CN113129310A - 一种基于注意力路由的医学图像分割系统 - Google Patents

一种基于注意力路由的医学图像分割系统 Download PDF

Info

Publication number
CN113129310A
CN113129310A CN202110241276.9A CN202110241276A CN113129310A CN 113129310 A CN113129310 A CN 113129310A CN 202110241276 A CN202110241276 A CN 202110241276A CN 113129310 A CN113129310 A CN 113129310A
Authority
CN
China
Prior art keywords
attention
image processing
routing
medical image
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.)
Granted
Application number
CN202110241276.9A
Other languages
English (en)
Other versions
CN113129310B (zh
Inventor
李旭升
何良华
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202110241276.9A priority Critical patent/CN113129310B/zh
Publication of CN113129310A publication Critical patent/CN113129310A/zh
Application granted granted Critical
Publication of CN113129310B publication Critical patent/CN113129310B/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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于注意力路由的医学图像分割系统，包括多个相互关联的图像处理层，位于底部的图像处理层仅设有1个解码器，其余每个图像处理层均设有1个解码器和1个编码器，图像处理层包括初始层，初始层的解码器获取待分割的医学初始图像，相邻图像处理层之间的解码器进行下采样，编码器进行上采样，除初始层以外的图像处理层的编码器通过评估支路与注意力路由模块连接，注意力路由模块将评估支路的输出作为输入进行迭代，生成注意力权重图，初始层的编码器根据前一层的上采样图像与注意力权重图输出医学分割图像。与现有技术相比，本发明具有促进多尺度特征的高效融合、提高医学图像分割的精准度等优点。

