CN113269765B - 可扩张卷积神经网络训练方法及ct影像分割模型构建方法 - Google Patents
可扩张卷积神经网络训练方法及ct影像分割模型构建方法 Download PDFInfo
- Publication number
- CN113269765B CN113269765B CN202110624559.1A CN202110624559A CN113269765B CN 113269765 B CN113269765 B CN 113269765B CN 202110624559 A CN202110624559 A CN 202110624559A CN 113269765 B CN113269765 B CN 113269765B
- Authority
- CN
- China
- Prior art keywords
- training
- expandable
- convolution kernel
- size
- image
- 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.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 25
- 238000003709 image segmentation Methods 0.000 title claims abstract description 19
- 238000010276 construction Methods 0.000 title claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 7
- 230000003321 amplification Effects 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 229910052731 fluorine Inorganic materials 0.000 claims 1
- 125000001153 fluoro group Chemical group F* 0.000 claims 1
- 239000002904 solvent Substances 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 17
- 210000000496 pancreas Anatomy 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种可扩张卷积神经网络训练方法及CT影像分割模型构建方法。该可扩张卷积神经网络训练方法为:对原始图像进行下采样获得不同尺度的训练样本,将所述训练样本按尺寸从小到大先后于可扩张卷积神经网络中进行卷积计算并训练可扩张卷积核参数;每种尺寸的训练样本训练完成后,扩张可扩张卷积核,并继承前次训练得到的结果对可扩张卷积核进行精细训练。采用这种大尺寸数据训练过程依赖小尺寸数据训练结果的训练方式,构成多步骤训练的级联关系,能够显著的加快网络模型的训练速度,不需要额外准备预训练数据,训练过程适用于各种不同维度的网络模型,且能够在不使用预训练模型的前提下提升网络模型的分割精度。
Description
技术领域
本发明涉及机器学习领域,具体涉及一种可扩张卷积神经网络训练方法及CT影像分割模型构建方法。
背景技术
CT影像分析在当今临床医学的诊断和治疗过程中有着至关重要的作用。随着CT照相技术和相应的算法性能的提升,临床医生对CT影像分析的依赖与日俱增。然而CT影像诊断具有较强的专业性,即使很简单的影像判读也需要专业的影像医师花费较长的时间完成CT图像分析、勾画、最终形成报告。人工操作使得CT诊断的经济成本和时间成本难以进一步降低。在CT影像诊断流程中目标勾画是影像诊断的基本依据也是诊断报告的重要组成部分。随着计算机视觉算法性能的提升,研究者尝试使用图像分割算法来替代人工目标勾画。特别是基于卷积神经网络模型的高性能图像分割算法的应用,越来越多的医生和研究者意识到基于计算机算法的自动CT影像分割方法能够进一步加快CT影像目标勾画和诊断速度进而降低成本,这使得基于机器视觉算法的CT影像分割算法具有很强的临床应用及转化价值。
以胰腺分割为例,当下胰腺分割性能最好的方法是基于卷积神经网络的分割模型。现有的胰腺分割网络模型结构越来越复杂,参数规模越来越大。更多的参数有利于像素分类问题的求解,能够解决更加复杂的像素分类问题,从而实现更加精细的目标分割。但网络规模的扩大也会导致网络训练的困难。缺乏适当训练方法的大规模网络模型非常容易过拟合。其表现为在训练集上具有非常好的分割效果,但在测试集上容易发生严重的误分割。
发明内容
为了克服上述现有技术中存在的缺陷,本发明的目的是提供一种可扩张卷积神经网络训练方法及CT影像分割模型构建方法。
为了实现本发明的上述目的,本发明提供了一种可扩张卷积神经网络训练方法,对原始图像进行下采样获得不同尺度的训练样本,将所述训练样本按尺寸从小到大先后于可扩张卷积神经网络中进行卷积计算并训练可扩张卷积核参数;每种尺寸的训练样本训练完成后,扩张可扩张卷积核,并继承前次训练得到的结果对可扩张卷积核进行精细训练。
采用这种大尺寸数据训练过程依赖小尺寸数据训练结果的训练方式,构成多步骤训练的级联关系,能够显著的加快网络模型的训练速度,不需要额外准备预训练数据,训练过程适用于各种不同维度的网络模型,且能够在不使用预训练模型的前提下提升网络模型的分割精度。
