CN113223004A - 一种基于深度学习的肝脏图像分割方法 - Google Patents
一种基于深度学习的肝脏图像分割方法 Download PDFInfo
- Publication number
- CN113223004A CN113223004A CN202110493749.4A CN202110493749A CN113223004A CN 113223004 A CN113223004 A CN 113223004A CN 202110493749 A CN202110493749 A CN 202110493749A CN 113223004 A CN113223004 A CN 113223004A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- data set
- neural network
- liver
- 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
- 210000004185 liver Anatomy 0.000 title claims abstract description 48
- 238000003709 image segmentation Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000013135 deep learning Methods 0.000 title claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims abstract description 76
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 210000001015 abdomen Anatomy 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000003187 abdominal effect Effects 0.000 description 6
- 238000011084 recovery Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 208000014018 liver neoplasm Diseases 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 206010019695 Hepatic neoplasm Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 229940039231 contrast media Drugs 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 201000007270 liver cancer Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000005070 sampling 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
-
- 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
-
- 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
- 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
- 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
- G06T2207/20081—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
- G06T2207/30056—Liver; Hepatic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的肝脏图像分割方法，首先获取腹部CT图像作为数据集，并将肝脏图像进行标注得到肝脏掩模图像，然后对数据集进行预处理操作；构建包括粗分割神经网络和细分割神经网络的肝脏图像分割模型，利用训练集及对应的肝脏掩模图像对粗分割神经网络进行训练，利用粗分割结果与预处理后的数据集进行通道叠加后所裁剪的图像块序列对细分割神经网络进行训练，最终得到分割结果。本发明通过利用粗分割神经网络在小分辨率上对腹部CT图像进行处理得到肝脏整体的粗分割结果，再基于粗分割结果在利用细分割神经网络得到全分辨率上的细分割结果，做到整体和局部相结合，提高肝脏分割的效果。
Description
技术领域
本发明属于医学图像处理领域，具体涉及一种基于深度学习的肝脏图像分割方法。
背景技术
肝癌是世界上发病率和致死率均较高的恶性疾病，传统医学对于肝脏肿瘤的大小、形态、位置等的判断依赖于放射科医生逐个分析每名患者的CT 扫描图。因此，自动的肝脏和肿瘤分割技术具有十分重要的临床应用价值。由于肝脏对其紧邻器官具有较低的对比度，故从增强CT容积扫描中自动分割肝脏是一项非常具有挑战性的任务。为了解决这个难题，放射科医生通常通过注射造影剂来增强CT扫描以便清楚地观察肿瘤，但是这样会极大地增加肝脏区域图像内的噪声干扰。与肝脏分割相比，肿瘤在不同患者肝脏内具有各异的位置、形状、大小和数量；此外，一些病灶的边缘不清晰，这就造成了基于边缘的分割算法效果较差。最后，一些CT的扫描结果具有各向异性的维数，在z-轴的方向具有高可变性(体素间距从0.45毫米到6.0毫米)，这些因素都对肝肿瘤分割方法提出了更大挑战。
