CN113378933A - 甲状腺超声图像分类和分割网络、训练方法、装置及介质 - Google Patents

甲状腺超声图像分类和分割网络、训练方法、装置及介质 Download PDF

Info

Publication number
CN113378933A
CN113378933A CN202110656118.XA CN202110656118A CN113378933A CN 113378933 A CN113378933 A CN 113378933A CN 202110656118 A CN202110656118 A CN 202110656118A CN 113378933 A CN113378933 A CN 113378933A
Authority
CN
China
Prior art keywords
network
cls
segmentation
thyroid
layer
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
Application number
CN202110656118.XA
Other languages
English (en)
Inventor
程栋梁
王晨
何年安
谢蠡
刘振
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Hebin Intelligent Robot Co ltd
Original Assignee
Hefei Hebin Intelligent Robot Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei Hebin Intelligent Robot Co ltd filed Critical Hefei Hebin Intelligent Robot Co ltd
Priority to CN202110656118.XA priority Critical patent/CN113378933A/zh
Publication of CN113378933A publication Critical patent/CN113378933A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了甲状腺超声图像分类和分割网络、训练方法、装置及介质，属于医疗信息技术领域。网络包括编码阶段和解码阶段，以及编码阶段和解码阶段之间的跳跃连接，在编码阶段设置有注意力机制模块，使得网络更关注甲状腺结构同周围组织的区别，在网络的编码阶段将输出特征图作为分类网络的输入，使得分割和分类任务能够进行特征共享，从而实现同一网络同时对甲状腺超声图像进行分类以及分割，在训练中，同时进行分类和分割任务的训练，提高分割和分类的准确性。