该可扩张卷积神经网络训练方法的优选方案:获得的不同尺度训练样本包括1/4尺寸的训练样本、1/2尺寸的训练样本和原始尺寸训练样本;
所述可扩张卷积核在1/4尺寸的训练样本中进行3×3的卷积计算并训练可扩张卷积核参数;
当可扩张卷积核在1/4尺寸的训练样本中完成训练后,可扩张卷积核放大2倍继承在1/4尺寸的训练样本中训练得到的结果,并在1/2尺寸的训练样本中进行6*6的卷积计算并训练可扩张卷积核参数;
当可扩张卷积核在1/2尺寸的训练样本中完成训练后,可扩张卷积核再放大2倍继承在1/2尺寸的训练样本中训练得到的结果,并在原始尺寸训练样本中进行12*12的卷积计算并训练可扩张卷积核参数。
优选的,对原始图像下采样以及可扩张卷积核上采样都是以整数为倍数。
优选的,图像下采样方法为:
首先通过高斯平滑过滤图像噪声,高斯卷积核为:其中,s、t分别为卷积位置坐标,u为高斯函数方差,高斯卷积平滑的图像xs,u(i,j)=g(i,j,u)*x(i,j),其中,x为被分割图像,i、j为xs,u与x的坐标,i∈[0,N],j∈[0,M];
可扩张卷积核的扩张算法为:
本发明还提出了一种CT影像分割模型构建方法,包括以下步骤:
采集CT影像,并随机分为训练集、验证集和测试集;
搭建卷积神经网络;
分割模型训练,训练过程按上述的可扩张卷积神经网络训练方法进行;
分割模型验证。
采用该方法构建CT影像分割模型能简化大规模网络分割模型的训练流程,提升大规模网络分割模型的性能。
本发明的有益效果是:
1.本发明所提供的可扩张卷积神经网络训练方法及CT影像分割模型构建方法不需要额外的预训练数据就能够抑制大规模网络训练时遇到的过拟合问题,特别适用于对大规模胰腺的分割,能提升大规模胰腺分割模型的性能;
2.该训练方法简化了大规模网络分割模型的训练流程,提升模型训练速度,加快模型迭代,降低胰腺分割模型的训练成本;
3.适用于各种维度(二维和三维)的网络模型,不需要为不同维度的模型准备对应维度的预训练数据。
本发明的附加方面和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,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是可扩展卷积核放大过程示意图;
图2是级联训练过程中各阶段的分割结果示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,除非另有规定和限定,需要说明的是,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
本发明提供了一种可扩张卷积神经网络训练方法,具体为:对原始图像进行下采样获得不同尺度的训练样本,将所述训练样本按尺寸从小到大先后于可扩张卷积神经网络中进行卷积计算并训练可扩张卷积核参数;每种尺寸的训练样本训练完成后,扩张可扩张卷积核,并继承前次训练得到的结果对可扩张卷积核进行精细训练。在对原始图像下采样以及可扩张卷积核上采样都是以整数为倍数。在训练过程中,可扩张卷积核与训练样本尺寸同比例放大,且放大次数不受限制,可根据具体情况而定,比如根据下采样获得的训练样本的尺度种类数而定,如果存在三种尺度的训练样本,那么就放大三次。
以具体实例为例,可扩张卷积神经网络使用可扩张卷积核,可扩张卷积核在不同尺度的图像中的训练过程如图1所示。
可扩张卷积神经网络训练过程为:原始图像经过下采样获得不同尺度的训练样本,这里获得的不同尺度的训练样本包括1/4尺寸的训练样本、1/2尺寸的训练样本和原始尺寸训练样本。
如图1所示,可扩张卷积核先在1/4尺寸的训练样本中进行3×3的卷积计算并训练可扩张卷积核参数;当可扩张卷积核在1/4尺寸的训练样本中完成训练后,训练过程将使用1/2尺寸的训练样本继续进行训练,可扩张卷积核放大2倍继承在1/4尺寸的训练样本中训练得到的结果,并在1/2尺寸的训练样本下进行精细训练,当可扩张卷积核在1/2尺寸的训练样本中完成训练后,可扩张卷积核放大2倍继承在1/2尺寸的训练样本中训练得到的结果,并在原始尺寸训练样本下进行精细训练。
本实施例中所采用的图像下采样与可护张卷积核上采样都是以整数为倍数。其中图像下采样首先通过高斯平滑减轻图像噪声,与图像下采样对应的是可扩张卷积核上采样。
具体的,图像下采样方法为:图像下采样首先通过高斯平滑过滤图像噪声,高斯卷积核为:其中,s、t分别为卷积位置坐标,u为高斯函数方差,高斯卷积平滑的图像xs,u(i,j)=g(i,j,u)*x(i,j),其中,x为被分割图像,i、j为xs,u与x的坐标,i∈[0,N],j∈[0,M];
可扩张卷积核扩张算法为:
将原始尺寸的卷积核记为K,一般为k*k的矩阵,一般为3*3,放大的卷积核记为Kn,将扩张n倍的可扩张卷积核记为Kn(s,t),可扩张卷积核扩张仅在卷积核每一个通道内,通道数不变。可扩张训练过程使用原始图像下采样的结果训练不同尺度的可护张卷积核。
特别的,该可扩张卷积神经网络训练方法特别适用于对胰腺的分割,如图2所示,图中展示了训练过程各阶段对胰腺的分割结果,其中最左侧的分割结果为256*256图像中可扩张卷积神经网络训练完成时的分割结果,中间的分割结果为可扩张卷积神经网络在可扩张卷积核扩大2倍后分割512*512图像的分割结果,最右侧为可扩张卷积神经网络在512*512图像中微调后的分割结果。没有在放大后的图像上进行训练,放大卷积核后的网络能够直接分割得到结果。