Description

一种基于注意力路由的医学图像分割系统
技术领域
本发明涉及图像处理技术领域，尤其是涉及一种基于注意力路由的医学图像分割系统。
背景技术
基于U-Net的医学图像分割网络模型属于语义分割方向的一部分，语义分割本质上是一种密集分类(Dense Classification)任务，即对输入图像的每一个像素点进行分类，从而达到分割输入图像的目的。全卷积网络(Fully Convolutional Network，FCN)和U型网络(U-Net)是语义分割领域两种的范式模型。其中，PSPNet、DeepLabv3+等基于FCN的方法为目前主流的范式模型。然而，在医学图像分割领域，更为主流的模型结构是U-Net网络。
图像分割是医学影像分析处理的关键步骤，其主要任务是自动化地提取医学影像中的特征并分割出对应的组织区域。一方面，医学图像分割可以大大减轻医生的手工分割组织病灶的压力，减少人工标注中出现的人为误差，并为医生诊断提供参考。另一方面，医学图像分割也是进一步进行医学图像分析以及可视化建模的前置任务。分割结果可以用于多种场合，如测定组织器官的容积，辅助诊断，定位病灶，了解解剖结构，定制治疗规划等等。在医学图像领域中，U-Net被大量的研究者作为骨干网络使用。U-Net虽然在整体设计思路上与FCN相似，但通过其编码器-解码器结构和跳跃连接能更有效地促进了高层语义信息和底层细节特征的融合，从而更适用于分割边界模糊、梯度复杂的医学图像。
目前，基于U-Net的医学图像分割模型大多是通过改进模型结构来加强对多尺度特征的提取能力。比如U-Net++使用子模块将U型网络填满，并使用了密集的跳跃连接，使得网络能够保留更多的细节特征。R2U-Net使用残差连接和循环卷积来替换U-Net中的子模块，从而迭代地细化分割结果。然而，这些模型在提取出多尺度特征之后，仅仅将这些特征进行简单的串联，然后送入后续的网络结构中，并没有将不同尺度特征之间的优势进行充分利用。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于注意力路由的医学图像分割系统，使解码器中各级特征图进行高效融合。
本发明的目的可以通过以下技术方案来实现：
一种基于注意力路由的医学图像分割系统，包括多个相互关联的图像处理层，位于底部的图像处理层仅设有1个解码器，其余每个图像处理层均设有1个解码器和1个编码器，图像处理层包括初始层，初始层的解码器获取待分割的医学初始图像，相邻图像处理层之间的解码器进行下采样，编码器进行上采样，除初始层以外的图像处理层的编码器通过评估支路与注意力路由模块连接，注意力路由模块将评估支路的输出作为输入进行迭代，生成注意力权重图，初始层的编码器根据前一层的上采样图像与注意力权重图输出医学分割图像。
所述图像处理层中编码器和解码器之间通过跳跃连接进行连接。
所述评估支路将编辑器的特征图转换到同一维度空间，评估支路相对简单的模型结构有利于保持特征图的特征信息。
所述评估支路包括卷积层、批量归一化层和激活函数。
进一步地，所述卷积层具体为1×1卷积层，激活函数具体为ReLU激活函数，批量归一化层能够防止梯度弥散，使训练过程更加稳定。
所述注意力路由模块的输入具体为评估支路生成并输出的得分图上的特征向量。
进一步地，所述注意力路由模块根据得分图上的特征向量，通过scale函数计算标准化特征向量，具体公式如下所示：
Figure BDA0002962271890000021
其中，Si为特征向量，Ui为标准化特征向量，j为类别，评估支路的输出通道数为类别个数。
所述注意力路由模块在迭代中通过softmax函数计算耦合系数图和对数先验概率图，所述耦合系数图放大后得到注意力权重图，对数先验概率图用于累计聚合的特征向量和标准化特征向量的相似度。
所述评估支路和医学分割图像进行监督训练，所述监督训练中设有总损失函数，总损失函数的计算公式具体如下所示：
Figure BDA0002962271890000031
其中，Losstotal为总损失函数，LCE为交叉熵损失函数，LDice为Dice损失函数，B为评估支路的数量，Y为总实际输入，P为总预测输出，Yk为评估支路的实际输入，Pk为评估支路的预测输出，α为平衡参数。
