CN113379757B - 用于训练脑影像分割模型的方法及脑影像分割方法 - Google Patents
用于训练脑影像分割模型的方法及脑影像分割方法 Download PDFInfo
- Publication number
- CN113379757B CN113379757B CN202110486674.7A CN202110486674A CN113379757B CN 113379757 B CN113379757 B CN 113379757B CN 202110486674 A CN202110486674 A CN 202110486674A CN 113379757 B CN113379757 B CN 113379757B
- Authority
- CN
- China
- Prior art keywords
- brain image
- labels
- brain
- segmentation model
- voxel
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 162
- 238000003709 image segmentation Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 title claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 35
- 238000002372 labelling Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 210000005013 brain tissue Anatomy 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 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
- 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
-
- 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种用于训练脑影像分割模型的方法，包括：获取脑影像数据集；利用多个分析软件对脑影像进行分割，获得多组机器标签；对部分脑影像进行人工标注，以获得人工标签；以及基于脑影像数据集及相关联的标签，通过循环执行以下步骤来迭代训练待训练的分割模型，得到目标分割模型：将脑影像输入至待训练的分割模型，以获得预测的分割结果；根据单个体素的机器标签之间的一致性，确定标签的权重；根据预测的分割结果与各个标签的差异以及权重来计算损失函数值；基于损失函数值最小化来调节待训练的分割模型的网络参数，得到当前迭代的分割模型；其中单个体素的机器标签的权重与一致性负相关。本发明还涉及分割脑影像的方法和脑影像分割装置。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及用于训练脑影像分割模型的方法、脑影像分割方法及脑影像分割装置。
背景技术
基于磁共振脑影像的分割是脑影像定量分析的一个关键步骤。研究人员们已经开发出了许多种分割算法。主要的算法可以分为三大类：1）基于图像灰度的方法。不同脑组织在MRI影像中灰度的不同，利用这种灰度的差异可以对大脑组织进行分割。常见的方法包括阈值分割、区域生长、聚类等。2）基于模板匹配的方法。使用这类方法首先需要获得一个或者多个手工精细分割的脑影像模板。待分割的影像和模板通过刚性或者非刚性的方法进行配准。配准后，通过模板上的标签就可以知道待分割影像上各个区域的标签。3）基于表面的方法。这类方法根据不同组织的形态结构差异，利用算法找出不同组织间的分界面，从而实现对于不同组织的分割。常用的软件等往往集成了一类或多类混合的方法。这些分割软件存在计算时间长、精度低、重复测试稳定性差等问题。具体地，Statistical ParametricMapping（SPM）软件利用脑影像概率模板和贝叶斯原理来计算影像中每个体素属于不同脑区的后延概率，SPM的计算速度较快，但是精度较低，从而在很多情况下不能满足科研和临床的要求。另一种分割软件Freesurfer采用基于配准的单图谱分割方法，其分割精度相对较高，但是花费时间较长。例如，采用Freesurfer在单台计算机上分割一例脑影像通常需要若干小时，在很多情况下用户无法等待这么长的时间。
