CN113112484A - 一种基于特征压缩和噪声抑制的心室图像分割方法 - Google Patents
一种基于特征压缩和噪声抑制的心室图像分割方法 Download PDFInfo
- Publication number
- CN113112484A CN113112484A CN202110417511.3A CN202110417511A CN113112484A CN 113112484 A CN113112484 A CN 113112484A CN 202110417511 A CN202110417511 A CN 202110417511A CN 113112484 A CN113112484 A CN 113112484A
- Authority
- CN
- China
- Prior art keywords
- feature
- image
- channel
- mask
- noise suppression
- 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.)
- Granted
Links
- 230000002861 ventricular Effects 0.000 title claims abstract description 24
- 230000001629 suppression Effects 0.000 title claims abstract description 21
- 230000006835 compression Effects 0.000 title claims abstract description 20
- 238000007906 compression Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000003709 image segmentation Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 13
- 230000000747 cardiac effect Effects 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000011423 initialization method Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 5
- 238000013461 design Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect 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
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method 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
- G06T7/0002—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- 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
- G06T2207/30048—Heart; Cardiac
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一种基于特征压缩和噪声抑制的心室图像分割方法,可以消除特征中的噪声特征,解决了噪声特征对网络学习的影响,间接强调了网络中的重要特征,使得网络的训练更加稳定。通过计算不同特征之间的相似度,选择相似度较高的若干通道进行特征融合,在保留原始特征的同时降低特征通道数量,大幅度的减少了整个网络的参数数量,使得网络的训练更加的简单和高效。
Description
技术领域
本发明涉及医学影像处理技术领域,具体涉及一种基于特征压缩和噪声抑制的心室图像分割方法。
背景技术
《全球心血管疾病和危险因素负担1990-2019》显示,心血管疾病的发病率逐年上升,因心血管疾病死亡的人数占全球总死亡人数的三分之一,已经成为全球最大的死亡原因。而在心血管疾病的诊疗中,必须根据心脏图像准确得出心室的形状、体积等参数,辅助医生对疾病做出准确的判断。但是由于心脏影像数据量大且含有复杂的专业知识,因此,对心脏影像的准确解读非常困难。而且专业医师数量少且精力有限,很容易对心脏影像做出错误的判断。
在深度学习的网络设计中,研究人员通常会设计大量的中间特征以确保网络能够充分学习到数据的全部特征。但这种做法对网络学习能力的提升有限,并会带来两个严重的问题:1)大量的中间特征会导致模型的复杂度急剧上升,海量的参数使得网络的训练极其困难;2)庞大的中间特征存在非常多的噪声特征,严重阻碍网络的学习。
发明内容
本发明为了克服以上技术的不足,提供了一种可以在剔除噪声特征的同时还可以压缩特征的心室图像分割方法。
本发明克服其技术问题所采用的技术方案是:
一种基于特征压缩和噪声抑制的心室图像分割方法,包括如下步骤:
a)读取心室分割数据集中的心脏图像数据Image及与心脏图像数据Image对应的掩码Mask;
b)调整心脏图像数据Image和掩码Mask的形状后合并得到双通道矩阵matrix;