本申请还提出了一种CT影像分割模型构建方法的实施例,包括以下步骤:
首先采集CT影像,并随机分为训练集、验证集和测试集。
搭建卷积神经网络。这里的卷积神经网络为可扩张卷积神经网络。
分割模型训练,训练过程按上述的可扩张卷积神经网络训练方法进行。
分割模型验证。
可采用该CT影像分割模型构建方法构建得到的CT影像分割模型实现对CT影像的分割,特别适用于对胰腺的分割。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (5)
1.一种CT影像分割模型构建方法,其特征在于,包括以下步骤:
采集CT影像,并随机分为训练集、验证集和测试集;
搭建卷积神经网络;
分割模型训练,训练过程为:
对原始图像进行下采样获得不同尺度的训练样本,获得的不同尺度训练样本包括1/4尺寸的训练样本、1/2尺寸的训练样本和原始尺寸训练样本;将所述训练样本按尺寸从小到大先后于可扩张卷积神经网络中进行卷积计算并训练可扩张卷积核参数;每种尺寸的训练样本训练完成后,扩张可扩张卷积核,并继承前次训练得到的结果对可扩张卷积核进行精细训练;
具体地,
所述可扩张卷积核在1/4尺寸的训练样本中进行3×3的卷积计算并训练可扩张卷积核参数;
当可扩张卷积核在1/4尺寸的训练样本中完成训练后,可扩张卷积核放大2倍继承在1/4尺寸的训练样本中训练得到的结果,并在1/2尺寸的训练样本中进行6*6的卷积计算并训练可扩张卷积核参数;
当可扩张卷积核在1/2尺寸的训练样本中完成训练后,可扩张卷积核再放大2倍继承在1/2尺寸的训练样本中训练得到的结果,并在原始尺寸训练样本中进行12*12的卷积计算并训练可扩张卷积核参数;
分割模型验证。
2.根据权利要求1所述的CT影像分割模型构建方法,其特征在于,可扩张卷积核与训练样本尺寸同比例放大。
3.根据权利要求1所述的CT影像分割模型构建方法,其特征在于,对原始图像下采样以及可扩张卷积核上采样都是以整数为倍数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110624559.1A CN113269765B (zh) | 2021-06-04 | 2021-06-04 | 可扩张卷积神经网络训练方法及ct影像分割模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110624559.1A CN113269765B (zh) | 2021-06-04 | 2021-06-04 | 可扩张卷积神经网络训练方法及ct影像分割模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113269765A CN113269765A (zh) | 2021-08-17 |
CN113269765B true CN113269765B (zh) | 2022-10-28 |
Family
ID=77234234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110624559.1A Active CN113269765B (zh) | 2021-06-04 | 2021-06-04 | 可扩张卷积神经网络训练方法及ct影像分割模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269765B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114239814B (zh) * | 2022-02-25 | 2022-07-08 | 杭州研极微电子有限公司 | 用于图像处理的卷积神经网络模型的训练方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2270098T3 (es) * | 2002-06-18 | 2007-04-01 | Interdigital Technology Corporation | Detector multiusuario para factores de expansion variables. |
CN108447020A (zh) * | 2018-03-12 | 2018-08-24 | 南京信息工程大学 | 一种基于极深卷积神经网络的人脸超分辨率重建方法 |
CN109087296A (zh) * | 2018-08-07 | 2018-12-25 | 东北大学 | 一种提取ct图像中人体区域的方法 |
CN110348531A (zh) * | 2019-07-17 | 2019-10-18 | 沈阳亚视深蓝智能科技有限公司 | 具有分辨率适应性的深度卷积神经网络构建方法及应用 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108428229B (zh) * | 2018-03-14 | 2020-06-16 | 大连理工大学 | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 |
CN110110844B (zh) * | 2019-04-24 | 2021-01-12 | 西安电子科技大学 | 基于OpenCL的卷积神经网络并行处理方法 |
-
2021
