CN113223008A - 基于多尺度引导注意网络的眼底图像分割方法及系统 - Google Patents
基于多尺度引导注意网络的眼底图像分割方法及系统 Download PDFInfo
- Publication number
- CN113223008A CN113223008A CN202110411288.1A CN202110411288A CN113223008A CN 113223008 A CN113223008 A CN 113223008A CN 202110411288 A CN202110411288 A CN 202110411288A CN 113223008 A CN113223008 A CN 113223008A
- Authority
- CN
- China
- Prior art keywords
- attention
- feature map
- scale
- feature
- features
- 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 42
- 238000003709 image segmentation Methods 0.000 title claims abstract description 39
- 238000010586 diagram Methods 0.000 claims abstract description 29
- 230000001419 dependent effect Effects 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007634 remodeling Methods 0.000 claims 5
- 238000004590 computer program Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 239000000126 substance Substances 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本公开提供了一种基于多尺度引导注意网络的眼底图像分割方法及系统,获取待分割的眼底图像;在图像的多个角度上提取多层次特征,得到多层次特征图;将获取的多层次特征图上采样到一个共同的分辨率,得到放大后的特征图;将所有放大后的特征图连接后输入到卷积块中,得到多比例特征图;将多比例特征图与放大后的特征图再次连接,并分别输入到位置依赖注意力引导块和通道依赖注意力引导块中,得到注意特征;根据注意特征得到图像分割结果;本公开将局部特征与其相应的全局相关性相结合,以自适应的方式突出相互依赖的通道图,通过强调相关特征关联来关注图像的更多判别区域,极大的而提高了图像分割的精度。
Description
技术领域
本公开涉及图像处理技术领域,特别涉及一种基于多尺度引导注意网络的眼底图像分割方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术,并不必然构成现有技术。
现有的图像处理方法中,大多采用卷积神经网络的方式进行图像分割。
发明人发现,尽管卷积神经网络(Convolutional Neural Networks,CNNs)正在推动医学图像分割的进步,但标准模型CNN模型在进行图像分割中依然存在部分缺陷:多尺度方法的使用,即编码器-解码器架构,导致信息的冗余使用,其中相似的低级特征在多个尺度下被多次提取;长期特征依赖没有被有效地建模,导致与每个语义类相关联的是非最佳区别特征表示。
医学图像上的目标结构通常在大小、形状和纹理上呈现类内和类间的多样性,尤其是如果图像是在2D处理的话,用于分割的传统中枢神经系统具有局部感受野,这导致局部特征表示的生成,由于长程上下文信息没有正确编码,局部特征表示可能导致与具有相同标签的像素相对应的特征之间的潜在差异,这可能会引入类内不一致性,最终影响识别性能。
发明内容
为了解决现有技术的不足,本公开提供了一种基于多尺度引导注意网络的眼底图像分割方法及系统,将局部特征与其相应的全局相关性相结合,以自适应的方式突出相互依赖的通道图,不同模块之间的额外损失引导注意机制忽略无关信息,并通过强调相关特征关联来关注图像的更多判别区域,极大的而提高了图像分割的精度。
为了实现上述目的,本公开采用如下技术方案:
本公开第一方面提供了一种基于多尺度引导注意网络的眼底图像分割方法。
一种基于多尺度引导注意网络的眼底图像分割方法,包括以下过程:
获取待分割的眼底图像;
在图像的多个角度上提取多层次特征,得到多层次特征图;
将获取的多层次特征图上采样到一个共同的分辨率,得到放大后的特征图;
将所有放大后的特征图连接后输入到卷积块中,得到多比例特征图;