现有肝脏分割方法所应用的图像特征基本上都是浅层的，是采用手工设计的特征，如图像的灰度、形状结构以及纹理特征等。基于图像灰度的分割方法，当图像中目标与背景灰度差异明显的情况下能够得到不错的分割结果，但当差异不明显时，分割的精度就会大大降低；基于形状结构的分割方法，是利用图像中目标结构的先验信息进行分割的，不适用于肝脏形状比较特殊的情况；基于纹理特征的分割方法，大多需要结合机器学习和模式识别的相关知识，能够利用图像中更加有代表性的图像特征，得到的结果也十分接近人工分割的结果。但是，纹理特征的提取依靠于特征描述子，然而这些描述子是专家设计出来的，能够表达的特征有限，而且现在特征描述子的种类繁多，不同的图像应选择哪种描述子也是亟待研究的问题，同时开发一个新的特征提取算子是非常费时的，需要一定的知识和经验积累。另外，一些医学影像分割方法需要先对图像进行配准等一些预处理，预处理的结果会直接影响分割的结果。
发明内容
为了解决现有技术的上述问题，本发明提供一种基于深度学习的肝脏图像分割方法，通过利用粗分割神经网络和细分割神经网络对腹部CT图像进行处理，提高肝脏分割的效果，本发明的技术方案如下：
一种基于深度学习的肝脏图像分割方法，该方法包括：
S1、获取腹部CT图像作为数据集，并将所述腹部CT图像中的肝脏图像进行标注得到肝脏掩模图像；
S2、对所述数据集进行预处理操作，并将所述数据集分为训练集和测试集；所述预处理操作包括：设置数据集灰度值的上下阈值，计算得到数据集灰度值的均值和方差，根据得到的均值和方差对数据集灰度值做归一化操作；所述归一化操作具体包括：
其中，y为归一化后的数据集图像，x为归一化前的数据集图像，μ为数据集灰度值均值，σ为数据集灰度值方差；
S3、构建肝脏图像分割模型，所述肝脏图像分割模型包括粗分割神经网络和细分割神经网络，利用所述训练集及所述训练集对应的肝脏掩模图像对粗分割神经网络进行训练得到训练好的粗分割神经网络；
S4、将所述测试集输入到训练好的粗分割神经网络中得到第一分割结果，并将所述第一分割结果与预处理后的所述数据集进行通道叠加，得到第二数据集，并将所述第二数据集裁剪成分辨率相同的图像块序列，利用所述图像块序列对所述细分割神经网络进行训练，得到训练好的细分割神经网络；
S5、获取待分割的腹部CT图像，并将所述待分割的腹部CT图像进行预处理操作，并将预处理后的待分割的腹部CT图像输入到所述训练好的粗分割神经网络中得到粗分割结果，将所述粗分割结果与所述待分割的腹部CT图像进行通道融合，将融合后的图像裁剪成分辨率相同的图像块序列，利用训练好的细分割神经网络对裁剪后的图像块序列进行图像分割得到图像分割结果。
进一步地，所述预处理操作还包括将所述数据集的图像分辨率进行缩放操作。
本发明的有益效果在于：
通过利用粗分割神经网络在小分辨率上对腹部CT图像进行处理得到肝脏整体的粗分割结果，再基于粗分割结果在利用细分割神经网络得到全分辨率上的细分割结果，做到整体和局部相结合，提高肝脏分割的效果。
附图说明
图1是本发明基于深度学习的肝脏血管图像分割方法流程示意图；
图2是本发明3D图像分割模型结构图。
具体实施方式
下面结合附图和实施例，对本发明技术方案作进一步描述：
本实施例中提供了一种基于深度学习的肝脏图像分割方法，该方法包括：
步骤1、获取腹部CT图像作为数据集，并将腹部CT图像中的肝脏图像进行标注得到肝脏掩模图像。
在本申请实施例中，在现有数据库中收集腹部CT检查数据集，利用人工进行标注得到肝脏掩模图像。将腹部CT图像和肝脏掩模图像统一图像大小相同尺寸，例如可以是缩放图像和对应的掩膜图像到512×512×200的尺寸大小。
步骤2、对数据集进行预处理操作，并将数据集分为训练集和测试集，。
其中，预处理操作包括：设置数据集灰度值的上下阈值，计算得到数据集灰度值的均值和方差，根据得到的均值和方差对数据集灰度值做归一化操作。
归一化操作具体包括：
其中，y为归一化后的数据集图像，x为归一化前的数据集图像，μ为数据集灰度值均值，σ为数据集灰度值方差。
步骤3、构建肝脏图像分割模型，该肝脏图像分割模型包括粗分割神经网络和细分割神经网络。
在本申请实施例中，将数据集分为训练集和测试集，利用训练集及训练集对应的肝脏掩模图像对粗分割神经网络进行训练得到训练好的粗分割神经网络。
选取步骤2中任意一张经过预处理后的数据集中腹部CT图像的和其对应的肝脏掩膜图像，肝脏掩膜图像就是腹部CT图像所对应的真实分割结果，大小相同，训练数据中每个输入的腹部CT图像均对应一个正确的肝脏掩膜图像。
粗分割神经网络包括编码部分和解码部分，编码部分用于对输入图像进行特征提取与分析，解码部分用于将输入图像所提取出的特征进行还原。
在本申请实施例中粗分割神经网络可以采用所构建的3D图像分割模型即3D U-Net网络模型，如图2所示，该网络模型包括3个下采样层以及3个上采样层，其中采样层中卷积核为3×3。
具体的，训练集及训练集对应的肝脏掩模图像输入进该粗分割神经网络通过第一卷积层进行特征提取，得到第一特征图；
第一特征图通过第一下采样层进行缩放，并在第二卷积层进行卷积，得到第二特征图；
第二特征图通过第二下采样层进行缩放，并在第三卷积层进行卷积，得到第三特征图；
