CN113344940A - 一种基于深度学习的肝脏血管图像分割方法 - Google Patents
一种基于深度学习的肝脏血管图像分割方法 Download PDFInfo
- Publication number
- CN113344940A CN113344940A CN202110493743.7A CN202110493743A CN113344940A CN 113344940 A CN113344940 A CN 113344940A CN 202110493743 A CN202110493743 A CN 202110493743A CN 113344940 A CN113344940 A CN 113344940A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- blood vessel
- liver blood
- segmented
- 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
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 67
- 210000004185 liver Anatomy 0.000 title claims abstract description 63
- 238000003709 image segmentation Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000013135 deep learning Methods 0.000 title claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 86
- 238000002591 computed tomography Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 description 8
- 238000005192 partition Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 4
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015624 blood vessel development Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- 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 using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于深度学习的肝脏血管图像分割方法，首先获取原始计算机断层扫描图像，通过人工标记出肝脏血管区域掩膜图像，并对第一3D图像分割模型进行训练，利用第一3D图像分割模型，得到第一3D图像分割模型分割结果，并基于该结果标记为漏分割区域掩膜图像和误分割区域掩膜图像，再将原始计算机断层扫描图像、第一3D图像分割模型分割结果、漏分割区域掩膜图像和误分割区域掩膜图像进行通道叠加得到第一融合图像，将第一融合图像对第二3D图像分割模型训练，直至第二3D图像分割模型训练完成，利用训练完成的第二3D图像分割模型得到肝脏血管分割结果。本方法通过训练漏分割区域和误分割区域信息，相比于现有方法更加准确。
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血管图像分割方法。
背景技术
随着医学影像学设备的快速发展和普及，成像技术包括磁共振成像 (MR)、计算机断层扫描(CT)、超声、正电子发射断层扫描(PET)等，成为医疗机构开展疾病诊断、手术计划制定、预后评估、随访不可或缺的设备。全世界每天都产生大量的医学影像学信息，有报道显示全世界医学影像信息量占全世界信息总量的1/5以上。医学图像处理是分析医学图像的首要步骤，有助于使图像更加直观、清晰，提高诊断效率，因此国内外都十分重视医学影像处理。图像分割是图像处理的重要环节，也是难点，是制约三维重建等技术应用的瓶颈性问题。近年来，由于深度学习方法的迅速发展，基于深度学习的图像分割算法在医学图像分割领域取得了显著的成就。
现有肝脏血管分割方法中，一般是将CT影像的某个扫描序列送入训练好的深度学习网络中，直接进行血管的分割，然后现有技术一般存在血管区域漏分割，以及误分割的情况。
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血管图像分割方法，首先进行第一阶段肝脏血管分割，通过人工干预提供的漏分割区域和误分割区域信息，对第一阶段风格结果进行修正，最后得到完整的肝血管分割结果，本发明的技术方案如下：
一种基于深度学习的肝脏血管图像分割方法，该方法包括：
S1、获取原始计算机断层扫描图像，通过人工标记出肝脏血管区域掩膜图像，组成训练集和数据集；
S2、通过所述训练集对第一3D图像分割模型进行训练，得到训练完成的第一3D图像分割模型，其中，所述第一3D图像分割模型包括编码部分和解码部分，所述编码部分用于对输入图像进行特征提取与分析，所述解码部分用于将输入图像所提取出的特征进行还原；
