CN113129316A - 基于多模态互补信息探索的心脏mri图像多任务分割方法 - Google Patents
基于多模态互补信息探索的心脏mri图像多任务分割方法 Download PDFInfo
- Publication number
- CN113129316A CN113129316A CN202110405547.XA CN202110405547A CN113129316A CN 113129316 A CN113129316 A CN 113129316A CN 202110405547 A CN202110405547 A CN 202110405547A CN 113129316 A CN113129316 A CN 113129316A
- Authority
- CN
- China
- Prior art keywords
- feature
- convolution
- feature map
- segmentation
- sequences
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000011218 segmentation Effects 0.000 title claims abstract description 33
- 230000000295 complement effect Effects 0.000 title claims abstract description 17
- 238000013184 cardiac magnetic resonance imaging Methods 0.000 claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 238000002595 magnetic resonance imaging Methods 0.000 claims abstract description 8
- 230000003213 activating effect Effects 0.000 claims abstract description 6
- 230000004931 aggregating effect Effects 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 3
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 229910052688 Gadolinium Inorganic materials 0.000 claims description 2
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 238000007499 fusion processing Methods 0.000 claims description 2
- UIWYJDYFSGRHKR-UHFFFAOYSA-N gadolinium atom Chemical compound [Gd] UIWYJDYFSGRHKR-UHFFFAOYSA-N 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000002107 myocardial effect Effects 0.000 abstract description 4
- 230000007170 pathology Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 7
- 208000010125 myocardial infarction Diseases 0.000 description 4
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000037390 scarring Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000009692 acute damage Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003284 homeostatic effect Effects 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012549 training 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
- 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
- G06N3/04—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明请求保护一种基于多模态互补信息探索的心脏MRI图像多任务分割方法，包括步骤：S1将心脏MRI图像的三个序列bSSFP、LGE、T2依次输入一个基于编码解码结构的卷积神经网络，在共享权重的编码器中分别提取不同序列的特征信息；S2在解码其中利用通道重建上采样方法恢复特征图的大小，并将提取的三个序列的特征聚合到一起，通过跳跃连接送入相应的解码器层进行特征融合；S3通过一个1×1卷积得到分类特征图，将分类特征图用sigmoid函数激活得到最终的预测概率图。本发明能够结合心脏多序列图像对心肌病理做出准确的预测，具有一定的临床应用价值。
Description
技术领域
本发明属于图像处理技术领域，特别涉及基于多模态互补信息探索的心脏MRI图像多任务分割方法。
背景技术
