CN113344939A - 一种基于细节保持网络的图像分割方法 - Google Patents
一种基于细节保持网络的图像分割方法 Download PDFInfo
- Publication number
- CN113344939A CN113344939A CN202110493737.1A CN202110493737A CN113344939A CN 113344939 A CN113344939 A CN 113344939A CN 202110493737 A CN202110493737 A CN 202110493737A CN 113344939 A CN113344939 A CN 113344939A
- Authority
- CN
- China
- Prior art keywords
- detail
- multiplied
- feature map
- size
- block
- 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 22
- 238000003709 image segmentation Methods 0.000 title claims abstract description 17
- 238000004321 preservation Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000011176 pooling Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 230000011218 segmentation Effects 0.000 description 4
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002207 retinal effect Effects 0.000 description 2
- 230000004256 retinal image Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 210000001210 retinal vessel Anatomy 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000011282 treatment 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Abstract
本发明公开了一种基于细节保持网络的图像分割方法，属于医学图像处理领域，首先获取图像数据集，通过预处理构建训练集图像和测试集图像；然后构建细节保持网络模型，细节保持网络模型包括初始卷积块、细节保持块和多个残差细节保持块，其中细节保持块和多个残差细节保持块为串联，各个残差细节保持块中的结构都相同；将训练集输入细节保持网络模型进行训练，直到损失函数收敛，获得训练好的细节保持网络模型；将测试集输入训练好的细节保持网络模型，得到图像分割结果。本发明的技术方案利用细节保持块和残差细节保持块进行处理使得图像分割的精度大幅提高。
Description
技术领域
本发明属于医学图像处理领域，具体涉及一种基于细节保持网络的图像 分割方法。
背景技术
视网膜眼底图像已被广泛应用于多种心血管和眼科疾病的诊断，筛选和 治疗，视网膜血管的分割是定量分析的基本步骤。分割的血管树可以用来提 取血管的形态属性，如长度，宽度，分支和角度，此外，血管树作为图像中 最稳定的特征，已被采用在多模式视网膜图像配准，由于其独特性，血管树 也被用于生物识别。手动分割视网膜图像中的血管树是一项繁琐的任务，需 要经验和技巧。在开发眼科疾病的计算机辅助诊断系统时，建立准确、快速 的血管分割模型对计算机辅助诊断具有重要意义。
现有的方法中，如U-Net和FCN遵循编解码去对视网膜眼底图像进行 处理，虽然通过多尺度融合可以在解码器中恢复细节信息，但仍然含有噪声。
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细节保持网络的图 像分割方法，利用细节保持块和残差细节保持块进行处理使得图像分割的精 度大幅提高。本发明的技术方案如下：
一种基于细节保持网络的图像分割方法，包括以下步骤：
S1，获取图像数据集，构建训练集图像和测试集图像，该训练集图像进 行预处理使大小设置为H×W；
S2，构建细节保持网络模型，细节保持网络模型包括初始卷积块、细节 保持块和残差细节保持块；
其中，细节保持网络模型的处理过程具体为：
将大小为H×W的图像首先输入进初始卷积块卷积后得到H×W×C0的特征 图，将所述H×W×C0的特征图输入进细节保持块中；
该细节保持块包括并行的三个输入分支；