Description

甲状腺超声图像分类和分割网络、训练方法、装置及介质
技术领域
本发明涉及医疗信息技术领域，更具体地说，涉及甲状腺超声图像分类和分割网络、训练方法、装置及介质。
背景技术
甲状腺癌是内分泌系统肿瘤中最常见的恶性肿瘤，过去二十年来在全球范围内，甲状腺癌的发病率一直在增加。超声是筛查甲状腺癌的主要手段，超声成像技术是当前最常用的肿瘤早期检查手段之一。并且超声以其廉价性、无辐射、费用低等优点，被广泛应用于临床诊断中。
目前对于甲状腺结节性质的检查主要依靠对超声图像的分析完成，影像师总结了甲状腺结节一系列超声图像特性作为癌变征兆，包括低回声反射性、光晕缺失、微钙化点、结节形状等。由于诊断的主观性，对于不同的诊断医生，超声图像的判断通常存在差异，即使是具有丰富经验的专家也可能是错误的。高性能的计算机辅助诊断系统，可进一步提高甲状腺结节诊断定位的准确性，给医生提供参考。
卷积神经网络技术自从上世纪八十年代起至今已经有了三十多年的研究历史，卷积神经网络最初应用于手写体的数字识别，在计算机视觉领域，人脸，物体等识别一直都是一个非常具有挑战性的研究热点。近几年来，随着互联网发展，大量数据集的获取不再是一个难题，卷积神经网络开始了新的时代，从物体识别、人脸识别、物体定位、语义分割等领域都以压倒性的优势刷新了排行榜。
甲状腺的超声图像的识别此前一直依赖于有经验的医生的观察分析诊断，不仅耗时耗力，而且由于我国的医生资源不均衡，很难做到整体水平的提升。借助于卷积神经网络对于自然图像识别的优势，把有优质医疗资源转化为算法，对新的图像进行病灶的定位和识别，应用到甲状腺超声的识别上。
中国专利申请，申请号CN202110183994.5，公开日2021-05-18，公开了一种改进UNet的肺结节分割方法，获取Luna16数据集，并对所述Luna16数据集依次进行数据预处理、数据增强和数据拆分；在U Net网络中加入双向特征融合网络，并采用尺寸填充的方式对相邻两个特征图进行融合，完成对所述U Net网络的改进；利用拆分后的数据集对改进后的所述U Net网络进行训练和验证，并将输出的分割图像与所述Luna16数据集进行叠加，完成分割，采用端到端的U Net深度学习网络，引入双向特征融合机制，有效融合图像的高级语义特征与低级特征，从而实现肺结节的有效分割。
现有技术只能使用U Net网络实现图像的分割，无法同时实现图像的分类。
发明内容
1.要解决的技术问题
针对现有技术中存在的U Net网络无法同时实现图像的分割和分类问题，本发明提供了甲状腺超声图像分类和分割网络、训练方法、装置及介质，它可以实现使用U Net网络同时对甲状腺结节进行分类以及分割，在实际应用中使得特征能够共享，在部署中节省了内存开销。
2.技术方案
本发明的目的通过以下技术方案实现。
一种甲状腺超声图像分类和分割网络，本网络的架构是经过修改的U-net网络架构，网络有九层，整个网络可以分为三个部分，分别为编码器、解码器以及设置于编码器和解码器之间的跳跃连接；编码器利用四个下采样操作来抽取高阶语义特征；解码器利用四个上采样操作来恢复特征图尺寸到原始图片大小，跳跃连接将编码器阶段的特征图传递给解码器各个阶段，保留了空间信息，使得分割效果更好；
网络的第一层至第五层的每层之间设置有下采样模块，四个下采样模块组成编码器，编码器抽取高阶语义特征；
网络的第五层至第九层的每层之间设置有上采样模块，四个上采样模块组成解码器，解码器恢复特征图尺寸到输入网络的原始图片的大小；
编码器和解码器之间通过跳跃连接，将编码器各个模块的特征图传递给解码器各个模块以保留空间信息；
本发明与U-net架构的区别在于，在第二层至第五层设置有注意力机制模块，注意力机制模块在特征提取时更关注甲状腺整体的结构特征，将甲状腺同周围组织区别开来。
网络的第四层至第六层的特征图输入到分类器中进行甲状腺结节分类，分类器输出分类结果。
更进一步的，注意力机制模块分为压缩和激发两个模块；
设输入的特征图为X，其维度为RH*W*C，R为特征空间，H、W和C分别表示特征图的高、宽和通道数；
压缩模块沿着空间维度(RH*W)通过全局平均池化方式来聚合全局信息，生成一个R1*1*C维度的通道描述符；
激发模块包括：
第一全连接层，把通道数由c缩小为c/r，r是设定的参数；
Relu函数，将X内所有负值都设为零，其余的值不变；
第二全连接层，把通道数由c/r扩大为c；
