CN113192076A - 联合分类预测和多尺度特征提取的mri脑肿瘤图像分割方法 - Google Patents

联合分类预测和多尺度特征提取的mri脑肿瘤图像分割方法 Download PDF

Info

Publication number
CN113192076A
CN113192076A CN202110381437.4A CN202110381437A CN113192076A CN 113192076 A CN113192076 A CN 113192076A CN 202110381437 A CN202110381437 A CN 202110381437A CN 113192076 A CN113192076 A CN 113192076A
Authority
CN
China
Prior art keywords
brain tumor
image segmentation
network
mri brain
classification prediction
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
CN202110381437.4A
Other languages
English (en)
Other versions
CN113192076B (zh
Inventor
熊炜
周蕾
乐玲
张开
李敏
李利荣
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.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
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 Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN202110381437.4A priority Critical patent/CN113192076B/zh
Publication of CN113192076A publication Critical patent/CN113192076A/zh
Application granted granted Critical
Publication of CN113192076B publication Critical patent/CN113192076B/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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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]
    • 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
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
    • 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

Abstract

本发明公开了一种联合分类预测和多尺度特征提取的MRI脑肿瘤图像分割方法，首先针对以序列为单位的切片组数据，去除每一个序列中不含肿瘤的切片，再通过旋转、裁剪、翻转操作对数据集进行扩增，获得扩增数据集；然后将预处理后的扩增数据集送入分类预测网络，对完整的脑部肿瘤数据按照肿瘤的有无进行分类预测；接着构建MRI脑肿瘤图像分割网络和训练MRI脑肿瘤图像分割网络；最后将需要检测的MRI肿瘤切片输入到分类预测网络中进行有无肿瘤的预测，继而将有肿瘤的序列切片输入给练好的MRI脑肿瘤图像分割网络，完成肿瘤的分割，获取分割结果。本发明有效解决了特征提取信息丢失问题，能够精确提取形状不规则的肿瘤区域。