在第一输入分支中，大小为H×W×C0的特征图经过步长为4的池化层后大 小变化为H/4×W/4×C0，再通过3×3×C2的卷积核进行卷积操作后进行上采样操 作得到大小为H/2×W/2×C2的第一分支特征图；
在第二输入分支中，大小为H×W×C0的特征图经过步长为2的池化层后大 小变化为H/2×W/2×C0，再通过3×3×C1的卷积核进行卷积操作后得到 H/2×W/2×C1的特征图，并将得到的H/2×W/2×C1的特征图与第一分支特征图进 行融合，并将融合后的特征图通过3×3×C1的卷积核进行卷积操作后进行上采 样操作得到大小为H×W×C1的第二分支特征图；
在第三输入分支中，大小为H×W×C0的特征图首先经过3×3×C0的卷积核进 行卷积操作得到大小为H×W×C0的特征图，将得到的大小为H×W×C0的特征图与 第二分支特征图进行融合，并将融合后的特征图通过3×3×C0的卷积核进行卷 积后得到细节保持块输出特征；细节保持块输出特征的大小为H×W×C0；
将获得的细节保持块输出特征输入到残差细节保持块中，残差细节保持 块包括并行的三个输入分支：
在第一残差细节输入分支中，细节保持块输出特征经过步长为4的池化 层后大小变化为H/4×W/4×C0，再通过3×3×C2的卷积核进行卷积操作后进行上 采样操作得到大小为H/2×W/2×C2的第一残差细节分支特征图；
在第二残差细节输入分支中，细节保持块输出特征经过步长为2的池化 层后大小变化为H/2×W/2×C0，再通过3×3×C1的卷积核进行卷积操作后得到 H/2×W/2×C1的特征图，并将得到的H/2×W/2×C1的特征图与第一残差细节分支 特征图进行融合，并将融合后的特征图通过3×3×C1的卷积核进行卷积操作后 进行上采样操作得到大小为H×W×C1的第二残差细节分支特征图；
在第三残差细节输入分支中，细节保持块输出特征首先经过3×3×C0的卷 积核进行卷积操作得到大小为H×W×C0的特征图，将得到的大小为H×W×C0的特 征图与第二残差细节分支特征图进行融合，并将融合后的特征图通过3×3×C0 的卷积核进行卷积后与上一层的输出特征进行相加，并通过3×3×C0的卷积核 进行卷积得到残差细节保持块输出特征；
S3，将训练集输入细节保持网络模型进行训练，直到损失函数收敛，获 得训练好的细节保持网络模型；
S4，将测试集输入训练好的细节保持网络模型，得到图像分割结果。
进一步地，细节保持网络模型中包括了细节保持块和7个残差细节保持 块，细节保持块和7个残差细节保持块为串联。
本发明的有益效果在于：能够利用细节保持块和残差细节保持块进行处 理使得图像分割的精度大幅提高。
附图说明
图1是本发明基于细节保持网络的图像分割方法结构示意图；
图2是本发明基于细节保持网络的图像分割方法的流程示意图；
图3是本发明细节保持网络中细节保持块的结构示意图；
图4是本发明细节保持网络中残差细节保持块的结构示意图。
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细节保持网络(Detail-Preserving Network，DPN)的图像分割方法，如图1所示，包括：
步骤一，获取图像数据集，构建训练集图像和测试集图像。
在本申请实施例中，通过在DRIVE数据集上获取40幅彩色眼底图像，每 幅图像的分辨率相同，为584×565(高×宽)。通过预处理将尺寸为584× 565的训练集图像裁剪为512×512，通道数设置为16，即在本申请实施例中将 H设置为512、W设置为512，C0为16，C1为8，C2为8。
将数据集正式划分为训练集和测试集，每组包含20幅图像。对于测试集 进行人工标注。为了避免过度拟合，采用了几种变换来增加训练集，包括翻 转(水平和垂直)和旋转(22°、45°、90°、135°、180°、225°、270°、 315°)。使得训练图像增加了10倍。此外，在每次迭代的训练过程中随机 镜像训练图像。
S2，构建细节保持网络模型，细节保持网络模型包括细节保持块和残差 细节保持块。
在本申请实施例中，细节保持网络模型包括了1个初始卷积块、1个细节 保持块和7个残差细节保持块，相互之间为串行连接，其中每个残差细节保 持块的结构相同。
其中，细节保持网络模型的处理过程具体为：
将尺寸大小为512×512的图像首先输入进初始卷积块，经过卷积后得到 尺寸大小为512×512×16的特征图，将该特征图输入进细节保持块中。
细节保持块包括并行的三个输入分支；
在第一输入分支中，尺寸大小为512×512×16的特征图经过步长为4的 池化层后尺寸大小变化为128×128×16，再通过3×3×8的卷积核进行卷积操 作后进行上采样操作得到尺寸大小为256×256×8的第一分支特征图；