第三特征图通过第三下采样层进行缩放，并在第四卷积层进行卷积，得到第四特征图，该第四特征为底部特征；
第四特征图通过上采样并与第三特征图进行融合，并在第一反卷积层进行特征回复，得到第五特征图；
第五特征图通过上采样并与第二特征图进行融合，并在第二反卷积层进行特征回复，得到第六特征图；
第六特征图通过上采样并与第一特征图进行融合，并在第三反卷积层进行特征回复，得到粗分割结果。
其中具体可以利用利用Dice函数作为网络的损失函数，采用Adam优化器，初始学习率设置为1×10-4。
步骤4、将测试集输入到训练好的粗分割神经网络中得到第一分割结果，并将第一分割结果与预处理后的数据集进行通道叠加，得到第二数据集，并将第二数据集裁剪成分辨率相同的图像块序列，利用图像块序列对细分割神经网络进行训练，得到训练好的细分割神经网络。
通道叠加是指将预处理缩放后得到的CT图像和肝脏掩膜在第四个维度 (通道)上叠加得到的图像，在本申请实施例中将512×512×200×1的预处理后的数据集中的CT图像与512×512×200×1中该CT图像输入到粗分割网络处理后的第一分割结果进行通道叠加，得到512×512×200×2的第二图像，遍历所有数据集中的CT图像，则可以得到所有第二图像所组成的第二数据集，即将第一分割结果与预处理后的数据集进行通道叠加，得到第二数据集。
将第二数据集通过人工设置分辨率裁剪成分辨率相同的图像块序列，例如可以裁成128×128×128×2的图像，则对应标注图像裁成128×128×128。
在本申请实施例中，粗分割神经网络和细分割神经网络可以相同，细分割神经网络包括编码部分和解码部分，编码部分用于对输入图像进行特征提取与分析，解码部分用于将输入图像所提取出的特征进行还原。
将裁剪后的图像块序列输入进该细分割神经网络通过第一卷积层进行特征提取，得到第一特征图；
第一特征图通过第一下采样层进行缩放，并在第二卷积层进行卷积，得到第二特征图；
第二特征图通过第二下采样层进行缩放，并在第三卷积层进行卷积，得到第三特征图；
第三特征图通过第三下采样层进行缩放，并在第四卷积层进行卷积，得到第四特征图，该第四特征为底部特征；
第四特征图通过上采样并与第三特征图进行融合，并在第一反卷积层进行特征回复，得到第五特征图；
第五特征图通过上采样并与第二特征图进行融合，并在第二反卷积层进行特征回复，得到第六特征图；
第六特征图通过上采样并与第一特征图进行融合，并在第三反卷积层进行特征回复，得到细分割结果。
其中可以利用Focal loss函数作为损失函数，采用SGD作为优化器，初始学习率设置为1×10-5。
步骤5、获取待分割的腹部CT图像，并将待分割的腹部CT图像进行预处理操作，并将预处理后的待分割的腹部CT图像输入到训练好的粗分割神经网络中得到粗分割结果，将粗分割结果与待分割的腹部CT图像进行通道融合，将融合后的图像裁剪成分辨率相同的图像块序列，利用训练好的细分割神经网络对裁剪后的图像块序列进行图像分割得到图像分割结果。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (2)
1.一种基于深度学习的肝脏图像分割方法，其特征在于，所述方法包括：
S1、获取腹部CT图像作为数据集，并将所述腹部CT图像中的肝脏图像进行标注得到肝脏掩模图像；
S2、对所述数据集进行预处理操作，并将所述数据集分为训练集和测试集，；所述预处理操作包括：设置数据集灰度值的上下阈值，计算得到数据集灰度值的均值和方差，根据得到的均值和方差对数据集灰度值做归一化操作；所述归一化操作具体包括：
其中，y为归一化后的数据集图像，x为归一化前的数据集图像，μ为数据集灰度值均值，σ为数据集灰度值方差；
S3、构建肝脏图像分割模型，所述肝脏图像分割模型包括粗分割神经网络和细分割神经网络，利用所述训练集及所述训练集对应的肝脏掩模图像对粗分割神经网络进行训练得到训练好的粗分割神经网络；
S4、将所述测试集输入到训练好的粗分割神经网络中得到第一分割结果，并将所述第一分割结果与预处理后的所述数据集进行通道叠加，得到第二数据集，并将所述第二数据集裁剪成分辨率相同的图像块序列，利用所述图像块序列对所述细分割神经网络进行训练，得到训练好的细分割神经网络；
S5、获取待分割的腹部CT图像，并将所述待分割的腹部CT图像进行预处理操作，并将预处理后的待分割的腹部CT图像输入到所述训练好的粗分割神经网络中得到粗分割结果，将所述粗分割结果与所述待分割的腹部CT图像进行通道融合，将融合后的图像裁剪成分辨率相同的图像块序列，利用训练好的细分割神经网络对裁剪后的图像块序列进行图像分割得到图像分割结果。
2.根据权利要求1所述的方法，其特征在于，所述预处理操作还包括将所述数据集的图像分辨率进行缩放操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110493749.4A CN113223004A (zh) | 2021-05-07 | 2021-05-07 | 一种基于深度学习的肝脏图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110493749.4A CN113223004A (zh) | 2021-05-07 | 2021-05-07 | 一种基于深度学习的肝脏图像分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113223004A true CN113223004A (zh) | 2021-08-06 |
Family