Description

联合分类预测和多尺度特征提取的MRI脑肿瘤图像分割方法
技术领域
本发明属于数字图像处理、计算机视觉技术领域，涉及一种联合分类预测和多尺度特征提取的图像分割方法，特别是涉及一种联合分类预测和多尺度特征提取的MRI脑肿瘤图像分割方法。
背景技术
MRI脑肿瘤图像分割，是对颅脑的病变目标进行像素级别分类的技术。该技术是计算机视觉、机器学习以及模式识别的综合运用。具体流程，首先对MRI脑部序列切片进行有无肿瘤的分类预测，再对含肿瘤的切片进行分割处理。可用于计算机辅助诊断(Computer-aided Diagnosis,CAD)，减轻医生的手动分割负担，节省时间、精力，可重复性好。
在早期，医学影像分割技术的工作中大部分基于传统的图像处理方法，例如边缘检测、区域生长、主动轮廓模型方法等。随着深度学习的发展，高效的医学影像分割方法被研究者们相继提出。其中，最著名的是U-Net，一种完全借助于深度学习模型提取感兴趣的目标区域，避免了观察者主观因素的影响，并提高了处理数据的速度。U-Net是基于FCN改进的一种全卷积神经网络，因其分割的精准度与普适性而被学者广泛使用。研究者们将先进的神经网络结构与U-Net结合，进一步改进与创新，以达到高分割性能的目的。
脑部MRI肿瘤的分割方法可分为特征提取和特征恢复两个步骤。其中特征提取通过卷积和池化操作提取肿瘤的轮廓、边缘、形状、大小等属性特征。特征恢复通过转置卷积进行上采样，恢复出肿瘤的形状、大小等目标区域。目前，许多研究学者专注于将提取的低级语义信息和高层的语义特征进行更好的融合，以达到提升分割精度的效果。然而这些算法并不能达到较高的分割精度，并且网络模型复杂。
发明内容
本发明的目的在于提出一种联合分类预测和多尺度特征提取的MRI脑肿瘤图像分割方法，有效解决特征提取信息丢失问题，并且能够精确提取形状不规则的肿瘤区域，能够适用于噪声较多、对比度低、分割目标形状变化复杂等因素引起的低质量MRI颅脑序列图像的分割。
本发明的方法所采用的技术方案是：一种联合分类预测和多尺度特征提取的MRI脑肿瘤图像分割方法，其特征在于，包括以下步骤：
步骤1：获取图像数据，并进行预处理；
针对以序列为单位的切片组数据，首先去除每一个序列中不含肿瘤的切片，再通过旋转、裁剪、翻转操作对数据集进行扩增，获得扩增数据集；其中，每一个序列代表一位患者；
步骤2：断层分类预测；
将预处理后的扩增数据集送入分类预测网络，对完整的脑部肿瘤数据按照肿瘤的有无进行分类预测；
步骤3：构建MRI脑肿瘤图像分割网络；
所述网络包括10组网络：前4组为编码部分，由4个卷积模块和池化组成，其中，卷积模块均为(Conv2d+BN+ReLU)×2，前三次池化为最大池化Max Pooling，第四次池化为Strip Pooling；设Ci、Hi、Wi依次为经过第i个卷积后的通道数，高和宽，则第i个卷积block后的特征图像尺寸为
Figure BDA0003013148940000021
其中Ci+1＝2Ci，
Figure BDA0003013148940000022
第五组为DPC结构，使用3个DPC模块，并且每一个DPC的输入与输出通道相同；6，7，8，9组为解码结构，通过转置卷积实现网络的上采样，
Figure BDA0003013148940000023
为经过转置卷积后的通道数，恢复目标图像分辨率；并同时利用跳跃连接，级联编码结构相应层的特征图信息与解码中的特征图，级联后的特征图尺寸为
Figure BDA0003013148940000024
其中，Hi＝H10-i，Wi＝W10-i；最后第10组通过1×1卷积，得到与输入图像尺寸一致的分割图像；
步骤4：训练MRI脑肿瘤图像分割网络；