进一步地，所述交叉熵损失函数的计算公式具体如下所示：
Figure BDA0002962271890000032
其中，C为进行分割的类别的集合，yj为用于交叉熵损失函数的实际输入，pj为用于交叉熵损失函数的预测输出；
所述Dice损失函数的计算公式具体如下所示：
Figure BDA0002962271890000033
其中，TP为真正值，FP为假正值，FN为假负值。
进一步地，所述平衡参数控制评价支路损失占比随着训练逐渐降低，计算公式具体如下所示：
α＝1-0.8exp(-5(1-iter/maxiter)2)
其中，iter为当前迭代次数，maxiter为最大迭代次数。
与现有技术相比，本发明具有以下有益效果：
本发明通过将U-Net网络的编码器通过评估支路与注意力路由模块连接，注意力路由模块将评估支路的输出作为输入进行迭代，生成注意力权重图，模拟了人类左右半脑分别倾向于处理局部和全局信息的视觉机制。同时在U-Net编码器多尺度特征图的特定空间位置上，注意力路由模块把权重分给更有力于分割任务的特征向量，促进了多尺度特征的高效融合，提高了医学图像分割的精准度。
附图说明
图1为本发明的结构示意图；
图2为本发明实施例中前列腺器官分割数据集实验中本发明实际运行时生成的注意力权重图的示意图；
图3为本发明实施例中ISIC数据集上的分割效果可视化的示意图；
图4为本发明实施例中前列腺器官分割数据集上的分割效果可视化的示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
如图1所示，一种基于注意力路由的医学图像分割系统，使用DAU-Net模型，具体包括多个相互关联的图像处理层，位于底部的图像处理层仅设有1个解码器，其余每个图像处理层均设有1个解码器和1个编码器，图像处理层包括初始层，初始层的解码器获取待分割的医学初始图像，相邻图像处理层之间的解码器进行下采样，编码器进行上采样，除初始层以外的图像处理层的编码器通过评估支路与注意力路由模块连接，注意力路由模块将评估支路的输出作为输入进行迭代，生成注意力权重图，初始层的编码器根据前一层的上采样图像与注意力权重图输出医学分割图像。
图像处理层中编码器和解码器之间通过跳跃连接进行连接。
评估支路将编辑器的特征图转换到同一维度空间，评估支路相对简单的模型结构有利于保持特征图的特征信息。
评估支路包括卷积层、批量归一化层和激活函数。
卷积层具体为1×1卷积层，激活函数具体为ReLU激活函数，批量归一化层能够防止梯度弥散，使训练过程更加稳定。
注意力路由模块的输入具体为评估支路生成并输出的得分图上的特征向量。
注意力路由模块根据得分图上的特征向量，通过scale函数计算标准化特征向量，具体公式如下所示：
Figure BDA0002962271890000041
其中，Si为特征向量，Ui为标准化特征向量，j为类别，评估支路的输出通道数为类别个数。
注意力路由模块在迭代中通过softmax函数计算耦合系数图和对数先验概率图，耦合系数图放大后得到注意力权重图，本实施例中，耦合系数图放大4倍后得到注意力权重图，对数先验概率图用于累计聚合的特征向量和标准化特征向量的相似度，注意力路由模块的迭代过程具体如表1所示：
表1注意力路由模块迭代过程
Figure BDA0002962271890000051
评估支路和医学分割图像进行监督训练，监督训练中设有总损失函数，总损失函数的计算公式具体如下所示：
Figure BDA0002962271890000052
其中，Losstotal为总损失函数，LCE为交叉熵损失函数，LDice为Dice损失函数，B为评估支路的数量，Y为总实际输入，P为总预测输出，Yk为评估支路的实际输入，Pk为评估支路的预测输出，α为平衡参数。
交叉熵损失函数的计算公式具体如下所示：
Figure BDA0002962271890000053
其中，C为进行分割的类别的集合，yj为用于交叉熵损失函数的实际输入，pj为用于交叉熵损失函数的预测输出；
Dice损失函数的计算公式具体如下所示：
