground truth和预测概率；g1i和p1i分别表示像素i的ground truth和预测概率；P是图像上的像素总数；α和β分别为平衡类别不均匀的参数，其中α+β＝1；ε是为了防止分母为0，保证函数的安全；而在保证模型分割性能时，可将α设置为0.7，β设置为0.3，γ设置为
Figure BDA0002986461830000046
为了进一步优化目标损失函数，提高分割性能，将CovSegNet2D和CovSegNet3D分割模型的目标损失函数表示为：
Figure BDA0002986461830000044
ζ3D＝L(Y,YP)；
Figure BDA0002986461830000045
其中，如果y和yp分别为切片掩模的ground truth和相应的概率预测；Y和Yp分别表示体积掩模的ground truth和相应的概率预测；之后将分段与体积相结合形成联合优化目标损失函数用于图像分割，其公式为：
Figure BDA0002986461830000051
其中，λ为二维损失项的比例因子；s为每个体积上二维切片的总数为了提升模型性能，可将λ设置为0.2。
进一步，步骤模型评估中，通过多种评价指标对保存的模型进行评估，了解其相关性能，其多种评价指标公式如下：
Figure BDA0002986461830000052
Figure BDA0002986461830000053
其中，TP、FP、FN分别表示真阳性、假阳性和假阴性预测。
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 (8)

1.一种基于CovSegNet的肺部病变图像分割方法，其特征在于：包括下列步骤：
S100、数据采集：采集来自肺部感染的多种数据集，对获取的数据集中的图像进行数据标注，构建模型训练所需数据集；
S200、数据预处理：对数据划分，归一化和图像缩放，并且进行数据扩充；
S300、模型构建：基于CovSegNet的分割网络模型，输入训练数据，搭建参数模型；
S400、模型保存：保存损失函数不再降低之后的模型；
S500、模型评估：通过多种评价指标对保存的模型进行评估，了解其相关性能。
2.根据权利要求1所述的一种基于CovSegNet的肺部病变图像分割方法，其特征在于：所述S100数据采集中，采集20个CT卷，1800+切片形成数据集-1，且由放射学专家进行图像标注，然后从40名不同的COVID-19患者采集110幅轴向CT图像形成COVID-19CT分割数据集-2。
3.根据权利要求1所述的一种基于CovSegNet的肺部病变图像分割方法，其特征在于：所述S200数据预处理中，统一将两个数据集中的图像大小调整为512×512。
4.根据权利要求1所述的一种基于CovSegNet的肺部病变图像分割方法，其特征在于：所述S200数据预处理中，分别对训练集数据进行45度，90度，135度旋转，并调整数据对比度、亮度，对数据进行扩增，然后将进行变换后的数据与原训练集混合，构建新的数据集。
5.根据权利要求1所述的一种基于CovSegNet的肺部病变图像分割方法，其特征在于：所述S200数据预处理中，使用五折交叉验证法将数据集D划分为5个大小相似的互斥子集，然后用4个子集的并集作为训练集，余下的子集作为测试集，获得5组训练/测试集，然后进行5次训练和测试，最终返回到5个测试结果的均值。
6.根据权利要求1所述的一种基于CovSegNet的肺部病变图像分割方法，其特征在于：所述S200数据预处理中，对所有数据进行每个像素点除以225的归一化操作，统一量纲。
7.根据权利要求1所述的一种基于CovSegNet的肺部病变图像分割方法，其特征在于：所述S300模型构建中，将CT图像的分割成两个后续阶段，在训练的第一阶段中将在CovSegNet架构的二维变体中进行基于二维切片的优化过程用于提取CT切片中感染病灶的分割掩膜，优化后，采用阈值法将预测概率掩码转换为二进制掩码，然后从输入的CT体积中提取若干二维切片，利用预先训练好的CovSegNet2D提取肺部病变的概率掩模，然后将其聚合，生成去除大部分冗余部分的ROI增强CT体积，再将CovSegNet的3D变体投入操作，结合层内和层间的背景特征对ROI增强，对CT体积进行进一步处理；然后在训练的第二阶段中对该CovSegNet3D进行训练和优化，以生成3D体积概率掩模，引入切片间处理，同时对第一阶段获得的预训练CovSegNet2D进行微调，生成ROI增强的切片。
8.根据权利要求1所述的一种基于CovSegNet的肺部病变图像分割方法，其特征在于：所述S400模型保存中，首先使用Focal Tversky损失函数
Figure FDA0002986461820000021
Figure FDA0002986461820000022
对模型进行计算，然后将CovSegNet2D和CovSegNet3D分割模型的目标损失函数表示为ζ2D＝L(y,yP)；
Figure FDA0002986461820000023
ζ3D＝L(Y,YP)；
Figure FDA0002986461820000024
之后将分段与体积相结合形成联合优化目标损失函数
Figure FDA0002986461820000025
用于图像分割。
CN202110301557.9A 2021-03-22 2021-03-22 一种基于CovSegNet的肺部病变图像分割方法 Pending CN113052857A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110301557.9A CN113052857A (zh) 2021-03-22 2021-03-22 一种基于CovSegNet的肺部病变图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110301557.9A CN113052857A (zh) 2021-03-22 2021-03-22 一种基于CovSegNet的肺部病变图像分割方法