S3、通过所述第一3D图像分割模型获取所述数据集的第一肝脏血管分割图像；
S4、基于所述第一肝脏血管分割图像，通过人工标记分别得到漏分割区域掩膜图像和误分割区域掩膜图像；
S5、对所述原始计算机断层扫描图像、第一肝脏血管分割图像、漏分割区域掩膜图像和误分割区域掩膜图像进行通道融合，得到第一融合图像；
S6、通过所述第一融合图像对第二3D图像分割模型进行训练，得到训练完成的第二3D图像分割模型，其中，所述第二3D图像分割模型包括编码部分和解码部分，所述编码部分用于对输入图像进行特征提取与分析，所述解码部分用于将输入图像所提取出的特征进行还原；
S7、获取待分割肝脏血管分割图像，将所述待分割肝脏血管分割图像输入到所述训练完成的第一3D图像分割模型中得到待分割第一肝脏血管分割图像，通过人工标记出所述待分割第一肝脏血管分割图像的漏分割区域掩膜图像和误分割区域掩膜图像；
S8、对所述待分割肝脏血管分割图像、所述待分割第一肝脏血管分割图像及所述待分割第一肝脏血管分割图像的漏分割区域掩膜图像和误分割区域掩膜图像进行通道融合得到待分割第二肝脏血管分割图像；
S9、将所述待分割第二肝脏血管分割图像输入到所述训练完成的第二3D 图像分割模型中，得到肝脏血管图像分割结果。
进一步地，所述原始计算机断层扫描图像和待分割肝脏血管分割图像的尺寸大小相同。
进一步地，所述第一3D图像分割模型和所述第二3D图像分割模型的模型结构相同。
本发明的有益效果在于：
1、相比于现有图像分割结果修正过程中加入误分割、漏分割区域信息，让分割结果更加完善。
2、第二阶段(第二分割模型的训练)可以重复进行，直到其得到的分割结果达到预期要求。
具体实施方式
下面结合实施例，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血管图像分割方法，该方法包括：
步骤1、获取原始计算机断层扫描图像，通过人工标记出肝脏血管区域掩膜图像，组成训练集和数据集。
在现有数据库中收集原始计算机断层扫描图像(腹部CT图像扫描图像)。
对原始计算机断层扫描图像进行掩模处理，例如通过专业人士人工标注或者现有公开的肝脏分割算法进行掩模处理获得肝脏血管掩模图像。
对数据集图像做窗宽窗位调整，使得血管显影比较明显，对灰度值做归一化处理，统一图像大小到合适的分辨率。
其中窗宽窗位指的是例如CT能识别人体内2000个不同灰阶的密度差别。而人的眼睛却只能分辨16个灰阶度，即人眼在CT图像上能分辨的CT值应为 125Hu(2000/16)即，人体内不同组织CT值只有相差125Hu以上，才能为人眼所识别。人体软组织CT值多变化在20-50Hu之间，人眼就无法识别。为此，必须进行分段观察才能使CT的优点反映出来。观察的CT值范围称为窗宽；观察的中心CT值即为窗位或窗中心。
所以窗宽窗位调整可以操作上等价于设置上下阈值，设置下阈值为 -150，小于-150的灰度值设置为-150，设置上阈值为200，大于200的灰度值设置为200。
归一化处理统计得到调整窗宽窗位后所有像素得最大最小值，然后对每个像素做min-max标准化，使结果值映射到[0-1]之间，其中min-max标准化转换函数如下：
其中max为样本数据的最大值，min为样本数据的最小值，x为归一化处理前的像素值，y为归一化处理后的像素值。
将肝脏血管区域掩膜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256*256*128的尺寸大小，并将肝脏血管区域掩膜图像集分为训练集和数据集，训练集用于对图像分割模型进行训练，数据集用于对训练完成的图像分割模型输入得到图像分割模型训练结果。
步骤2、通过训练集对第一3D图像分割模型进行训练，得到训练完成的第一3D图像分割模型。
其中，3D图像分割模型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。
在本申请实施例中第一3D图像分割模型可以采用3D U-Net网络，该网络包括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，训练集数据输入进该第一3D图像分割模型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，得到第一3D图像分割模型分割结果。
步骤3、通过所述第一3D图像分割模型获取所述数据集的第一肝脏血管分割图像。
步骤4、基于所述第一肝脏血管分割图像，通过人工标记分别得到漏分割区域掩膜图像和误分割区域掩膜图像。
在本实施例中漏分割区域掩膜图像和误分割区域掩膜图像是是通过人工标记漏分割区域和误分割区域，具体的漏分割区域和误分割区域得到方法可以是：计算肝脏血管分割掩膜和步骤一中血管掩模的共有区域掩膜；步骤一中血管掩模减去共有区域掩膜得到漏分割区域掩膜图像；计算得到肝脏血管分割掩膜减去步骤一中血管掩模得到误分割区域掩膜图像。
步骤5、对所述原始计算机断层扫描图像、第一肝脏血管分割图像、漏分割区域掩膜图像和误分割区域掩膜图像进行通道融合，得到第一融合图像。
步骤6、通过所述第一融合图像对第二3D图像分割模型进行训练，得到训练完成的第二3D图像分割模型，其中，所述第二3D图像分割模型包括编码部分和解码部分，所述编码部分用于对输入图像进行特征提取与分析，所述解码部分用于将输入图像所提取出的特征进行还原。
在本实施例中，第一3D图像分割模型和第二3D图像分割模型的模型结构可以相同。
步骤7、获取待分割肝脏血管分割图像，将所述待分割肝脏血管分割图像输入到所述训练完成的第一3D图像分割模型中得到待分割第一肝脏血管分割图像，通过人工标记出所述待分割第一肝脏血管分割图像的漏分割区域掩膜图像和误分割区域掩膜图像。
步骤8、对所述待分割肝脏血管分割图像、所述待分割第一肝脏血管分割图像及所述待分割第一肝脏血管分割图像的漏分割区域掩膜图像和误分割区域掩膜图像进行通道融合得到待分割第二肝脏血管分割图像。
步骤9、将所述待分割第二肝脏血管分割图像输入到所述训练完成的第二3D图像分割模型中，得到肝脏血管图像分割结果。
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 (3)
1.一种基于深度学习的肝脏血管图像分割方法，其特征在于，所述方法包括：
S1、获取原始计算机断层扫描图像，通过人工标记出肝脏血管区域掩膜图像，组成训练集和数据集；
S2、通过所述训练集对第一3D图像分割模型进行训练，得到训练完成的第一3D图像分割模型，其中，所述第一3D图像分割模型包括编码部分和解码部分，所述编码部分用于对输入图像进行特征提取与分析，所述解码部分用于将输入图像所提取出的特征进行还原；
S3、通过所述第一3D图像分割模型获取所述数据集的第一肝脏血管分割图像；
S4、基于所述第一肝脏血管分割图像，通过人工标记分别得到漏分割区域掩膜图像和误分割区域掩膜图像；
S5、对所述原始计算机断层扫描图像、第一肝脏血管分割图像、漏分割区域掩膜图像和误分割区域掩膜图像进行通道融合，得到第一融合图像；
S6、通过所述第一融合图像对第二3D图像分割模型进行训练，得到训练完成的第二3D图像分割模型，其中，所述第二3D图像分割模型包括编码部分和解码部分，所述编码部分用于对输入图像进行特征提取与分析，所述解码部分用于将输入图像所提取出的特征进行还原；
S7、获取待分割肝脏血管分割图像，将所述待分割肝脏血管分割图像输入到所述训练完成的第一3D图像分割模型中得到待分割第一肝脏血管分割图像，通过人工标记出所述待分割第一肝脏血管分割图像的漏分割区域掩膜图像和误分割区域掩膜图像；
S8、对所述待分割肝脏血管分割图像、所述待分割第一肝脏血管分割图像及所述待分割第一肝脏血管分割图像的漏分割区域掩膜图像和误分割区域掩膜图像进行通道融合得到待分割第二肝脏血管分割图像；
S9、将所述待分割第二肝脏血管分割图像输入到所述训练完成的第二3D图像分割模型中，得到肝脏血管图像分割结果。
2.根据权利要求1所述的方法，其特征在于，所述原始计算机断层扫描图像和待分割肝脏血管分割图像的尺寸大小相同。
3.根据权利要求1所述的方法，其特征在于，所述第一3D图像分割模型和所述第二3D图像分割模型的模型结构相同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110493743.7A CN113344940A (zh) | 2021-05-07 | 2021-05-07 | 一种基于深度学习的肝脏血管图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110493743.7A CN113344940A (zh) | 2021-05-07 | 2021-05-07 | 一种基于深度学习的肝脏血管图像分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113344940A true CN113344940A (zh) | 2021-09-03 |
Family
ID=77469840
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110493743.7A Pending CN113344940A (zh) | 2021-05-07 | 2021-05-07 | 一种基于深度学习的肝脏血管图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113344940A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113902692A (zh) * | 2021-09-26 | 2022-01-07 | 北京医准智能科技有限公司 | 一种血管分割的方法、装置及计算机可读介质 |
| 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 (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109146899A (zh) * | 2018-08-28 | 2019-01-04 | 众安信息技术服务有限公司 | Ct图像的危及器官分割方法及装置 |
| CN110648350A (zh) * | 2019-09-26 | 2020-01-03 | 联想(北京)有限公司 | 一种肝脏血管分割方法、装置及电子设备 |
| CN111583262A (zh) * | 2020-04-23 | 2020-08-25 | 北京小白世纪网络科技有限公司 | 一种血管分割方法与系统 |
| WO2020263002A1 (ko) * | 2019-06-27 | 2020-12-30 | 에이아이메딕 주식회사 | 혈관 세그멘테이션 방법 |
-
2021
- 2021-05-07 CN CN202110493743.7A patent/CN113344940A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109146899A (zh) * | 2018-08-28 | 2019-01-04 | 众安信息技术服务有限公司 | Ct图像的危及器官分割方法及装置 |
| WO2020263002A1 (ko) * | 2019-06-27 | 2020-12-30 | 에이아이메딕 주식회사 | 혈관 세그멘테이션 방법 |
| CN110648350A (zh) * | 2019-09-26 | 2020-01-03 | 联想(北京)有限公司 | 一种肝脏血管分割方法、装置及电子设备 |
| CN111583262A (zh) * | 2020-04-23 | 2020-08-25 | 北京小白世纪网络科技有限公司 | 一种血管分割方法与系统 |
Non-Patent Citations (1)
| Title |
|---|
| 廖苗等: "基于非线性增强和图割的CT序列肝脏肿瘤自动分割", 计算机辅助设计与图形学学报, vol. 31, no. 06, 30 June 2019 (2019-06-30) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113902692A (zh) * | 2021-09-26 | 2022-01-07 | 北京医准智能科技有限公司 | 一种血管分割的方法、装置及计算机可读介质 |
| 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 |
|---|---|---|
| CN110930416B (zh) | 一种基于u型网络的mri图像前列腺分割方法 | |
| CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
| CN107369160B (zh) | 一种oct图像中脉络膜新生血管分割算法 | |
| CN109272510B (zh) | 一种三维医学图像中管状结构的分割方法 | |
| CN112257704A (zh) | 基于深度学习检测模型子宫颈液基细胞数字图像分类方法 | |
| CN112102385B (zh) | 一种基于深度学习的多模态肝脏磁共振影像配准系统 | |
| CN107766874B (zh) | 一种超声容积生物学参数的测量方法及测量系统 | |
| CN115496771A (zh) | 一种基于脑部三维mri图像设计的脑肿瘤分割方法 | |
| CN108764342B (zh) | 一种对于眼底图中视盘和视杯的语义分割方法 | |
| CN113223005B (zh) | 一种甲状腺结节自动分割及分级的智能系统 | |
| CN113344940A (zh) | 一种基于深度学习的肝脏血管图像分割方法 | |
| CN114359310B (zh) | 一种基于深度学习的3d心室核磁共振视频分割优化系统 | |
| CN113223004A (zh) | 一种基于深度学习的肝脏图像分割方法 | |
| CN111383759A (zh) | 一种肺炎自动诊断系统 | |
| CN113160120A (zh) | 基于多模态融合与深度学习的肝脏血管分割方法及系统 | |
| CN118097160B (zh) | 基于视觉技术的危急重症病患状态监测系统 | |
| CN116152500A (zh) | 一种基于深度学习的全自动牙齿cbct图像分割方法 | |
| CN116258933A (zh) | 基于全局信息感知的医学图像分割装置 | |
| CN109785325A (zh) | 一种基于深度学习的多模态医学影像的方法 | |
| CN117522862A (zh) | 一种基于ct影像肺炎识别的图像处理方法及处理系统 | |
| Qiao et al. | Automatic liver segmentation method based on improved region growing algorithm | |
| CN117132776A (zh) | 一种多器官图像分割模型构建方法和分割方法 | |
| CN112102327B (zh) | 一种图像处理方法、装置及计算机可读存储介质 | |
| CN117649520A (zh) | 基于对比学习的ct影像自监督胰腺分割模型构建方法 | |
| CN110992383A (zh) | 一种基于深度学习的ct图像肝脏动脉分割方法及系统 |
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 | ||
| TA01 | Transfer of patent application right | ||
| 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. |