基于深度学习的方法改进了很多传统的分割软件具有的问题，Isensee F,Petersen J, Klein A, et al. nnu-net: Self-adapting framework for u-net-basedmedical image segmentation[J]. arXiv preprint arXiv:1809.10486, 2018提出了U-Net神经网络的深度学习算法来训练模型。不同于对普通的影像标注，脑影像的标注需要专业人员针对脑影像中密集的大量体素逐个进行标注，人工标注的过程，通常需要耗费大量的人力物力才能得到足够的训练样本对用于进行脑影像分割的卷积神经网络模型进行训练。
另外，Sukhbaatar S, Bruna J, Paluri M, et al. Training convolutionalnetworks with noisy labels[J]. arXiv preprint arXiv:1406.2080, 2014和Bekker AJ, Goldberger J. Training deep neural-networks based on unreliable labels[C]//2016 IEEE International Conference on Acoustics, Speech and SignalProcessing (ICASSP). IEEE, 2016: 2682-2686提出了利用带有噪声标签的数据训练的卷积神经网络，这种算法考虑到了数据标签的不确定性，在传统的神经网络基础上加入了若干层神经网络对数据标签的不确定性进行建模，从而使得神经网络可以从带有不确定性的数据中学习到数据的特征。
然而，用于脑影像分割的已知的神经网络算法仍然具有缺陷，并且进一步改善脑影像分割方法的效率一直是本领域的目标。
发明内容
本发明构思是基于认识到，一些训练神经网络的方法可以使用带有一定噪声的标签来训练模型，但是这些方法等同地对待不同来源的标签。但是，对于医学影像标注，人工标注的数据往往比机器自动标注的数据具有更高的可信度，即，准确率更高。因此，本发明构思提出了，改进深度神经网络，以更有效地利用机器标注的数据和人工精确标注的数据。
根据本发明的第一方面，提供了一种用于训练脑影像分割模型的方法，包括以下步骤：
（a）获取脑影像数据集；
（b）利用多个脑影像分析软件对所述脑影像数据集中的每个脑影像进行分割，以获得包括多组机器标签的脑影像数据；
（c）对所述脑影像数据集中的部分脑影像进行人工标注，以使得部分脑影像数据包括人工标签；以及
（d）基于所述脑影像数据集及相关联的标签，来通过循环执行以下步骤对待训练的脑影像分割模型进行迭代训练，得到目标脑影像分割模型：
（d1）将所述脑影像数据集中的脑影像输入至所述待训练的脑影像分割模型中，以获得预测的脑影像分割结果；
（d2）根据所述脑影像的单个体素的所有机器标签之间的一致性，确定所述单个体素的所有标签在损失函数中的权重；
（d3）根据所述预测的脑影像分割结果分别与所述脑影像的各个标签的差异以及所述权重来计算损失函数值；以及
（d4）基于所述损失函数值最小化来调节所述待训练的脑影像分割模型的网络参数，得到当前迭代的脑影像分割模型；
其中所述单个体素的所有机器标签在损失函数中的权重与所述一致性负相关。
根据本发明的第二方面，提供了一种分割脑影像的方法，包括将检测到的脑影像输入到经训练的分割模型中，以生成所述脑影像的分割结果，其中根据第一方面所述的方法来训练并得到所述分割模型。
根据本发明的第三方面，提供了一种脑影像分割装置，包括：
脑影像获取模块，用于获取待分割的脑影像；
分割模块，用于将所述待分割的脑影像输入至预先训练的分割模型中，以得到所述待分割的脑影像的分割结果，其中根据第一方面所述的方法来训练所述分割模型。
根据本发明的第四方面，提供了一种非暂时性计算机可读存储介质，在所述非暂时性计算机可读存储介质上存储有计算机可执行指令，当由处理器电路执行所述计算机可执行指令时，所述计算机可执行指令使所述处理器电路执行根据第一方面所述的用于训练脑影像分割模型的方法。
本发明的实施方案利用传统分割方法或软件标注大量数据，利用人工精确标注少量数据，通过设计新的损失函数加权方式，使得深度神经网络可以更有效地利用这两类数据，减少模型所依赖的精确标注数据数量，从而降低标注数据的成本。
附图说明