c)对双通道矩阵matrix执行N次剪裁,剪裁大小为M×M,对剪裁后的双通道矩阵matrix执行通道分解,得到M大小的心脏图像image和M大小的掩码mask各N张;
d)对N张心脏图像image分别进行归一化处理得到N张处理后的心脏图像img;
e)将N张处理后的心脏图像img和N张掩码mask划分为训练集、验证集和测试集;
f)计算机读取训练集和验证集中的心脏图像img和掩码mask,将读取的心脏图像img记作x,将读取的掩码mask记作y,完成训练数据的加载;
g)选择SGD作为优化器,优化器的初始学习率为0.001,并使用学习率自适应调整策略;
h)将x输入卷积层进行卷积运算,后输入BN层进行规范化处理,规范化处理后由ReLU激活函数进行激活;
i)重复执行步骤h)一次,得到特征图M,对特征图M使用池化核为2*2,stride为2的maxpool层进行特征下采样,得到下采样特征MP;
j)对下采样特征MP进行噪声抑制和特征融合后得到输出特征SMindex;
k)对输出特征SMindex使用若干卷积操作组计算得到特征图CSMindex;
l)对特征图CSMindex使用与步骤i)中的相同的maxpool层进行特征下采样,得到下采样特征MSMindex;
m)重复执行步骤j)至步骤l)3次后,再重复步骤j)至步骤k),得到最终的输出特征FM;
o)通过公式计算每类的损失调整权重μk,式中num为像素点总数,numk为第k类的像素点数量,通过公式计算网络前向传播的损失值loss,式中yk为真实值y中属于第k类的值,为预测值中属于第k类的值,K为网络需要分割的类别总数;
p)根据损失loss调整权重,使用反向传播算法更新步骤h)和步骤k)中的卷积操作组的权重和偏置;
q)重复步骤f)至步骤p)若干次,之后保存模型及其权重;
i)读取测试集的心脏图像imgt及其掩码maskt,将imgt输入到步骤q)保存的模型中,得到预测的分割掩码pre,使用pre和maskt计算mIoU值;
s)如果mIoU值大于等于0.95则将步骤q)中保存的模型作为最终模型Model,如果mIoU值小于0.95,则重复执行步骤f)至步骤i)直至mIoU值大于0.95;
t)将DICOM格式的心脏影响数据解析为普通的JPG格式的图像后将JPG图像剪裁,剪裁后的JPG图像归一化处理后输入到步骤s)中的模型Model中进行心室分割,得到最终的心室分割掩码。
进一步的,步骤b)中使用resize函数将心脏图像数据Image和掩码Mask调整为512×512的大小,对Image采用随机对比度调整后将其与Mask按通道进行合并,得到双通道矩阵matrix。
优选的,步骤c)中N的取值为5,M的取值为352。
优选的,步骤e)中将按照8:1:1的比例划分为训练集、验证集和测试集。
优选的,步骤h)中卷积层的卷积核为3*3,stride为1,padding为1,卷积核的初始参数使用随机初始化方法进行设置。
进一步的,步骤j)包括如下步骤:
j-1)通过公式计算噪声抑制后的特征矩阵YM,MPi(r,c)为输入的下采样特征MP的第i个通道的第r行第c列的元素值,i∈[0,C),r∈[1,size],c∈[1,size],C为输入的下采样特征MP的通道总数,size为下采样特征MP的长宽尺寸,size=352;
j-2)通过公式计算相似度Sij,式中YMi(r,c)为特征矩阵YM的第i个通道的第r行第c列的元素值,为特征矩阵YM的第i个通道的所有元素的平均值,YMj(r,c)为特征矩阵YM的第j个通道的第r行第c列的元素值,为特征矩阵YM的第j个通道的所有元素的平均值,i∈[0,C),j∈[0,C),j>i;
j-3)选取值大于0.9的相似度Sij,以第i个通道为基准进行分类,形成列表{i,j1,...,jn},将列表{i,j1,...,jn}记作Ti,n为与通道i相似的通道的个数;
优选的,步骤k)中卷积操作组由卷积层、BN层和ReLU激活函数组成,卷积层的卷积核为3*3,stride为1,padding为1。
优选的,第一次重复步骤k)时有2个32通道的卷积操作组,第二次重复步骤k)时有4个64通道的卷积操作组,第三次重复步骤k)时有4个128通道的卷积操作组,第四次重复步骤k)时有4个256通道的卷积操作组。
优选的,步骤q)中重复步骤f)至步骤p)10000次。
优选的,步骤t)中JPG图像剪裁为352×352的尺寸。
本发明的有益效果是:可以消除特征中的噪声特征,解决了噪声特征对网络学习的影响,间接强调了网络中的重要特征,使得网络的训练更加稳定。通过计算不同特征之间的相似度,选择相似度较高的若干通道进行特征融合,在保留原始特征的同时降低特征通道数量,大幅度的减少了整个网络的参数数量,使得网络的训练更加的简单和高效。
附图说明
图1为本发明的噪声抑制与特征融合方法流程图;
图2为本发明的网络结构图;
图3为本发明的方法流程图;
图4a为剪裁后的心脏图像;
图4b为分割出来的心室区域掩码。
具体实施方式
下面结合附图1至附图4对本发明做进一步说明。
一种基于特征压缩和噪声抑制的心室图像分割方法,包括如下步骤:
a)读取心室分割数据集中的心脏图像数据Image及与心脏图像数据Image对应的掩码Mask。
b)调整心脏图像数据Image和掩码Mask的形状后合并得到双通道矩阵matrix。