将多比例特征图与放大后的特征图再次连接,并分别输入到位置依赖注意力引导块和通道依赖注意力引导块中,得到注意特征;
根据注意特征得到图像分割结果。
本公开第二方面提供了一种基于多尺度引导注意网络的眼底图像分割系统。
一种基于多尺度引导注意网络的眼底图像分割系统,包括:
图像获取模块,被配置为:获取待分割的眼底图像;
多层次特征图获取模块,被配置为:在图像的多个角度上提取多层次特征,得到多层次特征图;
特征图放大模块,被配置为:将获取的多层次特征图上采样到一个共同的分辨率,得到放大后的特征图;
多比例特征图获取模块,被配置为:将所有放大后的特征图连接后输入到卷积块中,得到多比例特征图;
注意特征获取模块,被配置为:将多比例特征图与放大后的特征图再次连接,并分别输入到位置依赖注意力引导块和通道依赖注意力引导块中,得到注意特征;
图像分割模块,被配置为:根据注意特征得到图像分割结果。
本公开第三方面提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本公开第一方面所述的一种基于多尺度引导注意网络的眼底图像分割方法中的步骤。
本公开第四方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开第一方面所述的基于多尺度引导注意网络的眼底图像分割方法中的步骤。
与现有技术相比,本公开的有益效果是:
1、本公开所述的方法、系统、介质或电子设备,将局部特征与其相应的全局相关性相结合,并以自适应的方式突出相互依赖的通道图,不同模块之间的额外损失引导注意机制忽略无关信息,并通过强调相关特征关联来关注图像的更多判别区域,极大的而提高了图像分割的精度。
2、本公开所述的方法、系统、介质或电子设备,基于多尺度引导注意网络的眼底图像的自动分割,在深度学习分割模型的基础上,添加多层次特征提取和双重注意力机制,这种多层次策略鼓励以不同分辨率生成的注意力图编码不同的语义信息;与此同时,在每个尺度上,注意模块将逐渐去除噪声区域。
3、本公开所述的方法、系统、介质或电子设备,设置了双重注意力机制,包含为空间位置和通道位置的自我注意模块,有助于自适应地将局部特征与其全局相关性相结合,而且注意模块的堆叠将有助于逐渐过滤掉强调相关信息的噪声,通过这种方式,可以获取到图像中的重要特征来辅助眼底图像的分割,以达到最优的分割性能。
本公开附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例1提供的基于多尺度引导注意网络的眼底图像的自动分割方法流程图。
图2为本公开实施例1提供的训练多尺度引导注意网络时设定的数据集图像。
图3为本公开实施例1提供的基于多尺度引导注意网络的眼底图像的注意网络结构示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例1:
如图1-2所示,本公开实施例1提供了一种基于多尺度引导注意网络的眼底图像自动分割的方法,包括以下步骤:
步骤(1):在图像的多个尺度上提取多层次特征;
步骤(2):在得到多层次特征图后,将所有的特征图大小统一上采样到最大的一个,得到F's;
步骤(3):所有的特征图连接起来,并作为一个卷积块的输入;
步骤(4):卷积块的输出特征Fms与特征图F′s再次连接,并输入到注意力引导块中;
步骤(5):设置两个注意力引导块,分别依赖位置和通道;
步骤(6):通过注意力引导块,得到注意特征,然后卷积块输出分割图像,得到分割结果。
具体包括以下内容:
步骤(1)中,在图像的多个尺度上提取多层次特征,从眼底图像中提取多层次特征的具体操作为:将输入图像输入到一个预先训练好的ResNet中,多尺度下的特征表示为Fs,其中s表示体系结构中的级别,得到特征图F1、F2、F3、F4。
步骤(2)中,在得到多层次特征图后,将所有的特征图大小统一上采样到最大的一个,得到F′s。在得到多层次特征图后,将所有的特征图大小统一上采样到最大的一个,具体为:由于每个级别的特征具有不同的分辨率,因此通过采用线性插值将它们上采样到一个共同的分辨率,从而得到放大的特征图F′1,F′2,F′3,F′4。
步骤(3)中,所有的特征图形成一个张量,并作为一个卷积块的输入。所有比例的F0连接形成一个张量,该张量被卷积以创建一个共同的多比例特征图,Fms=Conv([F′1,F′2,F′3,F′4])
步骤(4)中,卷积块的输出特征Fms与特征图F′s再次连接,并输入到注意力引导块中。这种新的多尺度特征地图以不同的角度与每个不同规模的特征地图相结合,并且被馈送到引导注意模块中以产生注意特征,产生公式为:As=AttMods(Conv[F′s,Fms]),其中AttMods代表每个引导注意模块。
步骤(5)中,设置两个注意力引导块,分别依赖位置和通道,位置注意力模型具体为:让F∈RC×W×H代表输入特征映射到注意模块,其中C、W、H分别表示通道、宽度和高度维度。在上面的分支中,F通过一个卷积块,产生一个特征映射其中C'等于C/8。