- 2021-06-04 CN CN202110624559.1A patent/CN113269765B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2270098T3 (es) * | 2002-06-18 | 2007-04-01 | Interdigital Technology Corporation | Detector multiusuario para factores de expansion variables. |
CN108447020A (zh) * | 2018-03-12 | 2018-08-24 | 南京信息工程大学 | 一种基于极深卷积神经网络的人脸超分辨率重建方法 |
CN109087296A (zh) * | 2018-08-07 | 2018-12-25 | 东北大学 | 一种提取ct图像中人体区域的方法 |
CN110348531A (zh) * | 2019-07-17 | 2019-10-18 | 沈阳亚视深蓝智能科技有限公司 | 具有分辨率适应性的深度卷积神经网络构建方法及应用 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的肺结节检测;孟以爽等;《计算机时代》;20180215(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113269765A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11730387B2 (en) | Method for detection and diagnosis of lung and pancreatic cancers from imaging scans | |
CN110889853B (zh) | 基于残差-注意力深度神经网络的肿瘤分割方法 | |
CN110889852B (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
CN108053417B (zh) | 一种基于混合粗分割特征的3D U-Net网络的肺分割装置 | |
CN111401480B (zh) | 一种基于融合注意力机制的乳腺mri自动辅助诊断新方法 | |
CN111325739B (zh) | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 | |
CN112489061B (zh) | 一种基于多尺度信息与并行注意力机制的深度学习肠道息肉分割方法 | |
CN107644420B (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像系统 | |
CN112150428A (zh) | 一种基于深度学习的医学图像分割方法 | |
CN112381164B (zh) | 一种基于多分支注意力机制的超声图像分类方法和装置 | |
WO2021136368A1 (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
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 | |
CN110675411A (zh) | 基于深度学习的宫颈鳞状上皮内病变识别算法 | |
CN109767459A (zh) | 新型眼底图配准方法 | |
CN108053398A (zh) | 一种半监督特征学习的黑色素瘤自动检测方法 | |
CN106157249A (zh) | 基于光流法和稀疏邻域嵌入的单图像超分辨率重建算法 | |
CN112348059A (zh) | 基于深度学习的多种染色病理图像分类方法及系统 | |
CN111091575A (zh) | 一种基于强化学习方法的医学图像分割方法 | |
CN113269765B (zh) | 可扩张卷积神经网络训练方法及ct影像分割模型构建方法 | |
CN110895815A (zh) | 一种基于深度学习的胸部x线气胸分割方法 | |
Pascal et al. | Strongly convex optimization for joint fractal feature estimation and texture segmentation | |
CN113920108A (zh) | 一种对用于处理细胞图像的U-Net模型进行训练的训练方法 | |
Khattar et al. | Computer assisted diagnosis of skin cancer: a survey and future recommendations | |
Karagoz et al. | An unsupervised transfer learning model based on convolutional auto encoder for non-alcoholic steatohepatitis activity scoring and fibrosis staging of liver histopathological images | |
CN111583192A (zh) | Mri图像与深度学习乳腺癌图像处理方法及早筛系统 |
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 |