c)对双通道矩阵matrix执行N次剪裁,剪裁大小为M×M,对剪裁后的双通道矩阵matrix执行通道分解,得到M大小的心脏图像image和M大小的掩码mask各N张。
d)对N张心脏图像image分别进行归一化处理得到N张处理后的心脏图像img。
e)将N张处理后的心脏图像img和N张掩码mask划分为训练集、验证集和测试集。
f)计算机读取训练集和验证集中的心脏图像img和掩码mask,将读取的心脏图像img记作x,将读取的掩码mask记作y,完成训练数据的加载。
g)选择SGD作为优化器,优化器的初始学习率为0.001,并使用学习率自适应调整策略。
h)将x输入卷积层进行卷积运算,后输入BN层进行规范化处理,规范化处理后由ReLU激活函数进行激活。
i)重复执行步骤h)一次,得到特征图M,对特征图M使用池化核为2*2,stride为2的maxpool层进行特征下采样,得到下采样特征MP。
j)对下采样特征MP进行噪声抑制和特征融合后得到输出特征SMindex。
k)对输出特征SMindex使用若干卷积操作组计算得到特征图CSMindex。
l)对特征图CSMindex使用与步骤i)中的相同的maxpool层进行特征下采样,得到下采样特征MSMindex。
m)重复执行步骤j)至步骤l)3次后,再重复步骤j)至步骤k),得到最终的输出特征FM。
o)通过公式计算每类的损失调整权重μk,式中num为像素点总数,numk为第k类的像素点数量,通过公式计算网络前向传播的损失值loss,式中yk为真实值y中属于第k类的值,为预测值中属于第k类的值,K为网络需要分割的类别总数。
p)根据损失loss调整权重,使用反向传播算法更新步骤h)和步骤k)中的卷积操作组的权重和偏置。
q)重复步骤f)至步骤p)若干次,之后保存模型及其权重。
i)读取测试集的心脏图像imgt及其掩码maskt,将imgt输入到步骤q)保存的模型中,得到预测的分割掩码pre,使用pre和maskt计算mIoU值。
s)如果mIoU值大于等于0.95则将步骤q)中保存的模型作为最终模型Model,如果mIoU值小于0.95,则重复执行步骤f)至步骤i)直至mIoU值大于0.95。
t)将DICOM格式的心脏影像数据解析为普通的JPG格式的图像后将JPG图像剪裁,剪裁后的心脏图像如附图4a所示,剪裁后的JPG图像归一化处理后输入到步骤s)中的模型Model中进行心室分割,得到最终的心室分割掩码,如附图4b所示。可以消除特征中的噪声特征,解决了噪声特征对网络学习的影响,间接强调了网络中的重要特征,使得网络的训练更加稳定。通过计算不同特征之间的相似度,选择相似度较高的若干通道进行特征融合,在保留原始特征的同时降低特征通道数量,大幅度的减少了整个网络的参数数量,使得网络的训练更加的简单和高效。
实施例1:
步骤b)中使用resize函数将心脏图像数据Image和掩码Mask调整为512×512的大小,对Image采用随机对比度调整后将其与Mask按通道进行合并,得到双通道矩阵matrix。
实施例2:
步骤c)中N的取值为5,M的取值为352。
实施例3:
步骤e)中将按照8:1:1的比例划分为训练集、验证集和测试集。
实施例4:
步骤h)中卷积层的卷积核为3*3,stride为1,padding为1,卷积核的初始参数使用随机初始化方法进行设置。
实施例5:
步骤j)包括如下步骤:
j-1)通过公式计算噪声抑制后的特征矩阵YM,MPi(r,c)为输入的下采样特征MP的第i个通道的第r行第c列的元素值,i∈[0,C),r∈[1,size],c∈[1,size],C为输入的下采样特征MP的通道总数,size为下采样特征MP的长宽尺寸,size=352;
j-2)通过公式计算相似度Sij,式中YMi(r,c)为特征矩阵YM的第i个通道的第r行第c列的元素值,为特征矩阵YM的第i个通道的所有元素的平均值,YMj(r,c)为特征矩阵YM的第j个通道的第r行第c列的元素值,为特征矩阵YM的第j个通道的所有元素的平均值,i∈[0,C),j∈[0,C),j>i;
j-3)选取值大于0.9的相似度Sij,以第i个通道为基准进行分类,形成列表{i,j1,...,jn},将列表{i,j1,...,jn}记作Ti,n为与通道i相似的通道的个数;
实施例6:
步骤k)中卷积操作组由卷积层、BN层和ReLU激活函数组成,卷积层的卷积核为3*3,stride为1,padding为1。
实施例7:
如附图2所示,第一次重复步骤k)时有2个32通道的卷积操作组,第二次重复步骤k)时有4个64通道的卷积操作组,第三次重复步骤k)时有4个128通道的卷积操作组,第四次重复步骤k)时有4个256通道的卷积操作组。图2中NSFC表示噪声抑制与特征压缩。
实施例8:
步骤q)中重复步骤f)至步骤p)10000次。
实施例9:
步骤t)中JPG图像剪裁为352×352的尺寸。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于特征压缩和噪声抑制的心室图像分割方法,其特征在于,包括如下步骤:
a)读取心室分割数据集中的心脏图像数据Image及与心脏图像数据Image对应的掩码Mask;
b)调整心脏图像数据Image和掩码Mask的形状后合并得到双通道矩阵matrix;
c)对双通道矩阵matrix执行N次剪裁,剪裁大小为M×M,对剪裁后的双通道矩阵matrix执行通道分解,得到M大小的心脏图像image和M大小的掩码mask各N张;