Sigmoid函数，将X内的数值映射到(0，1)的区间，生成一个R1*1*C维度的向量；
生成的R1*1*C维度的向量和X进行逐通道相乘，对X的每个通道进行重标定，特征重标定后的特征图不同通道重要性不同，重要的信息被放大，不重要的信息被减弱。
更进一步的，参数r设定不同的数值，控制注意力机制模块的计算量。
更进一步的，网络的每一层包括：
卷积层，卷积层采用尺寸为3*3的卷积核对输入的特征图进行卷积计算；
批归一化模块，对输入的特征图进行标准化处理；
修正线性单元模块，将输入的特征图内所有负值都设为零，其余的值不变。
更进一步的，在下采样过程中使用尺寸为2*2，步伐为2*2的卷积。
更进一步的，分类器进行甲状腺结节分类步骤包括：
使用基于特征图的全局平均池化将来自第四层至第六层的特征图转为同样尺寸的特征图；
对转为同样尺寸的特征图进行级联融合；
将级联后的特征输入到两个全连接层以及SoftMax层。
更进一步的，SoftMax层中分类损失函数Lcls为带有权重的focalloss：
Lcls(Pcls，Ycls)＝-wm(1-Pcls)2Yclslog(Pcls)-wnPcls 2(1-Ycls)Yclslog(1-Pcls)
Pcls为网络预测的类别，Ycls为真实类别，wm、wn分别为
Figure BDA0003112835310000031
其中Nn，Nm分别为训练数据中甲状腺结节为良性和恶性数量；
分割中的损失函数Lseg为Dice损失函数：
Figure BDA0003112835310000032
Pseg为网络预测的分割结果，Yseg为真实的分割结果，
总的损失函数Lall为：
Lall＝λLcls+(1-λ)Lseg
λ是调节分类损失韩式和分割损失函数权重的超参数。
一种甲状腺超声图像分类和分割网络的训练方法，包括：
总共进行N次迭代训练；
第一次迭代时，网络的输入为原始的图片Iori；
第i次，1＜i≤N，迭代时，网络的输入为原始的图片Iori和第i次迭代SoftMax层输出的特征图Segmapi之和，网络的输出为Pcls，i和Pseg，i，Pcls，i是第i次迭代时网络对图片分类的预测结果，Pseg，i是第i次迭代时网络对图片分割的预测结果；
使用ADAM优化器进行优化，最后的输出为Pcls，N和Pseg，N，Pcls，N是最终的网络对图片分类的预测结果，Pseg，N是最终的网络对图片分割的预测结果。
一种甲状腺超声图像分类和分割装置，采用甲状腺超声图像分类和分割网络对甲状腺超声图像进行分类和分割。
一种计算机可读存储介质，其上存储有指令，所述指令在被处理器执行时，使得所述处理器执行甲状腺超声图像分类和分割网络对甲状腺超声图像进行分类和分割。
3.有益效果
相比于现有技术，本发明的优点在于：在网络的编码阶段增加注意力机制模块，获得更好的特征提取效果；在网络的编码阶段将编码器的输出特征图作为分类网络的输入，使得分割和分类任务能够进行特征共享，使用同一网络同时对甲状腺超声图像进行分类以及分割，在部署中节省了内存开销；在训练中，同时进行分类和分割任务的训练，能够提高分割和分类的准确性。
附图说明
图1为本发明的分割和分类网络整体示意图；
图2为注意力机制模块示意图；
图3为特征图通道重标定示意图。
具体实施方式
下面结合说明书附图和具体的实施例，对本发明作详细描述。
实施例1
一种甲状腺超声图像分类和分割网络，网络基于U-Net架构设计，在其基础上提出了改进。U-Net网络是一个经典的全卷积网络，分为三部分，分别为编码器、解码器以及设置于编码器和解码器之间的跳跃连接；编码器利用四个下采样操作来抽取高阶语义特征；解码器利用四个上采样操作来恢复特征图尺寸到原始图片大小，跳跃连接将编码器阶段的特征图传递给解码器各个阶段，保留了空间信息，使得分割效果更好。
UNet共进行了四个下采样，并且设置有跳跃连接，这样就保证了最后恢复出来的特征图融合了各个阶段的特征，四个上采样也使得分割图恢复边缘等信息更加精细，对医学图像分割展现了优秀的性能。
本发明针对甲状腺超声图像的特点对与现有技术的U-Net架构做出了改进，因为甲状腺的轮廓同周围其它组织的轮廓边界比较模糊，通过增加注意力机制模块使得网络更关注甲状腺同周围组织的区别，而忽略一些对分割不重要的特征，关注甲状腺整体的结构特征。本发明在第二层至第五层设置有注意力机制模块，如图2所示。
注意力机制模块分为压缩和激发两个模块；
设输入的特征图为X，其维度为RH*W*C，R为特征空间，H、W和C分别表示特征图的高、宽和通道数；