Figure BDA0002962271890000054
其中，TP为真正值，FP为假正值，FN为假负值。
平衡参数控制评价支路损失占比随着训练逐渐降低，计算公式具体如下所示：
α＝1-0.8exp(-5(1-iter/maxiter)2)
其中，iter为当前迭代次数，maxiter为最大迭代次数。训练开始i＝0，α为1，每条评估支路输出和最终输出权重一样，加速评估支路的学习。随着训练轮次增加，α最终减小稳定在0.2，使最终输出部份的损失占主要部分。
如图2所示为后续前列腺器官分割数据集实验中DAU-Net模型实际运行时生成的注意力权重图，注意力颜色深的区域权值更高，可以看出富含低层特征的X3,1在分割区域边缘的位置权重更大，而含高层语言信息更多的X1,3在分割目标的中心区域颜色更深。这说明注意力路由模块在特定空间位置，把权重分给更有力于分割任务的特征，促进了多尺度特征的高效融合。
如图3所示，ISIC皮肤损伤分割挑战数据集，使用面板血管镜采集数据，数据集中包含黑色素瘤和痣的图片，分割任务包含2000份标注过的训练集和600份数据的测试集。对比结果如表2所示：
表2 ISIC数据集模型分割结果对比表
Figure BDA0002962271890000061
图3的结果显示，在输入图像难度较低(第3、5列)时，模型间输出差异不大。但对于边缘崎岖、病灶与肤色比对不明显的输入，相较于基线模型U-Net、U-Net++和Attention U-Net，本发明的DAU-Net模型输出的掩膜边缘更加灵活完整同时也更加贴合病灶，背景中噪点也更少。
如图4所示，使用核磁共振成像(Magnetic Resonance Image，MRI)仪器采集男性病患的下腹部T2数据，并由数名专业医师使用ITK-SNAP软件对这些MRI数据进行标注，并通过医师间交叉检查来确保标注的正确性。该数据集的任务是分割出男性前列腺及其周围高危器官，来辅助医生诊断和进行术前器官建模分析。因此标注的种类共3种，具体为前列腺(prostate)、直肠(rectum)和精囊(seminal vesicles)。数据集的划分为训练集数据2387份，测试集数据582份。对比结果如表3所示：
表3下腹部T2数据模型分割结果对比表
Figure BDA0002962271890000071
图4的结果显示，三个基线模型的输出倾向于输出更大的掩膜来覆盖病灶区域，使得基线模型的回归曲线维持在很高的水平，但是精密度会下降较多。而本发明的DAU-Net的输出更加贴合器官，边缘更精细，虽然精密度略低于基线模型，但精密度曲线和回归曲线更为接近，而且维持在比较高的水平。实验结果经验性地验证了本发明提出的动态注意力模块能够赋予U-Net对全局信息和局部细节的感知能力，而且效果要优于使用自注意力机制(Self-Attention)的Attention U-Net。
在ISIC数据集上，通过如下的消融实验(Ablation Study)来进一步验证动态注意力模块中注意力路由起到的作用。通过改变路由算法中迭代次数，观察测试集上的指标变化。其中，当迭代次数为0时，模型相当于原始U-Net加上评估支路的部分，但不使用路由算法。此时，在多尺度特征图的任何空间位置，注意力权重都是均分的状态。迭代次数对应的函数值变化如表4所示：
表4迭代次数对应的函数值变化表
Figure BDA0002962271890000081
如表4的结果所示，随着迭代次数加深，Dice Score指标先升后降。出现这个现象的原因是随着路由算法的不断迭代，占据主导地位的支路特征的权重会进一步加强。但过多的路由算法迭代会使得其他支路的权重过低，一定程度上妨碍了其他支路的参数学习，造成一定程度的过拟合。故通过消融实验，本发明经验性地证明了路由算法能够起到了在给定位置调整各支路权重的作用，增加路由算法的迭代次数会使得权重间的方差增大。并且得知了过多的迭代会有一定的负面影响。由表4的结果可得，迭代次数设置在4为宜。
此外，需要说明的是，本说明书中所描述的具体实施例，所取名称可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (10)