d)对N张心脏图像image分别进行归一化处理得到N张处理后的心脏图像img;
e)将N张处理后的心脏图像img和N张掩码mask划分为训练集、验证集和测试集;
f)计算机读取训练集和验证集中的心脏图像img和掩码mask,将读取的心脏图像img记作x,将读取的掩码mask记作y,完成训练数据的加载;
g)选择SGD作为优化器,优化器的初始学习率为0.001,并使用学习率自适应调整策略;
h)将x输入卷积层进行卷积运算,后输入BN层进行规范化处理,规范化处理后由ReLU激活函数进行激活;
i)重复执行步骤h)一次,得到特征图M,对特征图M使用池化核为2*2,stride为2的maxpool层进行特征下采样,得到下采样特征MP;
j)对下采样特征MP进行噪声抑制和特征融合后得到输出特征SMindex;
k)对输出特征SMindex使用若干卷积操作组计算得到特征图CSMindex;
l)对特征图CSMindex使用与步骤i)中的相同的maxpool层进行特征下采样,得到下采样特征MSMindex;
m)重复执行步骤j)至步骤l)3次后,再重复步骤j)至步骤k),得到最终的输出特征FM;
o)通过公式计算每类的损失调整权重μk,式中num为像素点总数,numk为第k类的像素点数量,通过公式计算网络前向传播的损失值loss,式中yk为真实值y中属于第k类的值,为预测值中属于第k类的值,K为网络需要分割的类别总数;
p)根据损失loss调整权重,使用反向传播算法更新步骤h)和步骤k)中的卷积操作组的权重和偏置;
q)重复步骤f)至步骤p)若干次,之后保存模型及其权重;
i)读取测试集的心脏图像imgt及其掩码maskt,将imgt输入到步骤q)保存的模型中,得到预测的分割掩码pre,使用pre和maskt计算mIoU值;
s)如果mIoU值大于等于0.95则将步骤q)中保存的模型作为最终模型Model,如果mIoU值小于0.95,则重复执行步骤f)至步骤i)直至mIoU值大于0.95;
t)将DICOM格式的心脏影响数据解析为普通的JPG格式的图像后将JPG图像剪裁,剪裁后的JPG图像归一化处理后输入到步骤s)中的模型Model中进行心室分割,得到最终的心室分割掩码。
2.根据权利要求1所述的基于特征压缩和噪声抑制的心室图像分割方法,其特征在于:步骤b)中使用resize函数将心脏图像数据Image和掩码Mask调整为512×512的大小,对Image采用随机对比度调整后将其与Mask按通道进行合并,得到双通道矩阵matrix。
3.根据权利要求1所述的基于特征压缩和噪声抑制的心室图像分割方法,其特征在于:步骤c)中N的取值为5,M的取值为352。
4.根据权利要求1所述的基于特征压缩和噪声抑制的心室图像分割方法,其特征在于:步骤e)中将按照8:1:1的比例划分为训练集、验证集和测试集。
5.根据权利要求1所述的基于特征压缩和噪声抑制的心室图像分割方法,其特征在于:步骤h)中卷积层的卷积核为3*3,stride为1,padding为1,卷积核的初始参数使用随机初始化方法进行设置。
6.根据权利要求1所述的基于特征压缩和噪声抑制的心室图像分割方法,其特征在于,步骤j)包括如下步骤:
j-1)通过公式计算噪声抑制后的特征矩阵YM,MPi(r,c)为输入的下采样特征MP的第i个通道的第r行第c列的元素值,i∈[0,C),r∈[1,size],c∈[1,size],C为输入的下采样特征MP的通道总数,size为下采样特征MP的长宽尺寸,size=352;
j-2)通过公式计算相似度Sij,式中YMi(r,c)为特征矩阵YM的第i个通道的第r行第c列的元素值,为特征矩阵YM的第i个通道的所有元素的平均值,YMj(r,c)为特征矩阵YM的第j个通道的第r行第c列的元素值,为特征矩阵YM的第j个通道的所有元素的平均值,i∈[0,C),j∈[0,C),j>i;
j-3)选取值大于0.9的相似度Sij,以第i个通道为基准进行分类,形成列表{i,j1,...,jn},将列表{i,j1,...,jn}记作Ti,n为与通道i相似的通道的个数;
7.根据权利要求1所述的基于特征压缩和噪声抑制的心室图像分割方法,其特征在于:步骤k)中卷积操作组由卷积层、BN层和ReLU激活函数组成,卷积层的卷积核为3*3,stride为1,padding为1。
8.根据权利要求1所述的基于特征压缩和噪声抑制的心室图像分割方法,其特征在于:第一次重复步骤k)时有2个32通道的卷积操作组,第二次重复步骤k)时有4个64通道的卷积操作组,第三次重复步骤k)时有4个128通道的卷积操作组,第四次重复步骤k)时有4个256通道的卷积操作组。
9.根据权利要求1所述的基于特征压缩和噪声抑制的心室图像分割方法,其特征在于:步骤q)中重复步骤f)至步骤p)10000次。
10.根据权利要求1所述的基于特征压缩和噪声抑制的心室图像分割方法,其特征在于:步骤t)中JPG图像剪裁为352×352的尺寸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110417511.3A CN113112484B (zh) | 2021-04-19 | 2021-04-19 | 一种基于特征压缩和噪声抑制的心室图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110417511.3A CN113112484B (zh) | 2021-04-19 | 2021-04-19 | 一种基于特征压缩和噪声抑制的心室图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113112484A true CN113112484A (zh) | 2021-07-13 |