在第二输入分支中，尺寸大小为512×512×16的特征图经过步长为2的 池化层后尺寸大小变化为256×256×16，再通过3×3×8的卷积核进行卷积操 作后得到258×256×8的特征图，并将得到的258×256×8的特征图与第一分 支特征图进行融合，并将融合后的特征图通过3×3×8的卷积核进行卷积操作 后进行上采样操作得到尺寸大小为256×256×8的第二分支特征图；
在第三输入分支中，尺寸大小为512×512×16的特征图首先经过3×3×16 的卷积核进行卷积操作得到尺寸大小为512×512×16的特征图，将得到的尺 寸大小为512×512×16的特征图与第二分支特征图进行融合，并将融合后的 特征图通过3×3×16的卷积核进行卷积后得到细节保持块输出特征；细节保持 块输出特征的尺寸大小为512×512×16；
将获得的细节保持块输出特征(512×512×16)输入到第一残差细节保 持块中，第一残差细节保持块包括并行的三个输入分支：
在第一残差细节输入分支中，细节保持块输出特征经过步长为4的池化 层后尺寸大小变化为128×128×16，再通过3×3×8的卷积核进行卷积操作后 进行上采样操作得到尺寸大小为256×256×8的第一残差细节分支特征图；
在第二残差细节输入分支中，细节保持块输出特征经过步长为2的池化 层后尺寸大小变化为256×256×16，再通过3×3×8的卷积核进行卷积操作后 得到258×256×8的特征图，并将得到的258×256×8的特征图与第一残差细 节分支特征图进行融合，并将融合后的特征图通过3×3×8的卷积核进行卷积 操作后进行上采样操作得到尺寸大小为512×512×8的第二残差细节分支特征 图；
在第三残差细节输入分支中，细节保持块输出特征首先经过3×3×8的卷 积核进行卷积操作得到尺寸大小为512×512×16的特征图，将得到的尺寸大 小为512×512×16的特征图与第二残差细节分支特征图进行融合，并将融合 后的特征图通过3×3×16的卷积核进行卷积后与上一层的输出特征进行相加， 并通过3×3×16的卷积核进行卷积得到第一残差细节保持块输出特征。
其中，例如当第一残差细节保持块输出特征输入到第二残差细节保持块 进行训练，在第二残差细节保持块的第三残差细节输入分支中，上一层的输 出特征所指即是第一残差细节保持块输出特征。
将第一残差细节保持块输出特征输入到第二残差细节保持块进行训练 得到第二残差细节保持块输出特征，直到第七残差细节保持块输出特征，并 将第七残差细节保持块输出特征作为细节保持网络模型的输出。
S3，将训练集输入细节保持网络模型进行训练，直到损失函数收敛，获 得训练好的细节保持网络模型；
在本申请实施例中，类平衡交叉熵损失函数定义如下：
其中，p通过sigmoid运算获得的概率图，pj表示像素属于血管的概率， j表示像素属于血管，y表示真实得到的概率，θ表示模型参数，β表示权重 因子。
其中N+表示血管像素的数目，N-表示非血管像素的数目因为，血管像 素的权重大于非血管像素的权重。因此，模型将更多地关注血管像素而不是 非血管像素。
细节保持网络的总体目标函数为
其中，pi表示当损失函数为i的概率图，λ表示衰减系数，x表示网络输 入。
S4，将测试集输入训练好的细节保持网络模型，得到图像分割结果。
实验结果表明，我们的方法只需96k个参数，就可以显示出更好的性能。 具体地说，我们的方法在驱动器数据集上的分割速度比其他最先进的方法快 20-160倍以上。此外，为了评估该方法的泛化能力，我们采用了交叉训练实 验。结果表明，我们的方法取得了很好的效果。综合考虑分割精度、分割速 度和模型泛化能力，我们的模型显示出优越的性能，适合于实际应用。
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)
1.一种基于细节保持网络的图像分割方法，其特征在于，包括以下步骤：
S1，获取图像数据集，构建训练集图像和测试集图像，所述的训练集图像进行预处理使大小设置为H×W；
S2，构建细节保持网络模型，所述细节保持网络模型包括初始卷积块、细节保持块和残差细节保持块；
其中，细节保持网络模型的处理过程具体为：
将大小为H×W的图像首先输入进初始卷积块卷积后得到H×W×C0的特征图，将所述H×W×C0的特征图输入进细节保持块中；
所述细节保持块包括并行的三个输入分支；
在第一输入分支中，所述H×W×C0的特征图经过步长为4的池化层后大小变化为H/4×W/4×C0，再通过3×3×C2的卷积核进行卷积操作后进行上采样操作得到大小为H/2×W/2×C2的第一分支特征图；
在第二输入分支中，所述H×W×C0的特征图经过步长为2的池化层后大小变化为H/2×W/2×C0，再通过3×3×C1的卷积核进行卷积操作后得到H/2×W/2×C1的特征图，并将得到的所述H/2×W/2×C1的特征图与所述第一分支特征图进行融合，并将融合后的特征图通过3×3×C1的卷积核进行卷积操作后进行上采样操作得到大小为H×W×C1的第二分支特征图；