ID=77091269
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110493749.4A Pending CN113223004A (zh) | 2021-05-07 | 2021-05-07 | 一种基于深度学习的肝脏图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113223004A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610032A (zh) * | 2021-08-16 | 2021-11-05 | 北京市城市规划设计研究院 | 基于遥感影像的建筑物识别方法和装置 |
| CN113763330A (zh) * | 2021-08-17 | 2021-12-07 | 北京医准智能科技有限公司 | 一种血管分割方法、装置、存储介质及电子设备 |
| CN114972380A (zh) * | 2022-05-26 | 2022-08-30 | 北京百度网讯科技有限公司 | 边缘分割方法和装置 |
| WO2023071531A1 (zh) * | 2021-10-25 | 2023-05-04 | 之江实验室 | 一种基于深度形状学习的肝脏ct自动分割方法 |
| CN116363152A (zh) * | 2023-03-15 | 2023-06-30 | 阿里巴巴（中国）有限公司 | 图像分割的方法、训练图像分割模型的方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109493351A (zh) * | 2018-11-12 | 2019-03-19 | 哈尔滨理工大学 | 对ct图像采用概率图谱与水平集进行肝脏分割的系统 |
| CN109493317A (zh) * | 2018-09-25 | 2019-03-19 | 哈尔滨理工大学 | 基于级联卷积神经网络的3d多椎骨分割方法 |
| CN112132777A (zh) * | 2020-08-11 | 2020-12-25 | 浙江工业大学 | 一种基于多分辨率感知学习的中心静脉导管分割和尖端定位方法 |
| US20210012505A1 (en) * | 2019-07-09 | 2021-01-14 | The Johns Hopkins University | System and method for multi-scale coarse-to-fine segmentation of images to detect pancreatic ductal adenocarcinoma |
| CN112258526A (zh) * | 2020-10-30 | 2021-01-22 | 南京信息工程大学 | 一种基于对偶注意力机制的ct肾脏区域级联分割方法 |
-
2021
- 2021-05-07 CN CN202110493749.4A patent/CN113223004A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109493317A (zh) * | 2018-09-25 | 2019-03-19 | 哈尔滨理工大学 | 基于级联卷积神经网络的3d多椎骨分割方法 |
| CN109493351A (zh) * | 2018-11-12 | 2019-03-19 | 哈尔滨理工大学 | 对ct图像采用概率图谱与水平集进行肝脏分割的系统 |
| US20210012505A1 (en) * | 2019-07-09 | 2021-01-14 | The Johns Hopkins University | System and method for multi-scale coarse-to-fine segmentation of images to detect pancreatic ductal adenocarcinoma |
| CN112132777A (zh) * | 2020-08-11 | 2020-12-25 | 浙江工业大学 | 一种基于多分辨率感知学习的中心静脉导管分割和尖端定位方法 |
| CN112258526A (zh) * | 2020-10-30 | 2021-01-22 | 南京信息工程大学 | 一种基于对偶注意力机制的ct肾脏区域级联分割方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610032A (zh) * | 2021-08-16 | 2021-11-05 | 北京市城市规划设计研究院 | 基于遥感影像的建筑物识别方法和装置 |
| CN113763330A (zh) * | 2021-08-17 | 2021-12-07 | 北京医准智能科技有限公司 | 一种血管分割方法、装置、存储介质及电子设备 |
| WO2023071531A1 (zh) * | 2021-10-25 | 2023-05-04 | 之江实验室 | 一种基于深度形状学习的肝脏ct自动分割方法 |
| JP2023550844A (ja) * | 2021-10-25 | 2023-12-05 | 之江実験室 | 深層形状学習に基づく肝臓ｃｔ自動分割方法 |
| CN114972380A (zh) * | 2022-05-26 | 2022-08-30 | 北京百度网讯科技有限公司 | 边缘分割方法和装置 |