CN113112484B CN113112484B (zh) | 2021-12-31 |
Family
ID=76718702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110417511.3A Active CN113112484B (zh) | 2021-04-19 | 2021-04-19 | 一种基于特征压缩和噪声抑制的心室图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112484B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020654A (zh) * | 2012-12-12 | 2013-04-03 | 北京航空航天大学 | 基于样本产生与核局部特征融合的sar图像仿生识别方法 |
CN108765319A (zh) * | 2018-05-09 | 2018-11-06 | 大连理工大学 | 一种基于生成对抗网络的图像去噪方法 |
CN109584248A (zh) * | 2018-11-20 | 2019-04-05 | 西安电子科技大学 | 基于特征融合和稠密连接网络的红外面目标实例分割方法 |
CN110032925A (zh) * | 2019-02-22 | 2019-07-19 | 广西师范大学 | 一种基于改进胶囊网络与算法的手势图像分割与识别方法 |
US20190347792A1 (en) * | 2018-05-09 | 2019-11-14 | Siemens Healthcare Gmbh | Medical image segmentation |
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 |
CN111797703A (zh) * | 2020-06-11 | 2020-10-20 | 武汉大学 | 基于鲁棒深度语义分割网络的多源遥感影像分类方法 |
US20200334819A1 (en) * | 2018-09-30 | 2020-10-22 | Boe Technology Group Co., Ltd. | Image segmentation apparatus, method and relevant computing device |
CN112150476A (zh) * | 2019-06-27 | 2020-12-29 | 上海交通大学 | 基于时空判别性特征学习的冠状动脉序列血管分割方法 |
CN112164077A (zh) * | 2020-09-25 | 2021-01-01 | 陕西师范大学 | 基于自下而上路径增强的细胞实例分割方法 |
CN112308803A (zh) * | 2020-11-25 | 2021-02-02 | 哈尔滨工业大学 | 一种基于深度学习的自监督低照度图像增强及去噪方法 |
US20210073982A1 (en) * | 2018-07-21 | 2021-03-11 | Beijing Sensetime Technology Development Co., Ltd. | Medical image processing method and apparatus, electronic device, and storage medium |
-
2021
- 2021-04-19 CN CN202110417511.3A patent/CN113112484B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020654A (zh) * | 2012-12-12 | 2013-04-03 | 北京航空航天大学 | 基于样本产生与核局部特征融合的sar图像仿生识别方法 |
CN108765319A (zh) * | 2018-05-09 | 2018-11-06 | 大连理工大学 | 一种基于生成对抗网络的图像去噪方法 |
US20190347792A1 (en) * | 2018-05-09 | 2019-11-14 | Siemens Healthcare Gmbh | Medical image segmentation |
US20210073982A1 (en) * | 2018-07-21 | 2021-03-11 | Beijing Sensetime Technology Development Co., Ltd. | Medical image processing method and apparatus, electronic device, and storage medium |