1.一种基于注意力路由的医学图像分割系统，包括多个相互关联的图像处理层，位于底部的图像处理层仅设有1个解码器，其余每个图像处理层均设有1个解码器和1个编码器，图像处理层包括初始层，初始层的解码器获取待分割的医学初始图像，相邻图像处理层之间的解码器进行下采样，编码器进行上采样，其特征在于，除初始层以外的图像处理层的编码器通过评估支路与注意力路由模块连接，注意力路由模块将评估支路的输出作为输入进行迭代，生成注意力权重图，初始层的编码器根据前一层的上采样图像与注意力权重图输出医学分割图像。
2.根据权利要求1所述的一种基于注意力路由的医学图像分割系统，其特征在于，所述图像处理层中编码器和解码器之间通过跳跃连接进行连接。
3.根据权利要求1所述的一种基于注意力路由的医学图像分割系统，其特征在于，所述评估支路包括卷积层、批量归一化层和激活函数。
4.根据权利要求3所述的一种基于注意力路由的医学图像分割系统，其特征在于，所述卷积层具体为1×1卷积层，激活函数具体为ReLU激活函数。
5.根据权利要求1所述的一种基于注意力路由的医学图像分割系统，其特征在于，所述注意力路由模块的输入具体为评估支路生成并输出的得分图上的特征向量。
6.根据权利要求5所述的一种基于注意力路由的医学图像分割系统，其特征在于，所述注意力路由模块根据得分图上的特征向量，通过scale函数计算标准化特征向量，具体公式如下所示：
Figure FDA0002962271880000011
其中，Si为特征向量，Ui为标准化特征向量，j为类别，评估支路的输出通道数为类别个数。
7.根据权利要求1所述的一种基于注意力路由的医学图像分割系统，其特征在于，所述注意力路由模块在迭代中通过softmax函数计算耦合系数图和对数先验概率图，所述耦合系数图放大后得到注意力权重图。
8.根据权利要求1所述的一种基于注意力路由的医学图像分割系统，其特征在于，所述评估支路和医学分割图像进行监督训练，所述监督训练中设有总损失函数，总损失函数的计算公式具体如下所示：
Figure FDA0002962271880000021
其中，Losstotal为总损失函数，LCE为交叉熵损失函数，LDice为Dice损失函数，B为评估支路的数量，Y为总实际输入，P为总预测输出，Yk为评估支路的实际输入，Pk为评估支路的预测输出，α为平衡参数。
9.根据权利要求8所述的一种基于注意力路由的医学图像分割系统，其特征在于，所述交叉熵损失函数的计算公式具体如下所示：
Figure FDA0002962271880000022
其中，C为进行分割的类别的集合，yj为用于交叉熵损失函数的实际输入，pj为用于交叉熵损失函数的预测输出；
所述Dice损失函数的计算公式具体如下所示：
Figure FDA0002962271880000023
其中，TP为真正值，FP为假正值，FN为假负值。
10.根据权利要求8所述的一种基于注意力路由的医学图像分割系统，其特征在于，所述平衡参数的计算公式具体如下所示：
α＝1-0.8exp(-5(1-iter/maxiter)2)
其中，iter为当前迭代次数，maxiter为最大迭代次数。
CN202110241276.9A 2021-03-04 2021-03-04 一种基于注意力路由的医学图像分割系统 Active CN113129310B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110241276.9A CN113129310B (zh) 2021-03-04 2021-03-04 一种基于注意力路由的医学图像分割系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110241276.9A CN113129310B (zh) 2021-03-04 2021-03-04 一种基于注意力路由的医学图像分割系统