压缩模块沿着空间维度(RH*W)通过全局平均池化方式来聚合全局信息，生成一个R1*1*C维度的通道描述符；
激发模块包括：
第一全连接层，把通道数由c缩小为c/r，r是设定的参数，参数r设定不同的数值，控制注意力机制模块的计算量。
Relu函数，将X内所有负值都设为零，其余的值不变；
第二全连接层，把通道数由c/r扩大为c；
Sigmoid函数，将X内的数值映射到(0，1)的区间，生成一个R1*1*C维度的向量；
如图3所示，生成的R1*1*C维度的向量和X进行逐通道相乘，对X的每个通道进行重标定。对特征图进行通道重标定，通道重标定后的特征图不同通道重要性不同，重要的信息被放大，不重要的信息被减弱，不同通道的重要性由网络自己学习得出。
网络的每一层包括：
卷积层，本实施例的卷积层采用尺寸为3*3的卷积核；
批归一化操作；
修正线性单元操作。
本实施例中，在下采样过程中使用尺寸为2*2，步伐为2*2的卷积。
本发明还将网络输出特征图作为分类器的输入，使得分割和分类任务能够进行特征共享，使用同一网络同时对甲状腺超声图像进行分类以及分割，在部署中节省了内存开销。分类器进行，分类器实现对甲状腺结节进行分类的步骤包括：
使用基于特征图的全局平均池化将来自第四层至第六层的特征图转为同样尺寸的特征图；
对转为同样尺寸的特征图进行级联融合；
将级联后的特征输入到两个全连接层以及SoftMax层，SoftMax层中分类损失函数Lcls为带有权重的focal loss：
Lcls(Pcls，Ycls)＝-wm(1-Pcls)2Yclslog(Pcls)-wnPcls 2(1-Ycls)Yclslog(1-Pcls)
Pcls为网络预测的类别，Ycls为真实类别，wm、wn分别为
Figure BDA0003112835310000061
其中Nn，Nm分别为训练数据中甲状腺结节为良性和恶性数量；
分割中的损失函数Lseg为Dice损失函数：
Figure BDA0003112835310000062
Pseg为网络预测的分割结果，Yseg为真实的分割结果，
总的损失函数Lall为：
Lall＝λLcls+(1-λ)Lseg
λ是调节分类损失韩式和分割损失函数权重的超参数。
一种甲状腺超声图像分类和分割网络的训练方法，这种方法使得在一个网络里分类和分割能同时进行，具体方法如下：
总共进行N次迭代训练；
第一次迭代时，网络的输入为原始的图片Iori；
第i次，1＜i≤N，迭代时，网络的输入为原始的图片Iori和第i次迭代SoftMax层输出的特征图Segmapi之和，网络的输出为Pcls，i和Pseg，i，Pcls，i是第i次迭代时网络对图片分类的预测结果，Pseg，i是第i次迭代时网络对图片分割的预测结果；
使用ADAM优化器进行优化，最后的输出为Pcls，N和Pseg，N，Pcls，N是最终的网络对图片分类的预测结果，Pseg，N是最终的网络对图片分割的预测结果。
最后的分割结果平均dice达到0.83，分类结果的precision为0.9，达到了较好的分割和分类效果。
本发明在网络的编码阶段增加注意力机制模块，针对甲状腺的轮廓同周围其它组织的轮廓边界比较模糊的特点，注意力机制可以关注甲状腺的整体结构，获得更好的特征提取效果；在网络的编码阶段将编码器的输出特征图作为分类网络的输入，使得分割和分类任务能够进行特征共享，使用同一网络同时对甲状腺超声图像进行分类以及分割，在部署中节省了内存开销；在训练中，同时进行分类和分割任务的训练，能够提高分割和分类的准确性。本发明的甲状腺分类和分割网络，在训练之后，能够获得较好的分类和分割效果。
以上示意性地对本发明创造及其实施方式进行了描述，该描述没有限制性，在不背离本发明的精神或者基本特征的情况下，能够以其他的具体形式实现本发明。附图中所示的也只是本发明创造的实施方式之一，实际的结构并不局限于此，权利要求中的任何附图标记不应限制所涉及的权利要求。所以，如果本领域的普通技术人员受其启示，在不脱离本创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本专利的保护范围。此外，“包括”一词不排除其他元件或步骤，在元件前的“一个”一词不排除包括“多个”该元件。产品权利要求中陈述的多个元件也可以由一个元件通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (10)