心肌病理的精确分割对于评估心肌梗死(MI)有重要意义。心脏磁共振成像(MRI)通常用于心血管疾病的诊断和治疗，如心肌梗死(MI)，特别是平衡稳态自由进动(bSSFP)序列具有明显的心脏结构边界，晚期钆增强序列可以增强梗死心肌的表现，而T2加权序列可以显示急性损伤和缺血区域。尽管医学成像技术有了很大的进步，但大多数心肌病理分割任务仍然是人工完成的，这是一项繁重、耗时且容易出错的工作。此外，考虑多模态图像后，大大增加了系统的疾病评估负担。心肌病理(伤疤和疤痕)的准确描述仍具有挑战性。因此，一种自动的心脏分割方法具有重要的临床应用价值。
近年来，最先进的基于深度学习的方法已经提出利用多模态数据的互补信息进行分割。一种方法是采用早期融合，将通道维度下的多模态图像直接融合在一起作为网络的输入。另一种方法是将不同网络的输出进行融合，得到最终的预测结果。
将不同的模态图像直接融合并输入网络进行训练，由于模态之间的强度分布差异，可能会影响网络的表达能力，而针对不同模态设计单独的编码器甚至解码器又容易造成昂贵的计算成本。本发明建议只使用一个编码器来分别提取不同模态的特征信息。使用共享权重的编码器提取不同模态图像的特征，并将提取的不同模态图像中的所有特征信息整合到一起，发送到相应的解码器进行特征聚合。由于由共享编码器提取的特征表示被融合到解码器中，监督网络的最终分割结果相当于指导编码器自动探索跨模态的相关性。因此，网络可以更好地学习每个模态的复杂且相互依赖的特征表征。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种基于多模态互补信息探索的心脏MRI图像多任务分割方法。本发明的技术方案如下：
一种基于多模态互补信息探索的心脏MRI图像多任务分割方法，其包括以下步骤：
S1、获取心脏MRI图像，并将心脏MRI图像的三个序列即模态bSSFP、LGE、T2依次输入一个基于编码解码结构的卷积神经网络，在共享权重的编码器中分别提取不同序列的特征信息；
S2、在解码器中利用通道重建上采样方法恢复特征图的大小，并将提取的三个序列的特征聚合到一起，通过跳跃连接送入相应的解码器层进行特征融合；
S3、通过一个1×1卷积得到分类特征图，将分类特征图用sigmoid函数激活得到最终的分割结果。
进一步的，所述步骤S1具体包括以下子步骤：
S1.1、为了提取输入图像的多尺度信息，将心脏MRI图像的三个序列bSSFP、LGE、T2依次输入编码器顶部的多尺度卷积模块，分别提取三种序列的不同尺度的特征信息；编码器一共包括4个层级，每一个层级由连续的3个卷积-归一化-激活函数块构成，并且在每一个层级后用最大池化降低特征图的大小，在编码器底部特征图大小变为原始图像的1/16；
S1.2、将得到的不同尺度的特征信息送入共享权重的编码器卷积层中，提取各个序列特有的特征信息。
进一步的，所述步骤S1的心脏MRI的三种序列bSSFP、LGE和T2分别表示为{xb}、{xl}和{xt}；共享权重的编码器分别表示为Eb、El和Et。
进一步的，所述步骤S1的多尺度卷积模块采用1×1、3×3和5×5三种核大小的卷积，分别提取不同尺度的特征，并对输入特征的通道数进行扩展已获得充足的特征图，最后将扩展的特征用1×1卷积进行压缩恢复原来的通道数量以进行特征图聚合；考虑网络的轻量化，利用非对称卷积的思想将N×N的卷积核进一步分解为1×N和N×1的组合。
进一步的，所述步骤S2具体包括以下子步骤：
S2.1、将在编码器中提取到的三种序列的特征信息聚合到一起，利用通道重建上采样方法恢复特征图的大小；
S2.2、将编码器中对提取到的细节特征通过跳跃连接馈入到解码器相应层进行特征融合；
S2.3、利用通道重建上采样方法逐渐恢复特征图的大小，通道重建上采样方法在通道级别上通过卷积操作将低分辨率的特征映射重构到高分辨率，最终将特征图重建到原始图像大小。
进一步的，所述步骤S2的解码器将来自编码器对应层提取的不同序列的特征Eb,i(xb)、El,i(xl)和Et,i(xt)进行聚合，并与经过通道重建上采样解码器层提取到的特征Fj-1重建得到的特征Dj(Fj-1)进行融合，它们的融合过程为：
Fj＝concat([Eb,i(xb),El,i(xl),Et,i(xt),Dj(F(j-1))])。
进一步的，所述步骤S3具体包括以下子步骤：
S3.1、将具有原始特征图像大小的特征图用1×1卷积压缩通道，得到预测分类特征图；
S3.2、将预测分类特征图用Sigmoid函数激活，得到最终的分割结果。
进一步的，所述步骤S3通过一个1×1大小的卷积层将解码器恢复成原始图像大小的特征图进行分类预测，得到分割任务的分类数个通道的特征图，并通过Sigmoid函数对特征图进行激活，将特征图的值处理到0到1之间，已得到最终的概率预测图。
本发明的优点及有益效果如下：
本发明基于卷积神经网络，利用共享编码器和精心设计的特征融合方式，能够自动探索不同模态之间的相关性，并学习复杂的互补信息。使用多尺度卷积模块捕捉不同尺度的上下文信息，利用通道重建上采样恢复像素级预测。通过这一特殊网络，我们可以同时对心脏进行正常组织多部位和病灶部位的准确分割。现有的多模态分割方法大多基于输入级融合、输出级融合和较为复杂的层级融合。并且在本发明中，网络是一种端到端的结构，结构较为简单并且易于实现，能够在小数据集上获得准确的分割结果。
附图说明
图1是本发明提供优选实施例基于多模态互补信息探索的心脏MRI图像多任务分割方法流程图；
图2是通道重建上采样方法的详细图。
图3是与其他主流算法的结果对比图。.(a)参考图像；(b)FCN；(c)U-Net；(d)SegNet；(e)Attention U-Net；(f)本发明；(g)参考图像的标签
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
具体步骤：