将预处理后的图像数据分为训练集和测试集，将训练集送入MRI脑肿瘤图像分割网络进行训练，获得训练后的MRI脑肿瘤图像分割网络；通过测试集测试训练后的MRI脑肿瘤图像分割网络，若满足预设要求，则停止训练，获得训练好的MRI脑肿瘤图像分割网络，否则修改数据预处理参数以及提出的网络模型之中的参数，继续执行训练过程使得达到预设要求；
步骤5：输出结果；
将需要检测的MRI肿瘤切片输入到分类预测网络中进行有无肿瘤的预测，继而将有肿瘤的序列切片输入给练好的MRI脑肿瘤图像分割网络，完成肿瘤的分割，获取分割结果。
本发明与现有算法相比，其显著优点在于：
(1)本发明提出了一种联合分类预测和多尺度特征提取的MRI脑肿瘤图像分割方法，从特征提取角度提升网络性能。首先利用ResNet34网络判别MRI切片中是否存在肿瘤；然后把有肿瘤的切片序列利用以U-Net为骨干网络的DPCSP分割网络结构，实现高精度的脑部肿瘤分割。
(2)所使用的密集金字塔卷积和条状池化结构不仅可以同时提取不同尺度语义信息，还能捕捉目标中具有长距离依赖关系的特征进行网络训练，得到更优的结果。
(3)本发明的分割精度效果在kaggle_3m数据集上，Dice相似系数、杰卡德系数两个评价指标分别达到了91.66％和84.33％，是目前分割效果较高的，并且网络结构简单，计算量小。
附图说明
图1为本发明实施的流程图；
图2为本发明实施例的MRI脑肿瘤图像分割网络框架图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
请见图1，本发明提供的一种联合分类预测和多尺度特征提取的MRI脑肿瘤图像分割方法，主要针对MRI脑部肿瘤区域误识别以及肿瘤尺寸差异较大的问题。分类预测采用ResNet34网络结构，目的是判别MRI切片中是否存在肿瘤；分割以U-Net为骨干网络，使用密集金字塔卷积(DensePyramidal Convolution,DPC)提取多尺度特征，以适应不同尺寸肿瘤的分割，同时引入条状池化(Strip Pooling,SP)，凭借其能捕获肿瘤中远距离区域的依赖关系，进一步加强对肿瘤图像的分割能力。
本实施例具体包括以下步骤：
步骤1：获取图像数据，并进行预处理；
本实施例首先针对以序列为单位的切片组数据，每一个序列代表一位患者，不同于离散的医学图像数据集，该方法能够保证序列内部的连续性(肿瘤大多数是在切片之间连续存在)，对分割网络的训练有一定的优化作用。在数据预处理阶段，首先去除每一个序列中，不含肿瘤的切片，再通过旋转、裁剪、翻转操作对数据集进行扩充，在非实质性的增加数据的情况下，让有限的数据产生等价于更多数据的价值，同时防止后续网络出现过拟合。
步骤2：断层分类预测；
本实施例首先将预处理后的扩增数据集送入分类预测网络，对完整的脑部肿瘤数据按照肿瘤的有无进行分类预测。本实施例采用的ResNet34分类预测网络，并使用在ImageNet上进行预训练的参数进行实验。将原始数据集分为训练集和测试集。其中测试集为随机划分的10个脑部肿瘤序列。故划分后，训练数据有100个序列图像，共3574张图像，测试数据有10个序列图像，共355张图像。实验训练时，将输入图像尺寸调整为256×256，并使用水平翻转和正则化，以达到更好的分类效果。
步骤3：构建MRI脑肿瘤图像分割网络；
请见图2，本实施例的MRI脑肿瘤图像分割网络包括10组网络；前4组为编码部分，由4个卷积模块和池化组成，其中，卷积模块均为(Conv2d+BN+ReLU)×2，前三次池化为最大池化Max Pooling，第四次池化为Strip Pooling；设Ci、Hi、Wi依次为经过第i个卷积后的通道数，高和宽，则第i个卷积block后的特征图像尺寸为
Figure BDA0003013148940000041