1.一种甲状腺超声图像分类和分割网络，其特征在于：
第一层至第五层的每层之间设置有下采样模块，四个下采样模块组成编码器，编码器抽取高阶语义特征；
第五层至第九层的每层之间设置有上采样模块，四个上采样模块组成解码器，解码器恢复特征图尺寸到输入网络的原始图片的大小；
编码器和解码器之间通过跳跃连接，将编码器各个模块的特征图传递给解码器各个模块以保留空间信息；
在第二层至第五层设置有注意力机制模块，注意力机制模块使得网络更关注甲状腺结构同周围组织的区别；
网络的第四层至第六层的特征图输入到分类器中进行甲状腺结节分类，分类器输出分类结果。
2.如权利要求1所述的一种甲状腺超声图像分类和分割网络，其特征在于，所述注意力机制模块分为压缩和激发两个模块；
设输入的特征图为X，其维度为RH*W*C，R为特征空间，H、W和C分别表示特征图的高、宽和通道数；
压缩模块沿着空间维度(RH*W)通过全局平均池化方式来聚合全局信息，生成一个R1*1*C维度的通道描述符；
激发模块包括：
第一全连接层，把通道数由c缩小为c/r，r是设定的参数；
Relu函数，将X内所有负值都设为零，其余的值不变；
第二全连接层，把通道数由c/r扩大为c；
Sigmoid函数，将X内的数值映射到(0，1)的区间，生成一个R1*1*C维度的向量；
生成的R1*1*C维度的向量和X进行逐通道相乘，对X的每个通道进行重标定。
3.如权利要求2所述的一种甲状腺超声图像分类和分割网络，其特征在于，参数r设定不同的数值，控制注意力机制模块的计算量。
4.如权利要求1所述的一种甲状腺超声图像分类和分割网络，其特征在于，每一层包括：
卷积层，卷积层采用尺寸为3*3的卷积核对输入的特征图进行卷积计算；
批归一化模块，对输入的特征图进行标准化处理；
修正线性单元模块，将输入的特征图内所有负值都设为零，其余的值不变。
5.如权利要求1所述的一种甲状腺超声图像分类和分割网络，其特征在于，在下采样模块使用尺寸为2*2，步伐为2*2的卷积。
6.如权利要求6所述的一种甲状腺超声图像分类和分割网络，其特征在于，分类器进行甲状腺结节分类的步骤包括：
使用基于特征图的全局平均池化将来自第四层至第六层的特征图转为同样尺寸的特征图；
对转为同样尺寸的特征图进行级联融合；
将级联后的特征输入到两个全连接层以及SoftMax层。
7.如权利要求7所述的一种甲状腺超声图像分类和分割网络，其特征在于，SoftMax层中分类损失函数Lcls为带有权重的focalloss：
Lcls(Pcls，Ycls)＝-wm(1-Pcls)2Yclslog(Pcls)-wnPcls 2(1-Ycls)Yclslog(1-Pcls)
Pcls为网络预测的类别，Ycls为真实类别，wm、wn分别为
Figure FDA0003112835300000021
其中Nn，Nm分别为训练数据中甲状腺结节为良性和恶性数量；
分割中的损失函数Lseg为Dice损失函数：
Figure FDA0003112835300000022
Pseg为网络预测的分割结果，Yseg为真实的分割结果，
总的损失函数Lall为：
Lall＝λLcls+(1-λ)Lseg
λ是调节分类损失韩式和分割损失函数权重的超参数。
8.如权利要求1-7任一所述的一种甲状腺超声图像分类和分割网络的训练方法，包括：
总共进行N次迭代训练；
第一次迭代时，网络的输入为原始的图片Iori；
第i次，1＜i≤N，迭代时，网络的输入为原始的图片Iori和第i次迭代SoftMax层输出的特征图Segmapi之和，网络的输出为Pcls，i和Pseg，i，Pcls，i是第i次迭代时网络对图片分类的预测结果，Pseg，i是第i次迭代时网络对图片分割的预测结果；
使用ADAM优化器进行优化，最后的输出为Pcls，N和Pseg，N，Pcls，N是最终的网络对图片分类的预测结果，Pseg，N是最终的网络对图片分割的预测结果。
9.一种甲状腺超声图像分类和分割装置，其特征在于，采用权利要求1-7任一所述的分类和分割网络对甲状腺超声图像进行分类和分割。
10.一种计算机可读存储介质，其特征在于，其上存储有指令，所述指令在被处理器执行时，使得所述处理器执行如权利要求1-7中任一所述的分类和分割网络。
CN202110656118.XA 2021-06-11 2021-06-11 甲状腺超声图像分类和分割网络、训练方法、装置及介质 Pending CN113378933A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110656118.XA CN113378933A (zh) 2021-06-11 2021-06-11 甲状腺超声图像分类和分割网络、训练方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110656118.XA CN113378933A (zh) 2021-06-11 2021-06-11 甲状腺超声图像分类和分割网络、训练方法、装置及介质