然后再乘以空间注意力图S的置换版本,其输出被重新整形为一个RC'×W×H。因此,对应于位置注意模块的注意特征图可以表述如下:
其中,λp的值被初始化为0,并且它逐渐被学习以给予空间注意力图更多的重要性。因此,位置注意模块在空间注意图的引导下,选择性地将全局上下文聚合到所学习的特征。
其中,λ通道关注图相对于输入特征图F的重要性,类似于λp,λc最初被设置为0,并且逐渐被学习。
步骤(6)中,通过注意力引导块,得到注意特征,然后卷积块输出分割图像,得到分割结果。
上述公式将所有通道的特征的加权版本聚合到原始特征中,突出依赖于类的特征图,并增加类之间的特征可区分性。在两个注意力模块的末尾,新生成的特征在执行元素方式的和运算以生成位置通道注意力特征之前被馈送到卷积层。
实施例2:
本公开实施例2提供了一种基于多尺度引导注意网络的眼底图像分割系统,包括:
图像获取模块,被配置为:获取待分割的眼底图像;
多层次特征图获取模块,被配置为:在图像的多个角度上提取多层次特征,得到多层次特征图;
特征图放大模块,被配置为:将获取的多层次特征图上采样到一个共同的分辨率,得到放大后的特征图;
多比例特征图获取模块,被配置为:将所有放大后的特征图连接后输入到卷积块中,得到多比例特征图;
注意特征获取模块,被配置为:将多比例特征图与放大后的特征图再次连接,并分别输入到位置依赖注意力引导块和通道依赖注意力引导块中,得到注意特征;
图像分割模块,被配置为:根据注意特征得到图像分割结果。
所述系统的工作方法与实施例1提供的基于多尺度引导注意网络的眼底图像分割方法相同,这里不再赘述。
实施例3:
本公开实施例3提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本公开实施例1所述的一种基于多尺度引导注意网络的眼底图像分割方法中的步骤。
实施例4:
本公开实施例4提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开实施例1所述的基于多尺度引导注意网络的眼底图像分割方法中的步骤。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于多尺度引导注意网络的眼底图像分割方法,其特征在于:包括以下过程:
获取待分割的眼底图像;
在图像的多个角度上提取多层次特征,得到多层次特征图;
将获取的多层次特征图上采样到一个共同的分辨率,得到放大后的特征图;
将所有放大后的特征图连接后输入到卷积块中,得到多比例特征图;
将多比例特征图与放大后的特征图再次连接,并分别输入到位置依赖注意力引导块和通道依赖注意力引导块中,得到注意特征;
根据注意特征得到图像分割结果。
2.如权利要求1所述的基于多尺度引导注意网络的眼底图像分割方法,其特征在于:
将获取的图像输入到预设ResNet模型中,得到多层次特征图。
3.如权利要求1所述的基于多尺度引导注意网络的眼底图像分割方法,其特征在于:
将所有的特征图大小统一上采样到最大的一个,得到放大后的特征图。
4.如权利要求1所述的基于多尺度引导注意网络的眼底图像分割方法,其特征在于:
将多比例特征图以不同的角度与对应的放大后的特征图连接,作为位置依赖注意力引导块和通道依赖注意力引导块的输入。
5.如权利要求1所述的基于多尺度引导注意网络的眼底图像分割方法,其特征在于:
位置依赖注意力引导块中,包括以下过程:
输入特征通过第一分支中的卷积块,得到第一特征映射,并进行形状重塑,得到第一特征图;
输入特征通过第二分支中的卷积块,得到第二特征映射,并进行形状重塑,得到第二特征图;
将第一特征图与第二特征图相乘,得到空间注意力图;
输入特征通过第二分支中的卷积块,得到第二特征映射,并进行形状重塑,得到第三特征图;
将第三特征图与注意力图的置换版本相乘,得到最终的空间注意力图。
6.如权利要求1所述的基于多尺度引导注意网络的眼底图像分割方法,其特征在于:
通道依赖注意力引导块中,包括以下过程:
输入特征通过第一分支中的卷积块,得到第一特征映射,并进行形状重塑,得到第一特征图;
输入特征通过第二分支中的卷积块,得到第二特征映射,并进行形状重塑,得到第二特征图;
第一特征图和第二特征图执行矩阵乘法,获得通道关注图;
将通道关注图与输入特征转置版本,得到最终的通道关注图。
7.如权利要求1所述的基于多尺度引导注意网络的眼底图像分割方法,其特征在于:
在位置依赖注意力引导块和通道依赖注意力引导块的末尾,新生成的特征在执行元素方式的和运算以生成位置通道注意力特征之前被馈送到卷积层。
8.一种基于多尺度引导注意网络的眼底图像分割系统,其特征在于:包括:
图像获取模块,被配置为:获取待分割的眼底图像;
多层次特征图获取模块,被配置为:在图像的多个角度上提取多层次特征,得到多层次特征图;