其中Ci+1＝2Ci，
Figure BDA0003013148940000042
第五组为DPC结构(bottleneck)，使用3个DPC模块(串联)，并且每一个DPC的输入与输出通道相同；6，7，8，9组为解码结构，通过转置卷积实现网络的上采样，
Figure BDA0003013148940000043
为经过转置卷积后的通道数，恢复目标图像分辨率；并同时利用跳跃连接，级联(concatenation)编码结构相应层的特征图信息与解码中的特征图，级联后的特征图尺寸为
Figure BDA0003013148940000044
其中，Hi＝H10-i，Wi＝W10-i；最后第10组通过1×1卷积，得到与输入图像尺寸一致的分割图像；
MRI脑肿瘤图像分割网络中，编码结构在常规卷积操作中能够提取多种特征图像，但容易学习到冗余的特征，故在第五组DPC结构使用PyConv，同时获取不同感受野下的特征图，提取多尺度的肿瘤特征信息，使网络在学习不同类型特征的同时，避免学习冗余信息。并同时利用DenseNet的密集连接机制，进一步提高特征提取效率。条状池化可以覆盖更多的复杂目标区域，同时又能规避背景区域的影响，在肿瘤的特征提取过程中，能较好的提取条状类型的肿瘤。故本发明采取在常规方形池化方式中增加条状池化来进行下采样。
在PyConv中，FMi为输入特征图，卷积核大小依次为
Figure BDA0003013148940000051
则卷积核中内核深度依次为式(1)：
Figure BDA0003013148940000052
故输出特征为公式(2)：
FMo＝FMo1+FMo2+FMo3+···+FMon (2)
其中，FMoi为各个塔层的输出，FMo为通道级联后的总输出，FMi为第i个PyConv的输入特征图，n表示第n个卷积核大小。
条状池化与常规二维平均池化不同，窗口沿着水平或垂直维度执行池化。设输入张量为
Figure BDA0003013148940000053
输出张量为
Figure BDA0003013148940000054
中间张量为
Figure BDA0003013148940000055
则池化如式(3)所示：
Figure BDA0003013148940000056
其中，y可由式(4)求得：
Figure BDA0003013148940000057
在式(4)中，在C表示通道数，H×W为输入的二维张量大小，xc,i,j为c通道上的输入张量，
Figure BDA0003013148940000058
分别为在c通道上水平和垂直方向的特征值平均。f为1×1卷积，σ为Sigmoid激活函数，
Figure BDA0003013148940000059
表示逐元素相乘。
步骤4：训练MRI脑肿瘤图像分割网络；
将预处理后的图像数据分为训练集和测试集，将训练集送入MRI脑肿瘤图像分割网络进行训练，获得训练后的MRI脑肿瘤图像分割网络；通过测试集测试训练后的MRI脑肿瘤图像分割网络，若满足预设要求，则停止训练，获得训练好的MRI脑肿瘤图像分割网络，否则修改数据预处理参数以及提出的网络模型之中的参数，继续执行训练过程使得达到预设要求；
步骤5：输出结果；
将需要检测的MRI肿瘤切片输入到分类预测网络中进行有无肿瘤的预测，继而将有肿瘤的序列切片输入给练好的MRI脑肿瘤图像分割网络，完成肿瘤的分割，获取分割结果。
为了进一步验证方法的有效性，本实施例将110个序列数据集随机不重复划分成11组，每组10个序列。其中取10组作为训练序列，取1组作为测试序列。并且保证每个序列都被测试的情况下，再次通过分类和分割的方式对模型进行验证。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (5)