在第三输入分支中，所述H×W×C0的特征图首先经过3×3×C0的卷积核进行卷积操作得到大小为H×W×C0的特征图，将得到的所述大小为H×W×C0的特征图与所述第二分支特征图进行融合，并将融合后的特征图通过3×3×C0的卷积核进行卷积后得到细节保持块输出特征；所述细节保持块输出特征的大小为H×W×C0；
将获得的所述细节保持块输出特征输入到残差细节保持块中，所述残差细节保持块包括并行的三个输入分支：
在第一残差细节输入分支中，所述细节保持块输出特征经过步长为4的池化层后大小变化为H/4×W/4×C0，再通过3×3×C2的卷积核进行卷积操作后进行上采样操作得到大小为H/2×W/2×C2的第一残差细节分支特征图；
在第二残差细节输入分支中，所述细节保持块输出特征经过步长为2的池化层后大小变化为H/2×W/2×C0，再通过3×3×C1的卷积核进行卷积操作后得到H/2×W/2×C1的特征图，并将得到的所述H/2×W/2×C1的特征图与第一残差细节分支特征图进行融合，并将融合后的特征图通过3×3×C1的卷积核进行卷积操作后进行上采样操作得到大小为H×W×C1的第二残差细节分支特征图；
在第三残差细节输入分支中，所述细节保持块输出特征首先经过3×3×C0的卷积核进行卷积操作得到大小为H×W×C0的特征图，将得到的所述大小为H×W×C0的特征图与所述第二残差细节分支特征图进行融合，并将融合后的特征图通过3×3×C0的卷积核进行卷积后与上一层的输出特征进行相加，并通过3×3×C0的卷积核进行卷积得到残差细节保持块输出特征；
S3，将所述训练集输入所述细节保持网络模型进行训练，直到损失函数收敛，获得训练好的细节保持网络模型；
S4，将测试集输入训练好的细节保持网络模型，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，所述细节保持网络模型中包括了细节保持块和7个残差细节保持块，所述细节保持块和7个残差细节保持块为串联。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110493737.1A CN113344939A (zh) | 2021-05-07 | 2021-05-07 | 一种基于细节保持网络的图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110493737.1A CN113344939A (zh) | 2021-05-07 | 2021-05-07 | 一种基于细节保持网络的图像分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113344939A true CN113344939A (zh) | 2021-09-03 |
Family
ID=77469838
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110493737.1A Pending CN113344939A (zh) | 2021-05-07 | 2021-05-07 | 一种基于细节保持网络的图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113344939A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180054414A (ko) * | 2016-11-14 | 2018-05-24 | 삼성전자주식회사 | 얼굴 영상 분석 방법 및 장치 |
| CN109543754A (zh) * | 2018-11-23 | 2019-03-29 | 中山大学 | 基于端对端深度学习的目标检测与语义分割的并行方法 |
| CN110189334A (zh) * | 2019-05-28 | 2019-08-30 | 南京邮电大学 | 基于注意力机制的残差型全卷积神经网络的医学图像分割方法 |
| CN110211127A (zh) * | 2019-08-01 | 2019-09-06 | 成都考拉悠然科技有限公司 | 基于双相关性网络的图像分割方法 |
| CN111160276A (zh) * | 2019-12-31 | 2020-05-15 | 重庆大学 | 基于遥感影像的u型空洞全卷积分割网络识别模型 |
| CN112233038A (zh) * | 2020-10-23 | 2021-01-15 | 广东启迪图卫科技股份有限公司 | 基于多尺度融合及边缘增强的真实图像去噪方法 |
| CN112348839A (zh) * | 2020-10-27 | 2021-02-09 | 重庆大学 | 一种基于深度学习的图像分割方法及系统 |
-
2021