特征图放大模块,被配置为:将获取的多层次特征图上采样到一个共同的分辨率,得到放大后的特征图;
多比例特征图获取模块,被配置为:将所有放大后的特征图连接后输入到卷积块中,得到多比例特征图;
注意特征获取模块,被配置为:将多比例特征图与放大后的特征图再次连接,并分别输入到位置依赖注意力引导块和通道依赖注意力引导块中,得到注意特征;
图像分割模块,被配置为:根据注意特征得到图像分割结果。
9.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的一种基于多尺度引导注意网络的眼底图像分割方法中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于多尺度引导注意网络的眼底图像分割方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110411288.1A CN113223008A (zh) | 2021-04-16 | 2021-04-16 | 基于多尺度引导注意网络的眼底图像分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110411288.1A CN113223008A (zh) | 2021-04-16 | 2021-04-16 | 基于多尺度引导注意网络的眼底图像分割方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113223008A true CN113223008A (zh) | 2021-08-06 |
Family
ID=77087572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110411288.1A Pending CN113223008A (zh) | 2021-04-16 | 2021-04-16 | 基于多尺度引导注意网络的眼底图像分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113223008A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541791A (zh) * | 2023-11-23 | 2024-02-09 | 北京师范大学 | 基于多域可变形卷积的眼部结构分割方法、系统及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020199593A1 (zh) * | 2019-04-04 | 2020-10-08 | 平安科技(深圳)有限公司 | 图像分割模型训练方法、图像分割方法、装置、设备及介质 |
CN111932553A (zh) * | 2020-07-27 | 2020-11-13 | 北京航空航天大学 | 基于区域描述自注意力机制的遥感图像语义分割方法 |
CN112017191A (zh) * | 2020-08-12 | 2020-12-01 | 西北大学 | 基于注意力机制的肝脏病理图像分割模型建立及分割方法 |
CN112233135A (zh) * | 2020-11-11 | 2021-01-15 | 清华大学深圳国际研究生院 | 眼底图像中视网膜血管分割方法及计算机可读存储介质 |
CN112489062A (zh) * | 2020-12-10 | 2021-03-12 | 中国科学院苏州生物医学工程技术研究所 | 基于边界及邻域引导的医学图像分割方法及系统 |
-
2021
- 2021-04-16 CN CN202110411288.1A patent/CN113223008A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020199593A1 (zh) * | 2019-04-04 | 2020-10-08 | 平安科技(深圳)有限公司 | 图像分割模型训练方法、图像分割方法、装置、设备及介质 |
CN111932553A (zh) * | 2020-07-27 | 2020-11-13 | 北京航空航天大学 | 基于区域描述自注意力机制的遥感图像语义分割方法 |
CN112017191A (zh) * | 2020-08-12 | 2020-12-01 | 西北大学 | 基于注意力机制的肝脏病理图像分割模型建立及分割方法 |
CN112233135A (zh) * | 2020-11-11 | 2021-01-15 | 清华大学深圳国际研究生院 | 眼底图像中视网膜血管分割方法及计算机可读存储介质 |
CN112489062A (zh) * | 2020-12-10 | 2021-03-12 | 中国科学院苏州生物医学工程技术研究所 | 基于边界及邻域引导的医学图像分割方法及系统 |