Publications (2)

Publication Number Publication Date
CN113129310A true CN113129310A (zh) 2021-07-16
CN113129310B CN113129310B (zh) 2023-03-31

Family

ID=76772512

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110241276.9A Active CN113129310B (zh) 2021-03-04 2021-03-04 一种基于注意力路由的医学图像分割系统

Country Status (1)

Country Link
CN (1) CN113129310B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114419056A (zh) * 2022-01-24 2022-04-29 重庆邮电大学 一种逐步精细的医学图像分割系统
CN114842025A (zh) * 2022-04-14 2022-08-02 中南大学 基于多分支网络的ct图像肝脏肿瘤区域自动分割方法
WO2023109651A1 (zh) * 2021-12-15 2023-06-22 深圳先进技术研究院 训练模型的方法、图像处理方法、装置及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110544264A (zh) * 2019-08-28 2019-12-06 北京工业大学 一种基于3d深监督机制的颞骨关键解剖结构小目标分割方法
CN111402405A (zh) * 2020-03-23 2020-07-10 北京工业大学 一种基于注意力机制的多视角图像三维重建方法
CN111798462A (zh) * 2020-06-30 2020-10-20 电子科技大学 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法
CN111951235A (zh) * 2020-07-31 2020-11-17 湘潭大学 基于深度学习的皮肤图像处理方法
CN112084859A (zh) * 2020-08-06 2020-12-15 浙江工业大学 一种基于稠密边界块和注意力机制的建筑物分割方法
CN112115998A (zh) * 2020-09-11 2020-12-22 昆明理工大学 一种基于对抗增量聚类动态路由网络克服灾难性遗忘的方法
CN112183258A (zh) * 2020-09-16 2021-01-05 太原理工大学 一种基于上下文信息和注意力机制的遥感图像道路分割方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110544264A (zh) * 2019-08-28 2019-12-06 北京工业大学 一种基于3d深监督机制的颞骨关键解剖结构小目标分割方法
CN111402405A (zh) * 2020-03-23 2020-07-10 北京工业大学 一种基于注意力机制的多视角图像三维重建方法
CN111798462A (zh) * 2020-06-30 2020-10-20 电子科技大学 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法
CN111951235A (zh) * 2020-07-31 2020-11-17 湘潭大学 基于深度学习的皮肤图像处理方法
CN112084859A (zh) * 2020-08-06 2020-12-15 浙江工业大学 一种基于稠密边界块和注意力机制的建筑物分割方法
CN112115998A (zh) * 2020-09-11 2020-12-22 昆明理工大学 一种基于对抗增量聚类动态路由网络克服灾难性遗忘的方法
CN112183258A (zh) * 2020-09-16 2021-01-05 太原理工大学 一种基于上下文信息和注意力机制的遥感图像道路分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李旭升等: ""基于注意力融合的语义分割网络"", 《电脑知识与技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023109651A1 (zh) * 2021-12-15 2023-06-22 深圳先进技术研究院 训练模型的方法、图像处理方法、装置及电子设备
CN114419056A (zh) * 2022-01-24 2022-04-29 重庆邮电大学 一种逐步精细的医学图像分割系统
CN114842025A (zh) * 2022-04-14 2022-08-02 中南大学 基于多分支网络的ct图像肝脏肿瘤区域自动分割方法
CN114842025B (zh) * 2022-04-14 2024-04-05 中南大学 基于多分支网络的ct图像肝脏肿瘤区域自动分割方法

Also Published As

Publication number Publication date
CN113129310B (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
CN113129310B (zh) 一种基于注意力路由的医学图像分割系统
CN112241766B (zh) 基于样本生成和迁移学习的肝脏ct图像多病变分类方法
CN109584209B (zh) 血管壁斑块识别设备、系统、方法及存储介质
CN111798464A (zh) 基于深度学习的淋巴瘤病理图像智能识别方法
CN113314205B (zh) 一种高效的医学影像标注与学习系统
CN110796199B (zh) 一种图像处理方法、装置以及电子医疗设备
CN110490242B (zh) 图像分类网络的训练方法、眼底图像分类方法及相关设备
CN112070781B (zh) 颅脑断层扫描图像的处理方法、装置、存储介质及电子设备
CN113223005B (zh) 一种甲状腺结节自动分割及分级的智能系统
CN113674253A (zh) 基于U-Transformer的直肠癌CT影像自动分割方法
Wazir et al. HistoSeg: Quick attention with multi-loss function for multi-structure segmentation in digital histology images
CN110751636B (zh) 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法
Liu et al. A classification model for the prostate cancer based on deep learning
CN112150476A (zh) 基于时空判别性特征学习的冠状动脉序列血管分割方法
CN111598842A (zh) 一种绝缘子缺陷样本生成模型的方法、系统及存储介质
CN114299082A (zh) 一种新冠肺炎ct图像分割方法、装置及存储介质
Akkar et al. Diagnosis of lung cancer disease based on back-propagation artificial neural network algorithm
CN117437423A (zh) 基于sam协同学习和跨层特征聚合增强的弱监督医学图像分割方法及装置
CN111598144A (zh) 图像识别模型的训练方法和装置
CN115147640A (zh) 一种基于改进胶囊网络的脑肿瘤图像分类方法
CN113850796A (zh) 基于ct数据的肺部疾病识别方法及装置、介质和电子设备
CN116778158B (zh) 基于改进u形网络的多组织成分图像分割方法及系统
CN117876690A (zh) 一种基于异构UNet的超声影像多组织分割方法和系统
CN113724184A (zh) 脑出血预后预测方法、装置、电子设备及存储介质
CN116524178A (zh) 基于半监督的mri图像组织分割方法及成像方法

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