- 2021-05-07 CN CN202110493737.1A patent/CN113344939A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180054414A (ko) * | 2016-11-14 | 2018-05-24 | 삼성전자주식회사 | 얼굴 영상 분석 방법 및 장치 |
| CN109543754A (zh) * | 2018-11-23 | 2019-03-29 | 中山大学 | 基于端对端深度学习的目标检测与语义分割的并行方法 |
| CN110189334A (zh) * | 2019-05-28 | 2019-08-30 | 南京邮电大学 | 基于注意力机制的残差型全卷积神经网络的医学图像分割方法 |
| CN110211127A (zh) * | 2019-08-01 | 2019-09-06 | 成都考拉悠然科技有限公司 | 基于双相关性网络的图像分割方法 |
| CN111160276A (zh) * | 2019-12-31 | 2020-05-15 | 重庆大学 | 基于遥感影像的u型空洞全卷积分割网络识别模型 |
| CN112233038A (zh) * | 2020-10-23 | 2021-01-15 | 广东启迪图卫科技股份有限公司 | 基于多尺度融合及边缘增强的真实图像去噪方法 |
| CN112348839A (zh) * | 2020-10-27 | 2021-02-09 | 重庆大学 | 一种基于深度学习的图像分割方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN110705425B (zh) | 一种基于图卷积网络的舌象多标签分类方法 | |
| CN110288597B (zh) | 基于注意力机制的无线胶囊内窥镜视频显著性检测方法 | |
| CN109003282A (zh) | 一种图像处理的方法、装置及计算机存储介质 | |
| CN108764342B (zh) | 一种对于眼底图中视盘和视杯的语义分割方法 | |
| CN110706233A (zh) | 一种视网膜眼底图像分割方法及装置 | |
| CN107657612A (zh) | 适用于智能便携设备的全自动视网膜血管分析方法及系统 | |
| CN112258488A (zh) | 一种医疗影像病灶分割方法 | |
| CN111242956A (zh) | 基于U-Net超声胎心和胎肺深度学习联合分割方法 | |
| CN110570394B (zh) | 医学图像分割方法、装置、设备及存储介质 | |
| EP4016454A1 (en) | Three-dimensional edge detection method and apparatus, storage medium and computer device | |
| CN115953303B (zh) | 结合通道注意力的多尺度图像压缩感知重构方法及系统 | |
| CN114219719A (zh) | 基于双重注意力和多尺度特征的cnn医学ct图像去噪方法 | |
| CN113012163A (zh) | 一种基于多尺度注意力网络的视网膜血管分割方法、设备及存储介质 | |
| CN115147862A (zh) | 底栖动物自动识别方法、系统、电子设备和可读存储介质 | |
| Abbasi-Sureshjani et al. | Boosted exudate segmentation in retinal images using residual nets | |
| CN114372962A (zh) | 基于双粒度时间卷积的腹腔镜手术阶段识别方法与系统 | |
| CN113222975B (zh) | 一种基于改进U-net的高精度视网膜血管分割方法 | |
| Perveen et al. | Multidimensional Attention-Based CNN Model for Identifying Apple Leaf Disease. | |
| Dong et al. | Supervised learning-based retinal vascular segmentation by m-unet full convolutional neural network | |
| CN113781403A (zh) | 一种胸部ct影像处理方法与装置 | |
| CN111666813B (zh) | 基于非局部信息的三维卷积神经网络的皮下汗腺提取方法 | |
| CN113344939A (zh) | 一种基于细节保持网络的图像分割方法 | |
| CN116486156A (zh) | 融合多尺度特征上下文的全视野数字切片图像分类方法 |
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 |