| CN116363152A (zh) * | 2023-03-15 | 2023-06-30 | 阿里巴巴（中国）有限公司 | 图像分割的方法、训练图像分割模型的方法及装置 |
| CN116363152B (zh) * | 2023-03-15 | 2024-03-19 | 阿里巴巴（中国）有限公司 | 图像分割的方法、训练图像分割模型的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113223004A (zh) | 一种基于深度学习的肝脏图像分割方法 | |
| CN110188792B (zh) | 前列腺mri三维图像的图像特征获取方法 | |
| CN108364294B (zh) | 基于超像素的腹部ct图像多器官分割方法 | |
| CN110310287B (zh) | 基于神经网络的危及器官自动勾画方法、设备和存储介质 | |
| CN112150428A (zh) | 一种基于深度学习的医学图像分割方法 | |
| CN108010013A (zh) | 一种肺ct图像肺结节检测方法 | |
| Pulagam et al. | Automated lung segmentation from HRCT scans with diffuse parenchymal lung diseases | |
| CN110706225B (zh) | 基于人工智能的肿瘤识别系统 | |
| US8208700B2 (en) | Mass spicules detection and tracing from digital mammograms | |
| CN115136189A (zh) | 基于图像处理的肿瘤的自动化检测 | |
| EP2143036A1 (en) | Combined feature ensamble nutual information image registration | |
| CN102324109A (zh) | 基于模糊隶属度模型的非实质性肺结节三维分割方法 | |
| US20120099771A1 (en) | Computer aided detection of architectural distortion in mammography | |
| CN111784701B (zh) | 结合边界特征增强和多尺度信息的超声图像分割方法及系统 | |
| Casiraghi et al. | Automatic abdominal organ segmentation from CT images | |
| CN110689525A (zh) | 基于神经网络识别淋巴结的方法及装置 | |
| CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
| CN114549462A (zh) | 基于视角解耦Transformer模型的病灶检测方法、装置、设备及介质 | |
| CN114092450A (zh) | 一种基于胃镜检查视频的实时图像分割方法、系统、装置 | |
| Dou et al. | Tooth instance segmentation based on capturing dependencies and receptive field adjustment in cone beam computed tomography | |
| CN116664590B (zh) | 基于动态对比增强磁共振图像的自动分割方法及装置 | |
| CN113870194A (zh) | 深层特征和浅层lbp特征融合的乳腺肿瘤超声图像处理装置 | |
| CN113838020A (zh) | 一种基于钼靶影像的病变区域量化方法 | |
| Rehman et al. | Edge of discovery: Enhancing breast tumor MRI analysis with boundary-driven deep learning | |
| CN117495893B (zh) | 一种基于主动轮廓模型的颅骨剥离方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210918 Address after: 102629 Room 401, building 1, 38 Yongda Road, Daxing biomedical industrial base, Zhongguancun Science and Technology Park, Daxing District, Beijing Applicant after: Beijing precision diagnosis Medical Technology Co.,Ltd. Address before: Room 102, block B2, phase II, software new town, tianguba Road, Yuhua Street office, high tech Zone, Xi'an, Shaanxi 710000 Applicant before: Xi'an Zhizhen Intelligent Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right |