US20200334819A1 (en) * | 2018-09-30 | 2020-10-22 | Boe Technology Group Co., Ltd. | Image segmentation apparatus, method and relevant computing device |
CN109584248A (zh) * | 2018-11-20 | 2019-04-05 | 西安电子科技大学 | 基于特征融合和稠密连接网络的红外面目标实例分割方法 |
CN110032925A (zh) * | 2019-02-22 | 2019-07-19 | 广西师范大学 | 一种基于改进胶囊网络与算法的手势图像分割与识别方法 |
CN112150476A (zh) * | 2019-06-27 | 2020-12-29 | 上海交通大学 | 基于时空判别性特征学习的冠状动脉序列血管分割方法 |
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 |
CN111797703A (zh) * | 2020-06-11 | 2020-10-20 | 武汉大学 | 基于鲁棒深度语义分割网络的多源遥感影像分类方法 |
CN112164077A (zh) * | 2020-09-25 | 2021-01-01 | 陕西师范大学 | 基于自下而上路径增强的细胞实例分割方法 |
CN112308803A (zh) * | 2020-11-25 | 2021-02-02 | 哈尔滨工业大学 | 一种基于深度学习的自监督低照度图像增强及去噪方法 |
Non-Patent Citations (2)
Title |
---|
JINGJING SHI ET AL.: ""Automated Atrial Fibrillation Detection Based on Feature Fusion Using Discriminant Canonical Correlation Analysis"", 《COMPUTATIONAL AND MATHEMATICAL METHODS IN MEDICINE》 * |
韩光辉等: ""肺部CT图像病变区域检测方法"", 《自动化学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113112484B (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109949309A (zh) | 一种基于深度学习的肝脏ct图像分割方法 | |
CN110675411B (zh) | 基于深度学习的宫颈鳞状上皮内病变识别算法 | |
CN110223304B (zh) | 一种基于多路径聚合的图像分割方法、装置和计算机可读存储介质 | |
CN111832416A (zh) | 一种基于增强卷积神经网络的运动想象脑电信号识别方法 | |
CN110755108A (zh) | 一种基于智能听诊器的心脏声音分类方法、系统、装置及可读存储介质 | |
CN113221694B (zh) | 一种动作识别方法 | |
CN112508864A (zh) | 基于改进UNet++的视网膜血管图像分割方法 | |
CN112116009B (zh) | 基于卷积神经网络的新冠肺炎x射线图像识别方法及系统 | |
CN115170582A (zh) | 基于多尺度特征融合和网格注意力机制的肝脏影像分割方法 | |
CN112767416A (zh) | 一种基于空间和通道双重注意力机制的眼底血管分割方法 | |
CN112348830B (zh) | 基于改进3D U-Net的多器官分割方法 | |
CN112085745A (zh) | 基于均衡采样拼接的多通道u型全卷积神经网络的视网膜血管图像分割方法 | |
CN110738660A (zh) | 基于改进U-net的脊椎CT图像分割方法及装置 | |
CN112750137A (zh) | 基于深度学习的肝脏肿瘤分割方法及系统 | |
CN109948575A (zh) | 超声图像中眼球区域分割方法 | |
CN114781441B (zh) | Eeg运动想象分类方法及多空间卷积神经网络模型 | |
CN110599495B (zh) | 一种基于语义信息挖掘的图像分割方法 | |
CN113112484B (zh) | 一种基于特征压缩和噪声抑制的心室图像分割方法 | |
CN113327205B (zh) | 基于卷积神经网络的相位去噪方法 | |
CN117409030A (zh) | 基于动态管状卷积的octa图像血管分割方法及其系统 | |
CN113177580A (zh) | 基于通道重要性剪枝与二值量化的图像分类系统 | |
CN112215082A (zh) | 一种植物叶片图像识别方法 | |
DE102021107510A1 (de) | Training eines neuronalen netzwerks unter speicherbeschränkung | |
CN115937590A (zh) | 一种并联融合CNN和Transformer的皮肤病图像分类方法 | |
CN110619633A (zh) | 一种基于多路滤波策略的肝脏图像分割方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |