CN113344951A - 一种边界感知双重注意力引导的肝段分割方法 - Google Patents
一种边界感知双重注意力引导的肝段分割方法 Download PDFInfo
- Publication number
- CN113344951A CN113344951A CN202110556924.XA CN202110556924A CN113344951A CN 113344951 A CN113344951 A CN 113344951A CN 202110556924 A CN202110556924 A CN 202110556924A CN 113344951 A CN113344951 A CN 113344951A
- Authority
- CN
- China
- Prior art keywords
- attention
- feature map
- level
- image
- boundary
- 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 47
- 230000011218 segmentation Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000008447 perception Effects 0.000 title claims abstract description 21
- 230000009977 dual effect Effects 0.000 title claims description 24
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 11
- 230000003187 abdominal effect Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 210000003240 portal vein Anatomy 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 210000004204 blood vessel Anatomy 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 210000003041 ligament Anatomy 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000002156 mixing Methods 0.000 claims description 2
- 206010019695 Hepatic neoplasm Diseases 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 208000014018 liver neoplasm Diseases 0.000 abstract description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 14
- 230000004913 activation Effects 0.000 description 4
- 230000003902 lesion Effects 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000002440 hepatic effect Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003908 liver function Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 210000002989 hepatic vein Anatomy 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
Abstract
本发明公开了一种边界感知双重注意力引导的肝段分割方法，称为边界感知双重注意力引导对称编解码网络，对肝肿瘤所处位置进行精准判定。该方法可以增强医学影像中边界的特征学习效果，通过精准定位边缘位置从而提高肝段的分割精度。该方法所提出的双重注意力机制由空间注意力模块和语义注意力模块并行组成。从空间和通道两个维度对具有丰富边界位置信息的低级特征图进行加权，并与解码路径中对应的高层特征图拼接，使其边界特征表达更加清晰和突出，更利于肝段边界的定位，从而提升分割准确率，有效解决肝段分割问题。
Description
技术领域
本发明属于计算机视觉中图像分割领域，具体涉及一种边界感知双重注意力引导的肝段分割方法。
背景技术
如广泛应用于肝脏解剖学的Couinaud分类中所述，通过主门静脉分叉的横断面将肝脏的叶分为八个部分。将肝脏分割成独立的段在外科手术治疗中至关重要，因为涉及肿瘤的部分可以单独切除而不损坏其余部分，从而可以尽可能地保留肝脏功能。放射线图像(如计算机断层扫描(Computed Tomography,CT)或磁共振成像(Magnetic ResonanceImaging,MRI)与造影剂一起使用可以清楚地显示诸如肝静脉，门静脉及其血管分支等解剖结构，这对于描绘肝段尤为重要。因此，基于放射影像的精准肝段分割对于术前肝肿瘤的切除管理是必不可少的。
现有的肝段分割工作都采用类似的方法。首先，使用各种传统的图像处理方法对肝脏中的血管进行分割。然后以血管分割结果为参考，采用最近邻近似算法进行肝段的分割。尽管使用传统的分割方法可以解决肝脏分割的问题，但仍然存在一些不足。特别是，传统方法不善于处理模糊的边缘，也无法区分哪些血管可作为分割肝段的参考。此外，这些方法无法适应数据的各种特征。
近年来，基于深度学习的方法在生物医学图像分析和诊断中的应用吸引了计算机视觉领域的更多研究人员。语义分割作为计算机视觉的经典研究分支，已经在许多医疗场景中应用，包括器官分割，血管分割，病灶分割，3D重建和视觉增强。将深度网络应用于肝段分割任务中，可以有效地解决鲁棒性不足、无法适应多类型数据特征、效率低下等问题。
发明内容
本发明的目的在于提供了一种新颖的应用于肝段分割的深度学习方法，称为边界感知双重注意力引导的U-Net。我们在U-Net的解码路径的每一层都添加了双重注意力模块，该模块从空间和语义的角度考虑了边界的特征。提出的双重注意力模块拼接分别来自U-Net中相对应的编码和解码路径的高低特征图，并计算加权特征图的关注度。这种拼接方式可以补充彼此的语义信息，突出显示肝脏区域以帮助其定位，增强血管特征的表示，并有利于在图像像素恢复过程中确定肝段的边界位置。
双重注意力模块由空间注意力模块和语义注意力模块组成。这两个模块的设计基于相同的原理，使用融合的特征图揭示有关语义信息和空间信息的边界属性作为门控信号，从而指导模型的注意力倾向。在空间注意力模块中，融合特征图被压缩为单通道图，并且每个像素代表一个权重，该权重乘以原始特征图。肝脏位置信息和边界位置信息可以使肝脏区域和肝段的边界区域的像素获得更大的权重，从而增加前景和背景之间的差异。在语义注意力模块中，融合的特征图被压缩为一维列向量，该向量代表每个通道的权重。将一位权重列向量乘以原始特征图，可以对有效通道进行增强并对无效通道进行抑制，同时也是对先前卷积核中不同滤波器的加权。
为实现上述目的，本发明采用以下技术方案：一种边界感知双重注意力引导的肝段分割方法，首先扫描采集门脉期的腹部MRI病例数据并对每例图像利用专业软件标注肝段标签；其次对采集的原始数据进行一定的预处理，保证数据形式统一，具体采用双线性插值的方法进行图像尺寸归一化，再将图像中每个像素值归一化至[0,1]的范围；接下来将预处理后的数据和肝段标签转换成张量形式输入到卷积神经网络(Convolutional NeuralNetwork,CNN)的特征提取模块(即U-Net的编码路径)，通过连续的卷积和下采样操作，对图像进行降维并获取图像的深层次的特征表达；之后在图像分辨率恢复的过程中(即U-Net的解码路径)，采用逐级像素恢复的方法，并在每个相同分辨率层级上都将编码路径中的低层特征图输入到边界感知的双重注意力模块中进行加权，突出重点边界区域的特征表达，抑制无关背景区域对分割结果的干扰；然后将从双重注意力模块中输出的低层特征图和与之对应的同分辨率高层特征图拼接，起到在图像分辨率恢复过程中提升边界定位准确性的作用；最终在经历四个层级的分辨率恢复和特征图加权后，得到与输入图像同分辨率的分割掩模，该分割结果的准确率上相较于此前的方法得到了显著提升。
一种边界感知双重注意力引导的肝段分割方法，该方法包括以下步骤：
步骤1，采集临床病例的腹部MRI增强门脉期扫描序列。
步骤2，对原始MRI数据进行尺寸和像素值归一化等预处理。
步骤3，构建对称编解码路径的深度卷积神经网络(U-Net)和边界感知双重注意力模块。
步骤3.1，利用CNN的特征提取模块，即U-Net的编码路径，对图像进行编码和四次降维，并获取图像的深层次的特征表达。
步骤3.2，设计基于门控注意力机制的并行的边界感知双重注意力模块，该模块可从空间维度和语义通道维度对特征图进行加权。
步骤3.3，将上述设计的双重注意力模块添加至图像分辨率恢复的过程(即U-Net的解码路径)的四个分辨率层级中，对低层特征图进行注意力加权。
步骤3.4，将从双重注意力模块中输出的低层特征图和与之对应的同分辨率高层特征图拼接，进行卷积和上采样操作，并输入至下一分辨率层级，直至四个分辨率层级全通过后输出分割掩模。
步骤4，将无标签腹部MRI输入至已训练后的分割模型，输出肝段的具体分割结果。
与现有技术相比，本发明具有以下明显优势：
本发明从临床实际应用出发，使用临床腹部磁共振影像的门脉期序列作为训练样本，提出了一种边界感知双重注意力引导的肝段分割方法，并构建深度网络加以训练。相比于此前提出的传统方法，本发明具有分割效率高、精确度高、鲁棒性强等优势，且易于部署于实际临床场景。可以协助医生在术前高效准确地定位肝肿瘤在肝脏中所处的具体位置，使得外科医生单独切除肿瘤而不损坏其余部分，从而可以尽可能地保留肝脏功能。
附图说明
图1为本发明的总体模型结构图；
图2为本发明的方法流程图；
图3为边界感知双重注意力模块中空间注意力模块结构图；
图4为边界感知双重注意力模块中语义注意力模块结构图；
图5为依据Couinaud分类法对MRI数据的标注图；
具体实施方式
以下结合具体实施例，并参照附图，对本发明进一步详细说明。
本发明的总体结构图如图1所示，所述方法流程如图2所示，所提出的边界感知双重注意力模块如图3所示，图4为依据Couinaud分类法对MRI数据的标注图，具体包括以下步骤：
步骤1，采集临床病例的腹部MRI增强门脉期扫描序列。
临床采集的病例涉及多种肝脏局灶性病变的MRI门静脉期扫描序列，以此来保证训练模型处于不同病变情况下肝段分割都可以保证较高的精度，并且提升模型鲁棒性。所采集的MRI数据邀请经验丰富的放射科医生，依据国际上最常用的Couinaud分类方法，根据血管将肝脏分为八个部分(编号I至VIII)。第I段是尾状叶。第II段和第III段位于镰状韧带外侧，第II段位于门静脉供应上方，第III段位于门静脉供应下方。第IV段位于镰状韧带的内侧，并细分为IVa段(上)和IVb段(下)。第V至第VIII段构成肝脏的右侧部分。第V段位于全肝的最内侧和最下方。第VI段位于更后方。第Ⅶ段位于第VI段上方。第VIII段在第V段的上方，位于上内侧的位置。图1中举例说明了肝段分割方法和3D重建示意。我们使用九种不同的颜色来标记不同的颜色肝段。在数据读取阶段，掩码中的9个标签被分配了1到9个对应的灰度值。
步骤2，对原始MRI数据进行尺寸和像素值归一化等预处理。
对采集标注后的MRI数据进行预处理，首先将影像数据中长宽不相同的少量数据剔除，留下的数据影像长宽比为1:1。由于图像灰度值差异过大，对于筛选后的数据，需要将其像素值归一化至[0,1]，归一化的表达式如下所示：
步骤3，构建对称编解码路径的深度卷积神经网络(U-Net)和边界感知双重注意力模块。
步骤3.1，利用CNN的特征提取模块，即U-Net的编码路径，对图像进行编码和四次降维，并获取图像的深层次的特征表达。
本发明采用U-Net作为基础的骨干网络，该网络的特点是对称的编解码路径。其中U-Net的编码路径即为图像的特征提取器。通过多重卷积核的滤波和特征提取以及四次下采样操作的降维，并辅加残差模块的概念，获得影像数据更高层的特征表达。
步骤3.2，设计基于门控注意力机制的并行的边界感知双重注意力模块，该模块可从空间维度和语义通道维度对特征图进行加权。
基于门控注意力机制的边界感知双重注意力模块由空间注意力模块和语义通道注意力模块并行构成，可以从图像的两个维度对特征图赋予权值。
在空间注意力模块中，首先给定来自编码路径的低层特征图
和来自前一层的高层特征图
将二者分别送入两个不同的卷积层
和
从而得到两个新的特征图
和
下一步是对两个新的特征图进行融合。在这里本发明采用沿通道维度进行拼接的融合方式，生成低层特征和高层特征的融合图
拼接后的融合图由ReLu激活函数激活后送入由卷积层
批量归一化层(Batchnorm layer)和Relu激活函数组成的网络，该操作将融合图的通道尺寸归一化为C，例如
此时，低级特征图和高级特征图在保持空间信息和降维的情况下进行整拼接。之后将拼接后的特征图送入卷积层
中，将其压缩为单通道特征图。然后执行Sigmoid函数将其归一化为[0,1]，生成空间注意力图
这样就得到了注意力图，其中每个像素从空间视图的角度反映了表示其在原始特征图中突出程度的权重。最后我们对解码路径中同一分辨率层级的空间注意力图
与低级特征图Fl进行像素点积，得到最终的加权特征图，即空间注意力模块的
整个过程公式表达如下：
Fconcat＝Concat(Wl TFl+bl；Wh TFh+bh)
其中bl,bh,bc,bf是对应于不同卷积层的偏置项，σ1和σ2分别表示ReLu激活函数和Sigmoid激活函数。
语义注意力模块采用了与空间注意模块中相同的门控方法。同时，使用同样的特征图Fl,Fh作为输入，并且共享卷积层的参数Wl,Wh。与空间注意力模块不同，语义注意力模块中的低级特征和高级特征图采用了元素加和的方式，以生成融合图。整个过程公式表达如下：
最终从空间注意力模块和语义注意力模块输出的两个注意力图进行点加融合，得到最终的注意力加权特征图。
步骤3.3，将上述设计的双重注意力模块添加至图像分辨率恢复的过程(即U-Net的解码路径)的四个分辨率层级中，对低层特征图进行注意力加权。
本发明采用的U-Net基础网络包含四次上采样操作，在每次上采样操作中高层特征图会与编码路径上相同分辨率层级的低层特征图拼接融合。本发明提出的边界感知双重注意力机制就应用于每次的特征图拼接融合的过程中，对低层特征图加权后再与高层特征图融合，以实现更精准的边界特征定位，有利于图像分辨率恢复的过程中不会丢失重要信息。
步骤3.4，将从双重注意力模块中输出的低层特征图和与之对应的同分辨率高层特征图拼接，进行卷积和上采样操作，并输入至下一分辨率层级，直至四个分辨率层级全通过后输出分割掩模。
每一个层级中，在高低层特征融合后还会对融合特征图进行卷积和上采样的操作。经过这些操作后的特征图会被作为下一个分别率层级(即更高分辨率层级)中的高层特征图与对应的编码路径中的低层特征图再次拼接。如此迭代操作，直至特征图通过四个分辨率层级后恢复至与输入图像相同分辨率，便可作为网络的最终输出结果，即图像分割的掩模。整个网络采用一种混合的损失函数，由Dice损失函数和交叉熵损失函数组成，具体如下所示：
LMixed＝λ1LCE+λ2LDice
其中λ1和λ2为超参数，均设为1，N代表总像素数量，y和
分别代表真实值和预测值的独热编码，A和B分别代表真实区域和预测区域。
步骤4，将无标签腹部MRI输入至已训练后的分割模型，输出肝段的具体分割结果。
在训练过程中，通过优化步骤3.4中的混合损失函数，增大预测区域与真实标签区域的重合面积，并且确保像素分类的准确性。对于训练后的最优效果的模型，将临床无标签的腹部MRI输入其中，便可以准确生成肝段分割的结果，对医生的临床诊断和术前分析提供帮助。
至此，本发明的具体实施过程描述完毕。
Claims (4)
1.一种边界感知双重注意力引导的肝段分割方法，其特征在于：该方法包括以下步骤：
步骤1，采集MRI增强门脉期扫描序列；
步骤2，对原始MRI增强门脉期扫描序列的数据进行尺寸和像素值归一化预处理；
步骤3，构建对称编解码路径的深度卷积神经网络U-Net和边界感知双重注意力模块；
步骤3.1，利用CNN的特征提取模块，即U-Net的编码路径，对图像进行编码和四次降维，并获取图像的深层次的特征表达；
步骤3.2，设计基于门控注意力机制的并行的边界感知双重注意力模块，从空间维度和语义通道维度对特征图进行加权；
步骤3.3，将上述设计的双重注意力模块添加至图像分辨率恢复的过程即U-Net的解码路径的四个分辨率层级中，对低层特征图进行注意力加权；
步骤3.4，将从双重注意力模块中输出的低层特征图和与之对应的同分辨率高层特征图拼接，进行卷积和上采样操作，并输入至下一分辨率层级，直至四个分辨率层级全通过后输出分割掩模；
步骤4，将无标签腹部MRI输入至已训练后的分割模型，输出肝段的具体分割结果。
2.根据权利要求1所述的一种边界感知双重注意力引导的肝段分割方法，其特征在于：具体包括以下的步骤：
步骤1，采集临床病例的腹部MRI增强门脉期扫描序列；
所采集的MRI数据邀请经验丰富的放射科医生，依据国际上最常用的Couinaud分类方法，根据血管将肝脏分为八个部分编号I至VIII；第I段是尾状叶；第II段和第III段位于镰状韧带外侧，第II段位于门静脉供应上方，第III段位于门静脉供应下方；第IV段位于镰状韧带的内侧，并细分为IVa段上和IVb段下；第V至第VIII段构成肝脏的右侧部分；第V段位于全肝的最内侧和最下方；第VI段位于更后方；第Ⅶ段位于第VI段上方；第VIII段在第V段的上方，位于上内侧的位置。
3.根据权利要求1所述的一种边界感知双重注意力引导的肝段分割方法，其特征在于：步骤2中，对采集标注后的MRI数据进行预处理，首先将影像数据中长宽不相同的数据剔除，留下的数据影像长宽比为1:1；由于图像灰度值差异过大，对于筛选后的数据，将其像素值归一化至[0,1]；
步骤3，构建对称编解码路径的深度卷积神经网络U-Net和边界感知双重注意力模块；
步骤3.1，利用CNN的特征提取模块，即U-Net的编码路径，对图像进行编码和四次降维，并获取图像的深层次的特征表达；
采用U-Net作为基础的骨干网络，骨干网络是对称的编解码路径；其中U-Net的编码路径即为图像的特征提取器；通过多重卷积核的滤波和特征提取以及四次下采样操作的降维，并辅加残差模块的概念，获得影像数据更高层的特征表达；
步骤3.2，设计基于门控注意力机制的并行的边界感知双重注意力模块，该模块从空间维度和语义通道维度对特征图进行加权；
基于门控注意力机制的边界感知双重注意力模块由空间注意力模块和语义通道注意力模块并行构成，从图像的两个维度对特征图赋予权值；语义注意力模块采用与空间注意模块中相同的门控方法；使用特征图Fl,Fh作为输入，并且共享卷积层的参数Wl,Wh；与空间注意力模块不同，语义注意力模块中的低级特征和高级特征图采用了元素加和的方式，以生成融合图；最终从空间注意力模块和语义注意力模块输出的两个注意力图进行点加融合，得到最终的注意力加权特征图；
步骤3.3，将设计的双重注意力模块添加至图像分辨率恢复的过程即U-Net的解码路径的四个分辨率层级中，对低层特征图进行注意力加权；采用的U-Net基础网络包含四次上采样操作，在每次上采样操作中高层特征图会与编码路径上相同分辨率层级的低层特征图拼接融合；
步骤3.4，将从双重注意力模块中输出的低层特征图和与之对应的同分辨率高层特征图拼接，进行卷积和上采样操作，并输入至下一分辨率层级，直至四个分辨率层级全通过后输出分割掩模；
每一个层级中，在高低层特征融合后还会对融合特征图进行卷积和上采样操作；经过操作后的特征图会被作为下一个分别率层级即更高分辨率层级中的高层特征图与对应的编码路径中的低层特征图再次拼接；如此迭代操作，直至特征图通过四个分辨率层级后恢复至与输入图像相同分辨率，作为网络的最终输出结果，即图像分割的掩模；整个网络采用一种混合的损失函数，由Dice损失函数和交叉熵损失函数组成。
4.根据权利要求1所述的一种边界感知双重注意力引导的肝段分割方法，其特征在于：
步骤4，将无标签腹部MRI输入至已训练后的分割模型，输出肝段的具体分割结果；
在训练过程中，通过优化步骤3.4中的混合损失函数，增大预测区域与真实标签区域的重合面积，并且确保像素分类的准确性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110556924.XA CN113344951A (zh) | 2021-05-21 | 2021-05-21 | 一种边界感知双重注意力引导的肝段分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110556924.XA CN113344951A (zh) | 2021-05-21 | 2021-05-21 | 一种边界感知双重注意力引导的肝段分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113344951A true CN113344951A (zh) | 2021-09-03 |
Family
ID=77470547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110556924.XA Pending CN113344951A (zh) | 2021-05-21 | 2021-05-21 | 一种边界感知双重注意力引导的肝段分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113344951A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113744284A (zh) * | 2021-09-06 | 2021-12-03 | 浙大城市学院 | 脑肿瘤图像区域分割方法、装置、神经网络及电子设备 |
| 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 |
| CN113936220A (zh) * | 2021-12-14 | 2022-01-14 | 深圳致星科技有限公司 | 图像处理方法、存储介质、电子设备及图像处理装置 |
| CN114066908A (zh) * | 2021-10-09 | 2022-02-18 | 山东师范大学 | 一种用于脑肿瘤图像分割的方法及系统 |
| CN114565628A (zh) * | 2022-03-23 | 2022-05-31 | 中南大学 | 一种基于边界感知注意的图像分割方法及系统 |
| CN114926423A (zh) * | 2022-05-12 | 2022-08-19 | 深圳大学 | 基于注意力及边界约束的息肉图像分割方法、装置、设备及介质 |
| EP4242682A1 (en) | 2022-03-07 | 2023-09-13 | FUJIFILM Healthcare Corporation | Magnetic resonance imaging apparatus, image processor, and image noise reduction method |
| CN117635478A (zh) * | 2024-01-23 | 2024-03-01 | 中国科学技术大学 | 一种基于空间通道注意力的低光照图像增强方法 |
| CN117635478B (zh) * | 2024-01-23 | 2024-05-17 | 中国科学技术大学 | 一种基于空间通道注意力的低光照图像增强方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110163878A (zh) * | 2019-05-28 | 2019-08-23 | 四川智盈科技有限公司 | 一种基于双重多尺度注意力机制的图像语义分割方法 |
| CN111598864A (zh) * | 2020-05-14 | 2020-08-28 | 北京工业大学 | 一种基于多模态影像贡献度融合的肝细胞癌分化评估方法 |
| CN112365496A (zh) * | 2020-12-02 | 2021-02-12 | 中北大学 | 基于深度学习和多引导的多模态mr影像脑肿瘤分割方法 |
| CN112418176A (zh) * | 2020-12-09 | 2021-02-26 | 江西师范大学 | 一种基于金字塔池化多级特征融合网络的遥感图像语义分割方法 |
| US20210089807A1 (en) * | 2019-09-25 | 2021-03-25 | Samsung Electronics Co., Ltd. | System and method for boundary aware semantic segmentation |
-
2021
- 2021-05-21 CN CN202110556924.XA patent/CN113344951A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110163878A (zh) * | 2019-05-28 | 2019-08-23 | 四川智盈科技有限公司 | 一种基于双重多尺度注意力机制的图像语义分割方法 |
| US20210089807A1 (en) * | 2019-09-25 | 2021-03-25 | Samsung Electronics Co., Ltd. | System and method for boundary aware semantic segmentation |
| CN111598864A (zh) * | 2020-05-14 | 2020-08-28 | 北京工业大学 | 一种基于多模态影像贡献度融合的肝细胞癌分化评估方法 |
| CN112365496A (zh) * | 2020-12-02 | 2021-02-12 | 中北大学 | 基于深度学习和多引导的多模态mr影像脑肿瘤分割方法 |
| CN112418176A (zh) * | 2020-12-09 | 2021-02-26 | 江西师范大学 | 一种基于金字塔池化多级特征融合网络的遥感图像语义分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘云鹏;刘光品;王仁芳;金冉;孙德超;邱虹;董晨;李瑾;洪国斌;: "深度学习结合影像组学的肝脏肿瘤CT分割", 中国图象图形学报, no. 10, 16 October 2020 (2020-10-16) * |
| 赵欣;石德来;王洪凯;: "基于3D全卷积深度神经网络的脑白质病变分割方法", 计算机与现代化, no. 10, 15 October 2020 (2020-10-15) * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113744284A (zh) * | 2021-09-06 | 2021-12-03 | 浙大城市学院 | 脑肿瘤图像区域分割方法、装置、神经网络及电子设备 |
| CN113744284B (zh) * | 2021-09-06 | 2023-08-29 | 浙大城市学院 | 脑肿瘤图像区域分割方法、装置、神经网络及电子设备 |
| 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 |
| CN114066908A (zh) * | 2021-10-09 | 2022-02-18 | 山东师范大学 | 一种用于脑肿瘤图像分割的方法及系统 |
| CN113936220B (zh) * | 2021-12-14 | 2022-03-04 | 深圳致星科技有限公司 | 图像处理方法、存储介质、电子设备及图像处理装置 |
| CN113936220A (zh) * | 2021-12-14 | 2022-01-14 | 深圳致星科技有限公司 | 图像处理方法、存储介质、电子设备及图像处理装置 |
| EP4242682A1 (en) | 2022-03-07 | 2023-09-13 | FUJIFILM Healthcare Corporation | Magnetic resonance imaging apparatus, image processor, and image noise reduction method |
| CN114565628A (zh) * | 2022-03-23 | 2022-05-31 | 中南大学 | 一种基于边界感知注意的图像分割方法及系统 |
| CN114565628B (zh) * | 2022-03-23 | 2022-09-13 | 中南大学 | 一种基于边界感知注意的图像分割方法及系统 |
| CN114926423A (zh) * | 2022-05-12 | 2022-08-19 | 深圳大学 | 基于注意力及边界约束的息肉图像分割方法、装置、设备及介质 |
| CN114926423B (zh) * | 2022-05-12 | 2023-02-10 | 深圳大学 | 基于注意力及边界约束的息肉图像分割方法、装置、设备及介质 |
| CN117635478A (zh) * | 2024-01-23 | 2024-03-01 | 中国科学技术大学 | 一种基于空间通道注意力的低光照图像增强方法 |
| CN117635478B (zh) * | 2024-01-23 | 2024-05-17 | 中国科学技术大学 | 一种基于空间通道注意力的低光照图像增强方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113344951A (zh) | 一种边界感知双重注意力引导的肝段分割方法 | |
| CN109087327B (zh) | 一种级联全卷积神经网络的甲状腺结节超声图像分割方法 | |
| CN111784671B (zh) | 基于多尺度深度学习的病理图像病灶区域检测方法 | |
| Huang et al. | Coronary artery segmentation by deep learning neural networks on computed tomographic coronary angiographic images | |
| CN110930416B (zh) | 一种基于u型网络的mri图像前列腺分割方法 | |
| CN112241966B (zh) | 多任务多分类的胸部器官分割模型建立、分割方法及系统 | |
| Tong et al. | 3D deeply-supervised U-net based whole heart segmentation | |
| Cheng et al. | Contour-aware semantic segmentation network with spatial attention mechanism for medical image | |
| CN113947609B (zh) | 深度学习网络结构及多标签主动脉夹层ct图像分割方法 | |
| US20230281809A1 (en) | Connected machine-learning models with joint training for lesion detection | |
| Liu et al. | Automated cardiac segmentation of cross-modal medical images using unsupervised multi-domain adaptation and spatial neural attention structure | |
| CN112446892A (zh) | 一种基于注意力学习的细胞核分割方法 | |
| CN113506310A (zh) | 医学图像的处理方法、装置、电子设备和存储介质 | |
| CN115063592B (zh) | 一种基于多尺度的全扫描病理特征融合提取方法及系统 | |
| Mooij et al. | Automatic segmentation of prostate zones | |
| Liu et al. | Cascaded atrous dual attention U-Net for tumor segmentation | |
| CN113450359A (zh) | 医学图像分割、显示、模型训练方法、系统、设备和介质 | |
| Chen et al. | Combining edge guidance and feature pyramid for medical image segmentation | |
| CN113012164A (zh) | 基于聚合层间信息的U-Net肾脏肿瘤图像分割方法、设备及存储介质 | |
| Pal et al. | A fully connected reproducible SE-UResNet for multiorgan chest radiographs segmentation | |
| Baumgartner et al. | Fully convolutional networks in medical imaging: Applications to image enhancement and recognition | |
| CN115908449A (zh) | 一种基于改进UNet模型的2.5D医学CT影像分割方法及装置 | |
| Arulappan et al. | Liver tumor segmentation using a new asymmetrical dilated convolutional semantic segmentation network in CT images | |
| Goni et al. | Salient feature extraction using Attention for Brain Tumor segmentation | |
| Allgöwer et al. | Liver Tumor Segmentation Using Classical Algorithms & Deep Learning |
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 |