Non-Patent Citations (3)
Title |
---|
ASHISH SINHA AND JOSE DOLZ: "Multi-scale guided attention for medical image", 《ARXIV》 * |
YUMOYE: "[论文阅读]Multi-scale guided attention for medical image segmentation", 《博客园》 * |
何伟 等: "注意力引导网络的显著性目标检测", 《中国图象图形学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541791A (zh) * | 2023-11-23 | 2024-02-09 | 北京师范大学 | 基于多域可变形卷积的眼部结构分割方法、系统及设备 |
CN117541791B (zh) * | 2023-11-23 | 2024-05-28 | 北京师范大学 | 基于多域可变形卷积的眼部结构分割方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107767408B (zh) | 图像处理方法、处理装置和处理设备 | |
JP6843086B2 (ja) | 画像処理システム、画像においてマルチラベル意味エッジ検出を行う方法、および、非一時的コンピューター可読記憶媒体 | |
CN111767979B (zh) | 神经网络的训练方法、图像处理方法、图像处理装置 | |
CN109754402B (zh) | 图像处理方法、图像处理装置以及存储介质 | |
CN113077471A (zh) | 一种基于u型网络的医学图像分割方法 | |
CN111476719B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
JP2020009402A (ja) | 自動染色体分類のための方法及びシステム | |
DE102018111905A1 (de) | Domänenspezifische Sprache zur Erzeugung rekurrenter neuronaler Netzarchitekturen | |
EP3438920A1 (en) | Method, device, and computer program for improving the reconstruction of dense super-resolution images from diffraction-limited images acquired by single molecule localization microscopy | |
CN112634296A (zh) | 门机制引导边缘信息蒸馏的rgb-d图像语义分割方法及终端 | |
Couturier et al. | Image denoising using a deep encoder-decoder network with skip connections | |
JP7337268B2 (ja) | 三次元エッジ検出方法、装置、コンピュータプログラム及びコンピュータ機器 | |
CN109754357B (zh) | 图像处理方法、处理装置以及处理设备 | |
CN111915618A (zh) | 基于峰值响应增强的实例分割算法、计算设备 | |
CN113436224B (zh) | 一种基于显式构图规则建模的智能图像裁剪方法及装置 | |
CN113223008A (zh) | 基于多尺度引导注意网络的眼底图像分割方法及系统 | |
CN116912829A (zh) | 小气道分割方法、装置、电子设备及非易失性存储介质 | |
CN116912268A (zh) | 一种皮肤病变图像分割方法、装置、设备及存储介质 | |
CN113379770B (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 | |
CN113554655B (zh) | 基于多特征增强的光学遥感图像分割方法及装置 | |
CN112560712B (zh) | 基于时间增强图卷积网络的行为识别方法、装置及介质 | |
CN114581789A (zh) | 一种高光谱图像分类方法及系统 | |
CN114612527A (zh) | 图像配准方法、装置、电子设备及存储介质 | |
CN113496228A (zh) | 一种基于Res2Net、TransUNet和协同注意力的人体语义分割方法 | |
CN117474796B (zh) | 一种图像生成方法、装置、设备及计算机可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210806 |