Publications (1)

Publication Number Publication Date
CN113052857A true CN113052857A (zh) 2021-06-29

Family

ID=76514105

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110301557.9A Pending CN113052857A (zh) 2021-03-22 2021-03-22 一种基于CovSegNet的肺部病变图像分割方法

Country Status (1)

Country Link
CN (1) CN113052857A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113838018A (zh) * 2021-09-16 2021-12-24 泰州市人民医院 基于Cnn-former的肝纤维化病变检测模型训练方法与系统
CN114820571A (zh) * 2022-05-21 2022-07-29 东北林业大学 一种基于dlpe算法的肺炎纤维化量化分析方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111402268A (zh) * 2020-03-16 2020-07-10 苏州科技大学 一种医学图像中肝脏及其病灶分割的方法
CN111755131A (zh) * 2020-06-22 2020-10-09 武汉大学 一种基于注意力引导的covid-19早筛和严重程度评估方法和系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111402268A (zh) * 2020-03-16 2020-07-10 苏州科技大学 一种医学图像中肝脏及其病灶分割的方法
CN111755131A (zh) * 2020-06-22 2020-10-09 武汉大学 一种基于注意力引导的covid-19早筛和严重程度评估方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TANVIR MAHMUD ET AL: "CovSegNet: A Multi Encoder–Decoder Architecture for Improved Lesion Segmentation of COVID-19 Chest CT Scans", 《IEEE XPLORE》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113838018A (zh) * 2021-09-16 2021-12-24 泰州市人民医院 基于Cnn-former的肝纤维化病变检测模型训练方法与系统
CN113838018B (zh) * 2021-09-16 2024-01-23 泰州市人民医院 基于Cnn-former的肝纤维化病变检测模型训练方法与系统
CN114820571A (zh) * 2022-05-21 2022-07-29 东北林业大学 一种基于dlpe算法的肺炎纤维化量化分析方法
CN114820571B (zh) * 2022-05-21 2023-05-30 东北林业大学 一种基于dlpe算法的肺炎纤维化量化分析方法

Similar Documents

Publication Publication Date Title
Wang et al. An improved dice loss for pneumothorax segmentation by mining the information of negative areas
Tang et al. A multi-stage framework with context information fusion structure for skin lesion segmentation
CN111882560B (zh) 一种基于加权全卷积神经网络的肺实质ct图像分割方法
CN111429473B (zh) 基于多尺度特征融合的胸片肺野分割模型建立及分割方法
CN110265141B (zh) 一种肝脏肿瘤ct影像计算机辅助诊断方法
CN117152433A (zh) 一种基于多尺度跨层注意力融合网络的医学图像分割方法
CN113223005B (zh) 一种甲状腺结节自动分割及分级的智能系统
CN114998265A (zh) 一种基于改进U-Net的肝脏肿瘤分割方法
CN112734755A (zh) 基于3d全卷积神经网络与多任务学习的肺叶分割方法
CN112862830A (zh) 一种多模态图像分割方法、系统、终端及可读存储介质
CN113554665A (zh) 一种血管分割方法及装置
CN113052857A (zh) 一种基于CovSegNet的肺部病变图像分割方法
WO2021209887A1 (en) Rapid, accurate and machine-agnostic segmentation and quantification method and device for coronavirus ct-based diagnosis
CN116228792A (zh) 一种医学图像分割方法、系统及电子装置
CN111798424A (zh) 一种基于医学图像的结节检测方法、装置及电子设备
CN116091490A (zh) 一种基于YOLOv4-CA-CBAM-K-means++-SIOU的肺结节检测方法
CN117911418B (zh) 基于改进yolo算法的病灶检测方法、系统及存储介质
CN116433654A (zh) 一种改进的U-Net网络实现脊柱整体分割方法
Tyagi et al. An amalgamation of vision transformer with convolutional neural network for automatic lung tumor segmentation
Geng et al. STCNet: Alternating CNN and improved transformer network for COVID-19 CT image segmentation
CN115018780A (zh) 一种融合全局推理和mlp架构的甲状腺结节分割方法
CN112802040B (zh) 一种基于边缘感知的x光片气胸分割及评估方法
CN115222651A (zh) 一种基于改进Mask R-CNN的肺结节检测系统
Suntwal et al. Automated pericardium-segmentation using an attention-based convolutional neural network
TW202223914A (zh) 基於胸部低劑量電腦斷層影像之深度學習肺結節偵測方法及電腦程式產品

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: 20210629