Publications (1)

Publication Number Publication Date
CN113378933A true CN113378933A (zh) 2021-09-10

Family

ID=77574220

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110656118.XA Pending CN113378933A (zh) 2021-06-11 2021-06-11 甲状腺超声图像分类和分割网络、训练方法、装置及介质

Country Status (1)

Country Link
CN (1) CN113378933A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114398979A (zh) * 2022-01-13 2022-04-26 四川大学华西医院 一种基于特征解耦的超声图像甲状腺结节分类方法
CN115018863A (zh) * 2022-06-15 2022-09-06 同心智医科技(北京)有限公司 基于深度学习的图像分割方法及装置
CN115829980A (zh) * 2022-12-13 2023-03-21 深圳核韬科技有限公司 一种眼底照片的图像识别方法、装置、设备及存储介质
CN116245892A (zh) * 2022-12-05 2023-06-09 北京建筑大学 图像处理模型生成方法、图像处理方法及装置
CN116563314A (zh) * 2023-03-21 2023-08-08 北京长木谷医疗科技股份有限公司 腰椎分割方法、装置、电子设备及计算机可读存储介质
CN117392125A (zh) * 2023-12-08 2024-01-12 中山大学附属第五医院 基于深度卷积神经网络的乳腺超声图像分析方法和系统
CN117558414A (zh) * 2023-11-23 2024-02-13 之江实验室 多任务肝细胞癌早期复发预测系统、电子设备、介质
CN118172557A (zh) * 2024-05-13 2024-06-11 南昌康德莱医疗科技有限公司 一种甲状腺结节超声图像分割方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170140253A1 (en) * 2015-11-12 2017-05-18 Xerox Corporation Multi-layer fusion in a convolutional neural network for image classification
CN111784682A (zh) * 2020-07-10 2020-10-16 北京医智影科技有限公司 用于对图像进行自动处理的网络架构、程序载体和工作站
CN111951235A (zh) * 2020-07-31 2020-11-17 湘潭大学 基于深度学习的皮肤图像处理方法
CN112927246A (zh) * 2021-03-01 2021-06-08 北京小白世纪网络科技有限公司 肺部轮廓分割、肿瘤免疫浸润分类系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170140253A1 (en) * 2015-11-12 2017-05-18 Xerox Corporation Multi-layer fusion in a convolutional neural network for image classification
CN111784682A (zh) * 2020-07-10 2020-10-16 北京医智影科技有限公司 用于对图像进行自动处理的网络架构、程序载体和工作站
CN111951235A (zh) * 2020-07-31 2020-11-17 湘潭大学 基于深度学习的皮肤图像处理方法
CN112927246A (zh) * 2021-03-01 2021-06-08 北京小白世纪网络科技有限公司 肺部轮廓分割、肿瘤免疫浸润分类系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
贾树开: "深度学习在图像分割中的应用-基于深度学习的甲状腺结节超声图像分割", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114398979A (zh) * 2022-01-13 2022-04-26 四川大学华西医院 一种基于特征解耦的超声图像甲状腺结节分类方法
CN115018863A (zh) * 2022-06-15 2022-09-06 同心智医科技(北京)有限公司 基于深度学习的图像分割方法及装置
CN116245892A (zh) * 2022-12-05 2023-06-09 北京建筑大学 图像处理模型生成方法、图像处理方法及装置
CN116245892B (zh) * 2022-12-05 2024-04-12 北京建筑大学 图像处理模型生成方法、图像处理方法及装置
CN115829980A (zh) * 2022-12-13 2023-03-21 深圳核韬科技有限公司 一种眼底照片的图像识别方法、装置、设备及存储介质
CN115829980B (zh) * 2022-12-13 2023-07-25 深圳核韬科技有限公司 一种眼底照片的图像识别方法、装置、设备及存储介质
CN116563314A (zh) * 2023-03-21 2023-08-08 北京长木谷医疗科技股份有限公司 腰椎分割方法、装置、电子设备及计算机可读存储介质
CN117558414A (zh) * 2023-11-23 2024-02-13 之江实验室 多任务肝细胞癌早期复发预测系统、电子设备、介质
CN117558414B (zh) * 2023-11-23 2024-05-24 之江实验室 多任务肝细胞癌早期复发预测系统、电子设备、介质
CN117392125A (zh) * 2023-12-08 2024-01-12 中山大学附属第五医院 基于深度卷积神经网络的乳腺超声图像分析方法和系统
CN117392125B (zh) * 2023-12-08 2024-03-12 中山大学附属第五医院 基于深度卷积神经网络的乳腺超声图像分析方法和系统
CN118172557A (zh) * 2024-05-13 2024-06-11 南昌康德莱医疗科技有限公司 一种甲状腺结节超声图像分割方法

Similar Documents

Publication Publication Date Title
CN113378933A (zh) 甲状腺超声图像分类和分割网络、训练方法、装置及介质
CN111210443B (zh) 基于嵌入平衡的可变形卷积混合任务级联语义分割方法
CN110517253B (zh) 基于3d多目标特征学习的肺结节良恶性分类的方法
CN111369565A (zh) 一种基于图卷积网络的数字病理图像的分割与分类方法
CN116309648A (zh) 一种基于多注意力融合的医学图像分割模型构建方法
CN113223005B (zh) 一种甲状腺结节自动分割及分级的智能系统
Xu et al. Refined marine object detector with attention-based spatial pyramid pooling networks and bidirectional feature fusion strategy
CN110188802B (zh) 基于多层特征图融合的ssd目标检测算法
CN114241274B (zh) 一种基于超分辨率多尺度特征融合的小目标检测方法
CN112132834B (zh) 一种心室图像分割方法、系统、装置及存储介质
CN117078930A (zh) 基于边界感知和注意力机制的医学图像分割方法
CN112883887B (zh) 一种基于高空间分辨率光学遥感图像的建筑物实例自动提取方法
CN114119975A (zh) 一种语言引导的跨模态实例分割方法
Chen et al. Adaptive fusion network for RGB-D salient object detection
CN110852199A (zh) 一种基于双帧编码解码模型的前景提取方法
Wang et al. TF-SOD: a novel transformer framework for salient object detection
CN117746045B (zh) 一种Transformer和卷积融合的医学图像分割方法及系统
CN117437423A (zh) 基于sam协同学习和跨层特征聚合增强的弱监督医学图像分割方法及装置
Mo et al. A Survey of Deep Learning Road Extraction Algorithms Using High-Resolution Remote Sensing Images
Sun et al. An image object detection model based on mixed attention mechanism optimized YOLOv5
Wan et al. C2BNet: a deep learning architecture with coupled composite backbone for parasitic EGG detection in microscopic images
CN117710760A (zh) 残差的注意神经网络用于胸部x线病灶检测的方法
Mu et al. Integration of gradient guidance and edge enhancement into super‐resolution for small object detection in aerial images
Zhang et al. CSNet: a ConvNeXt-based Siamese network for RGB-D salient object detection
CN113269672A (zh) 一种超分辨率的细胞图像构建方法和系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210910

RJ01 Rejection of invention patent application after publication