步骤S1、将心脏的三种序列bSSFP{xb}、LGE{xl}和T2{xt}依次送入共享权重的编码器中进行特征提取，在编码器顶部首先利用多尺度卷积模块提取输入图像的多尺度信息，后续将提取到的特征输入编码器的后续层进行进一步特征提取。编码器一共包括4个层级，每一个层级由连续的3个卷积-归一化-激活函数块构成，并且在每一个层级后用最大池化降低特征图的大小，在编码器底部特征图大小变为原始图像的1/16。
步骤S2、在解码器中，利用通道重建上采样在通道级别上重建特征图从而恢复特征图的大小。在解码器最初的层，首先融合来自编码器提取到的不同序列的特征，将融合后的特征图馈入一个通道重建上采样模块，将特征图的大小恢复2倍，后续接着2个连续的卷积-归一化-激活函数块，进一步提取特征。后续解码器的层级类似编码器的层级结构，和编码器形成对应关系。后续在解码器每一个层级提起特征的时候，通过跳跃连接馈入编码器对应的层提取的多序列特征，达到增加特征融合的目的。
步骤S3、将编码器最后输出的特征图通过一个1×1卷积层输出分割任务的分类数个通道的特征图，并通过Sigmoid函数对特征图进行激活，将特征图的值处理到0到1之间，已得到最终的概率预测图。。
为了评估本发明的性能，选择了一个经典数据集进行实验，并将实验结果与其他一些医学图像分割中先进的算法进行了对比。FCN是最先提出的利用全卷积网络进行分割任务的算法，U-Net和SegNet都是是经典的编码解码结构的网络，Attention U-Net是结合了注意力机制的编码解码结构算法。本方法也是编码解码结构的算法。
图3显示了各个方法的实验结果，可以清楚的看到相比FCN、U-Net和SegNet，本发明的分割结果能对细小的病灶做出准确的预测。并且FCN的分割结果不太连续，SegNet和Attention U-Net对形状复杂的病灶区不能做出正确的预测，同时U-Net的结果出现了过分过，相比之下，本算法的分割结果与参考图像的标签更为接近。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (8)
1.一种基于多模态互补信息探索的心脏MRI图像多任务分割方法，其特征在于，包括以下步骤：
S1、获取心脏MRI图像，并将心脏MRI图像的三个序列即模态平衡稳态自由进动序列(bSSFP)、晚期钆增强序列(LGE)、T2加权序列(T2)依次输入一个基于编码解码结构的卷积神经网络，在共享权重的编码器中分别提取不同序列的特征信息；
S2、在解码器中利用通道重建上采样方法恢复特征图的大小，并将提取的三个序列的特征聚合到一起，通过跳跃连接送入相应的解码器层进行特征融合；
S3、通过一个1×1卷积得到分类特征图，将分类特征图用sigmoid函数激活得到最终的预测概率图。
2.根据权利要求1所述的基于多模态互补信息探索的心脏MRI图像多任务分割方法，其特征在于，所述步骤S1具体包括以下子步骤：
S1.1、为了提取输入图像的多尺度信息，将心脏MRI图像的三个序列bSSFP、LGE、T2依次输入编码器顶部的多尺度卷积模块，分别提取三种序列的不同尺度的特征信息；编码器一共包括4个层级，每一个层级由连续的3个卷积-归一化-激活函数块构成，并且在每一个层级后用最大池化降低特征图的大小，在编码器底部特征图大小变为原始图像的1/16；
S1.2、将得到的不同尺度的特征信息送入共享权重的编码器卷积层中，提取各个序列特有的特征信息。
3.根据权利要求2所述的基于多模态互补信息探索的心脏MRI图像多任务分割方法，其特征在于，所述步骤S1的心脏MRI的三种序列bSSFP、LGE和T2分别表示为{xb}、{xl}和{xt}；共享权重的编码器分别表示为Eb、El和Et。
4.根据权利要求2或3所述的基于多模态互补信息探索的心脏MRI图像多任务分割方法，其特征在于，所述步骤S1的多尺度卷积模块采用1×1、3×3和5×5三种核大小的卷积，分别提取不同尺度的特征，并对输入特征的通道数进行扩展已获得充足的特征图，最后将扩展的特征用1×1卷积进行压缩恢复原来的通道数量以进行特征图聚合；考虑网络的轻量化，利用非对称卷积的思想将N×N的卷积核进一步分解为1×N和N×1的组合。
5.根据权利要求4所述的基于多模态互补信息探索的心脏MRI图像多任务分割方法，其特征在于，所述步骤S2具体包括以下子步骤：
S2.1、将在编码器中提取到的三种序列的特征信息聚合到一起，利用通道重建上采样方法恢复特征图的大小。通道重建上采样，利用两部分卷积提取特征后，在通道层面上将特征图重塑为需要的特征图大小：
S2.2、将编码器中对提取到的细节特征通过跳跃连接馈入到解码器相应层进行特征融合；
S2.3、利用通道重建上采样方法逐渐恢复特征图的大小，通道重建上采样方法在通道级别上通过卷积操作将低分辨率的特征映射重构到高分辨率，最终将特征图重建到原始图像大小。
6.根据权利要求5所述的基于多模态互补信息探索的心脏MRI图像多任务分割方法，其特征在于，所述步骤S2的解码器将来自编码器对应层提取的不同序列的特征Eb,i(xb)、El,i(xl)和Et,i(xt)进行聚合，并与经过通道重建上采样解码器层提取到的特征Fj-1重建得到的特征Dj(Fj-1)进行融合，它们的融合过程为：
Fj＝concat([Eb,i(xb),El,i(xl),Et,i(xt),Dj(F(j-1))])。
7.根据权利要求6所述的基于多模态互补信息探索的心脏MRI图像多任务分割方法，其特征在于，所述步骤S3具体包括以下子步骤：
S3.1、将具有原始特征图像大小的特征图用1×1卷积压缩通道，得到预测分类特征图；
S3.2、将预测分类特征图用Sigmoid函数激活，得到最终分割结果。