1.一种联合分类预测和多尺度特征提取的MRI脑肿瘤图像分割方法，其特征在于，包括以下步骤：
步骤1：获取图像数据，并进行预处理；
针对以序列为单位的切片组数据，首先去除每一个序列中不含肿瘤的切片，再通过旋转、裁剪、翻转操作对数据集进行扩增，获得扩增数据集；其中，每一个序列代表一位患者；
步骤2：断层分类预测；
将预处理后的扩增数据集送入分类预测网络，对完整的脑部肿瘤数据按照肿瘤的有无进行分类预测；
步骤3：构建MRI脑肿瘤图像分割网络；
所述网络包括10组网络：前4组为编码部分，由4个卷积模块和池化组成，其中，卷积模块均为(Conv2d+BN+ReLU)×2，前三次池化为最大池化Max Pooling，第四次池化为StripPooling；设Ci、Hi、Wi依次为经过第i个卷积后的通道数，高和宽，则第i个卷积block后的特征图像尺寸为
Figure FDA0003013148930000011
其中Ci+1＝2Ci，
Figure FDA0003013148930000012
第五组为DPC结构，使用3个DPC模块，并且每一个DPC的输入与输出通道相同；6，7，8，9组为解码结构，通过转置卷积实现网络的上采样，
Figure FDA0003013148930000013
为经过转置卷积后的通道数，恢复目标图像分辨率；并同时利用跳跃连接，级联编码结构相应层的特征图信息与解码中的特征图，级联后的特征图尺寸为
Figure FDA0003013148930000014
其中，Hi＝H10-i，Wi＝W10-i；最后第10组通过1×1卷积，得到与输入图像尺寸一致的分割图像；
步骤4：训练MRI脑肿瘤图像分割网络；
将预处理后的图像数据分为训练集和测试集，将训练集送入MRI脑肿瘤图像分割网络进行训练，获得训练后的MRI脑肿瘤图像分割网络；通过测试集测试训练后的MRI脑肿瘤图像分割网络，若满足预设要求，则停止训练，获得训练好的MRI脑肿瘤图像分割网络，否则修改数据预处理参数以及提出的网络模型之中的参数，继续执行训练过程使得达到预设要求；
步骤5：输出结果；
将需要检测的MRI肿瘤切片输入到分类预测网络中进行有无肿瘤的预测，继而将有肿瘤的序列切片输入给练好的MRI脑肿瘤图像分割网络，完成肿瘤的分割，获取分割结果。
2.根据权利要求1所述的联合分类预测和多尺度特征提取的MRI脑肿瘤图像分割方法，其特征在于：步骤2中，采用的ResNet34分类预测网络，并使用在ImageNet上进行预训练的参数进行实验；将原始数据集分为训练集和测试集，其中测试集为随机划分的若干个脑部肿瘤序列；实验训练时，将输入图像尺寸调整为256×256，并使用水平翻转和正则化，以达到更好的分类效果。
3.根据权利要求1所述的联合分类预测和多尺度特征提取的MRI脑肿瘤图像分割方法，其特征在于：步骤3中，在第五组DPC结构使用PyConv，同时获取不同感受野下的特征图，提取多尺度的肿瘤特征信息，
在PyConv中，FMi为输入特征图，卷积核大小依次为
Figure FDA0003013148930000021
则卷积核中内核深度依次为式(1)：
Figure FDA0003013148930000022
故输出特征为公式(2)：
FMo＝FMo1+FMo2+FMo3+···+FMon (2)
其中，FMoi为各个塔层的输出，FMo为通道级联后的总输出，FMi为第i个PyConv的输入特征图，n表示第n个卷积核大小。
4.根据权利要求1所述的联合分类预测和多尺度特征提取的MRI脑肿瘤图像分割方法，其特征在于：步骤3中，采取在常规方形池化方式中增加条状池化来进行下采样；
设输入张量为
Figure FDA0003013148930000023
输出张量为
Figure FDA0003013148930000024
中间张量为
Figure FDA0003013148930000025
则池化如式(3)所示：
Figure FDA0003013148930000026
其中，y由式(4)求得：
Figure FDA0003013148930000031
其中，C表示通道数，H×W为输入的二维张量大小，xc,i,j为C通道上的输入张量，
Figure FDA0003013148930000032
分别为在C通道上水平和垂直方向的特征值平均；f()为1×1卷积，σ为Sigmoid激活函数，
Figure FDA0003013148930000033
表示逐元素相乘。
5.根据权利要求1-4任意一项所述的联合分类预测和多尺度特征提取的MRI脑肿瘤图像分割方法，其特征在于：为了进一步验证方法的有效性，将110个序列数据集随机不重复划分成11组，每组10个序列；其中取10组作为训练序列，取1组作为测试序列；并且保证每个序列都被测试的情况下，再次通过分类和分割的方式对MRI脑肿瘤图像分割网络进行验证。
CN202110381437.4A 2021-04-09 2021-04-09 联合分类预测和多尺度特征提取的mri脑肿瘤图像分割方法 Active CN113192076B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110381437.4A CN113192076B (zh) 2021-04-09 2021-04-09 联合分类预测和多尺度特征提取的mri脑肿瘤图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110381437.4A CN113192076B (zh) 2021-04-09 2021-04-09 联合分类预测和多尺度特征提取的mri脑肿瘤图像分割方法