8.根据权利要求7所述的基于多模态互补信息探索的心脏MRI图像多任务分割方法，其特征在于，所述步骤S3通过一个1×1大小的卷积层将解码器恢复成原始图像大小的特征图进行分类预测，得到分割任务的分类数个通道的特征图，并通过Sigmoid函数对特征图进行激活，将特征图的值处理到0到1之间，已得到最终的分割结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110405547.XA CN113129316A (zh) | 2021-04-15 | 2021-04-15 | 基于多模态互补信息探索的心脏mri图像多任务分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110405547.XA CN113129316A (zh) | 2021-04-15 | 2021-04-15 | 基于多模态互补信息探索的心脏mri图像多任务分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113129316A true CN113129316A (zh) | 2021-07-16 |
Family
ID=76776720
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110405547.XA Pending CN113129316A (zh) | 2021-04-15 | 2021-04-15 | 基于多模态互补信息探索的心脏mri图像多任务分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113129316A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114782399A (zh) * | 2022-05-13 | 2022-07-22 | 上海博动医疗科技股份有限公司 | 瓣环自动检测方法、装置、电子设备及存储介质 |
| CN114882596A (zh) * | 2022-07-08 | 2022-08-09 | 深圳市信润富联数字科技有限公司 | 行为预警方法、装置、电子设备及存储介质 |
| CN114882996A (zh) * | 2022-03-17 | 2022-08-09 | 深圳大学 | 基于多任务学习的肝细胞癌ck19及mvi预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110619641A (zh) * | 2019-09-02 | 2019-12-27 | 南京信息工程大学 | 一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法 |
| CN111681252A (zh) * | 2020-05-30 | 2020-09-18 | 重庆邮电大学 | 一种基于多路径注意力融合的医学图像自动分割方法 |
| CN112150568A (zh) * | 2020-09-16 | 2020-12-29 | 浙江大学 | 基于Transformer模型的磁共振指纹成像重建方法 |
-
2021
- 2021-04-15 CN CN202110405547.XA patent/CN113129316A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110619641A (zh) * | 2019-09-02 | 2019-12-27 | 南京信息工程大学 | 一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法 |
| CN111681252A (zh) * | 2020-05-30 | 2020-09-18 | 重庆邮电大学 | 一种基于多路径注意力融合的医学图像自动分割方法 |
| CN112150568A (zh) * | 2020-09-16 | 2020-12-29 | 浙江大学 | 基于Transformer模型的磁共振指纹成像重建方法 |
Non-Patent Citations (1)
| Title |
|---|
| WEISHENG LI等: ""CMS-UNet: Cardiac Multi-task Segmentation in MRI with a U-Shaped Network"", 《LECTURE NOTES IN COMPUTER SCIENCE》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114882996A (zh) * | 2022-03-17 | 2022-08-09 | 深圳大学 | 基于多任务学习的肝细胞癌ck19及mvi预测方法 |
| CN114882996B (zh) * | 2022-03-17 | 2023-04-07 | 深圳大学 | 基于多任务学习的肝细胞癌ck19及mvi预测方法 |
| CN114782399A (zh) * | 2022-05-13 | 2022-07-22 | 上海博动医疗科技股份有限公司 | 瓣环自动检测方法、装置、电子设备及存储介质 |
| CN114782399B (zh) * | 2022-05-13 | 2024-02-02 | 上海博动医疗科技股份有限公司 | 瓣环自动检测方法、装置、电子设备及存储介质 |
| CN114882596A (zh) * | 2022-07-08 | 2022-08-09 | 深圳市信润富联数字科技有限公司 | 行为预警方法、装置、电子设备及存储介质 |
| CN114882596B (zh) * | 2022-07-08 | 2022-11-15 | 深圳市信润富联数字科技有限公司 | 行为预警方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110443813B (zh) | 血管、眼底图像的分割方法、装置、设备及可读存储介质 | |
| Zhao et al. | Supervised segmentation of un-annotated retinal fundus images by synthesis | |
| Tomar et al. | Fanet: A feedback attention network for improved biomedical image segmentation | |
| Li et al. | A novel fusion method based on dynamic threshold neural P systems and nonsubsampled contourlet transform for multi-modality medical images | |
| WO2021036695A1 (zh) | 一种待标注图像确定的方法、模型训练的方法及装置 | |
| Zuo et al. | R2AU-Net: attention recurrent residual convolutional neural network for multimodal medical image segmentation | |
| CN113129316A (zh) | 基于多模态互补信息探索的心脏mri图像多任务分割方法 | |
| Ahmed | The impact of filter size and number of filters on classification accuracy in CNN | |
| Robert et al. | Hybridnet: Classification and reconstruction cooperation for semi-supervised learning | |
| CN110475505A (zh) | 利用全卷积网络的自动分割 | |
| Daihong et al. | Multi-scale generative adversarial network for image super-resolution | |
| Tursun et al. | MTRNet++: One-stage mask-based scene text eraser | |
| CN116071292B (zh) | 基于生成对比学习的眼底镜视网膜图像血管识别方法 | |
| CN112669248B (zh) | 基于cnn与拉普拉斯金字塔的高光谱与全色图像融合方法 | |
| Alghamdi et al. | A comparative study of deep learning models for diagnosing glaucoma from fundus images | |
| Xu et al. | BMAnet: Boundary mining with adversarial learning for semi-supervised 2D myocardial infarction segmentation | |
| Liu et al. | Multi-modality empowered network for facial action unit detection | |
| CN115375711A (zh) | 基于多尺度融合的全局上下文关注网络的图像分割方法 | |
| Ding et al. | RCAR-UNet: Retinal vessel segmentation network algorithm via novel rough attention mechanism | |
| Yu et al. | M3U-CDVAE: Lightweight retinal vessel segmentation and refinement network | |
| CN116128876B (zh) | 一种基于异构域的医学图像分类方法和系统 | |
| Padha et al. | QCLR: Quantum-LSTM contrastive learning framework for continuous mental health monitoring | |
| Yue et al. | Generative Adversarial Network Combined with SE‐ResNet and Dilated Inception Block for Segmenting Retinal Vessels | |
| Dastbaravardeh et al. | Channel Attention-Based Approach with Autoencoder Network for Human Action Recognition in Low-Resolution Frames | |
| Iqbal et al. | LDMRes-Net: Enabling real-time disease monitoring through efficient image segmentation |
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 |
Application publication date: 20210716 |
|
| RJ01 | Rejection of invention patent application after publication |