Publications (2)

Publication Number Publication Date
CN113192076A true CN113192076A (zh) 2021-07-30
CN113192076B CN113192076B (zh) 2022-03-15

Family

ID=76975226

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110381437.4A Active CN113192076B (zh) 2021-04-09 2021-04-09 联合分类预测和多尺度特征提取的mri脑肿瘤图像分割方法

Country Status (1)

Country Link
CN (1) CN113192076B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117437493A (zh) * 2023-12-20 2024-01-23 泰山学院 联合一阶和二阶特征的脑肿瘤mri图像分类方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150347820A1 (en) * 2014-05-27 2015-12-03 Beijing Kuangshi Technology Co., Ltd. Learning Deep Face Representation
CN109087318A (zh) * 2018-07-26 2018-12-25 东北大学 一种基于优化U-net网络模型的MRI脑肿瘤图像分割方法
CA3067824A1 (en) * 2017-06-26 2019-01-03 The Research Foundation For The State University Of New York System, method, and computer-accessible medium for virtual pancreatography
CN110706214A (zh) * 2019-09-23 2020-01-17 东南大学 融合条件随机与残差的三维U-Net大脑肿瘤分割方法
CN111192245A (zh) * 2019-12-26 2020-05-22 河南工业大学 一种基于U-Net网络的脑肿瘤分割网络及分割方法
WO2020190821A1 (en) * 2019-03-15 2020-09-24 Genentech, Inc. Deep convolutional neural networks for tumor segmentation with positron emission tomography
CN112184752A (zh) * 2020-09-08 2021-01-05 北京工业大学 一种基于金字塔卷积的视频目标跟踪方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150347820A1 (en) * 2014-05-27 2015-12-03 Beijing Kuangshi Technology Co., Ltd. Learning Deep Face Representation
CA3067824A1 (en) * 2017-06-26 2019-01-03 The Research Foundation For The State University Of New York System, method, and computer-accessible medium for virtual pancreatography
CN109087318A (zh) * 2018-07-26 2018-12-25 东北大学 一种基于优化U-net网络模型的MRI脑肿瘤图像分割方法
WO2020190821A1 (en) * 2019-03-15 2020-09-24 Genentech, Inc. Deep convolutional neural networks for tumor segmentation with positron emission tomography
CN110706214A (zh) * 2019-09-23 2020-01-17 东南大学 融合条件随机与残差的三维U-Net大脑肿瘤分割方法
CN111192245A (zh) * 2019-12-26 2020-05-22 河南工业大学 一种基于U-Net网络的脑肿瘤分割网络及分割方法
CN112184752A (zh) * 2020-09-08 2021-01-05 北京工业大学 一种基于金字塔卷积的视频目标跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱婷等: "基于WRN-PPNet的多模态MRI脑肿瘤全自动分割", 《计算机工程》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117437493A (zh) * 2023-12-20 2024-01-23 泰山学院 联合一阶和二阶特征的脑肿瘤mri图像分类方法及系统
CN117437493B (zh) * 2023-12-20 2024-03-29 泰山学院 联合一阶和二阶特征的脑肿瘤mri图像分类方法及系统

Also Published As

Publication number Publication date
CN113192076B (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
CN107564025B (zh) 一种基于深度神经网络的电力设备红外图像语义分割方法
CN107154043B (zh) 一种基于3dcnn的肺结节假阳性样本抑制方法
CN112184752A (zh) 一种基于金字塔卷积的视频目标跟踪方法
CN111242288B (zh) 一种用于病变图像分割的多尺度并行深度神经网络模型构建方法
CN110889853A (zh) 基于残差-注意力深度神经网络的肿瘤分割方法
CN110889852A (zh) 基于残差-注意力深度神经网络的肝脏分割方法
CN110059769B (zh) 用于街景理解的基于像素重排重建的语义分割方法及系统
CN111027377B (zh) 一种双流神经网络时序动作定位方法
CN112686902B (zh) 核磁共振影像中脑胶质瘤识别与分割的两阶段计算方法
CN104077742B (zh) 基于Gabor特征的人脸素描合成方法及系统
CN114038037B (zh) 基于可分离残差注意力网络的表情标签修正和识别方法
CN113269224B (zh) 一种场景图像分类方法、系统及存储介质
CN114266794B (zh) 基于全卷积神经网络的病理切片图像癌症区域分割系统
CN109948575B (zh) 超声图像中眼球区域分割方法
CN110930378A (zh) 基于低数据需求的肺气肿影像处理方法及系统
CN111815526B (zh) 基于图像滤波和cnn的有雨图像雨条纹去除方法及系统
CN115409832A (zh) 一种超声影像及组学大数据的三阴性乳腺癌分类方法
CN114463340B (zh) 一种边缘信息引导的敏捷型遥感图像语义分割方法
CN113344933B (zh) 一种基于多层次特征融合网络的腺体细胞分割方法
CN113192076B (zh) 联合分类预测和多尺度特征提取的mri脑肿瘤图像分割方法
CN112818920B (zh) 一种双时相高光谱图像空谱联合变化检测方法
CN116563285B (zh) 一种基于全神经网络的病灶特征识别与分割方法及系统
CN111275732B (zh) 一种基于深度卷积神经网络的前景对象图像分割方法
CN111401434A (zh) 一种基于无监督特征学习的图像分类方法
CN116778164A (zh) 一种基于多尺度结构改进DeeplabV3+网络的语义分割方法

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