为了更好地理解本发明且示出如何实施本发明，现在将参考附图，在附图中：
图1例示了根据本发明的一个实施方案的分割脑影像的方法的流程图。
具体实施方式
下面的描述阐述了根据本公开内容的示例实施方案。对于本领域普通技术人员而言，其他示例实施方案和实施方式将是显而易见的。此外，本领域普通技术人员将认识到，可以代替下面所讨论的实施方案或与下面讨论的实施方案相结合地应用多种等同技术，且所有这样的等同物应被认为是本公开内容所涵盖的。
根据本发明的第一方面，提供了一种用于训练脑影像分割模型的方法，包括以下步骤：
（a）获取脑影像数据集；
（b）利用多个脑影像分析软件对所述脑影像数据集中的每个脑影像进行分割，以获得包括多组机器标签的脑影像数据；
（c）对所述脑影像数据集中的部分脑影像进行人工标注，以使得部分脑影像数据包括人工标签；以及
（d）基于所述脑影像数据集及相关联的标签，来通过循环执行以下步骤对待训练的脑影像分割模型进行迭代训练，得到目标脑影像分割模型：
（d1）将所述脑影像数据集中的脑影像输入至所述待训练的脑影像分割模型中，以获得预测的脑影像分割结果；
（d2）根据所述脑影像的单个体素的所有机器标签之间的一致性，确定所述单个体素的所有标签在损失函数中的权重；
（d3）根据所述预测的脑影像分割结果分别与所述脑影像的各个标签的差异以及所述权重来计算损失函数值；以及
（d4）基于所述损失函数值最小化来调节所述待训练的脑影像分割模型的网络参数，得到当前迭代的脑影像分割模型；
其中所述单个体素的所有机器标签在损失函数中的权重与所述一致性负相关。
本领域技术人员应理解，上面对步骤的编号仅是为了描述方便，而并非限定步骤的顺序。特别地，步骤（b）和步骤（c）的顺序可以互换，步骤（d1）和步骤（d2）的顺序可以互换。
根据本发明的第一方面的优选实施方案，其中所述单个体素的人工标签在损失函数中的权重与所述一致性正相关。
根据本发明的第一方面的具体实施方案，其中所述部分脑影像占所述脑影像数据集的20%以下，优选地10%以下。
根据本发明的第一方面的具体实施方案，其中所述脑影像分割模型可以是基于U-Net神经网络的脑影像分割模型。
根据本发明的第一方面的具体实施方案，其中所述脑影像数据集中的脑影像包括X个体素，每个体素具有k个标签，所述损失函数为：
，
其中是所述脑影像分割模型为第/>个体素预测的脑影像分割结果，/>是第/>个体素的第/>个标签，/>是第/>个体素的第/>个标签在损失函数中的权重，/>表示根据和/>计算的损失，/>=1，2，……，/>，并且/>=1，2，……，/>。
根据本发明的第一方面的具体实施方案，其中所述脑影像数据集中的脑影像被分割为N个区域，所述单个体素具有M个机器标签，并且存在mj个机器标签将第x个体素分配在第j个区域，其中，
第x个体素的机器标签的一致性为：
，
其中。
根据本发明的第一方面的具体实施方案，其中所述方法还包括：
将第x个体素的机器标签的一致性归一化为，其中/>，并且是第x个体素的机器标签的一致性的最大值。
根据本发明的第一方面的具体实施方案，其中所述步骤（d2）包括：
将所述脑影像的第x个体素的多个机器标签在损失函数中的权重设置为；以及
在所述脑影像数据被人工标注的情况下，将所述脑影像数据的第x个体素的人工标签在损失函数中的权重设置为。
根据本发明的第一方面的另一个实施方案，其中所述单个体素的所有机器标签之间的一致性是所述单个体素的所有机器标签的方差。
根据本发明的第一方面的具体实施方案，其中所述多个脑影像分析软件选自由以下项构成的组：SPM软件、Freesurfer软件、采用传统分割方法的软件。
根据本发明的第二方面，提供了一种分割脑影像的方法，包括将检测到的脑影像输入到经训练的分割模型中，以生成所述脑影像的分割结果，其中根据上述第一方面所述的方法来训练并得到所述分割模型。
根据本发明的第三方面，提供了一种脑影像分割装置，包括：
脑影像获取模块，用于获取待分割的脑影像；
分割模块，用于将所述待分割的脑影像输入至预先训练的分割模型中，以得到所述待分割的脑影像的分割结果，其中根据上述第一方面所述的方法来训练所述分割模型。
根据本发明的第四方面，提供了一种非暂时性计算机可读存储介质，在所述非暂时性计算机可读存储介质上存储有计算机可执行指令，当由处理器电路执行所述计算机可执行指令时，所述计算机可执行指令使所述处理器电路执行根据上述第一方面所述的用于训练脑影像分割模型的方法。
下面将结合附图来对本发明的实施方案进行进一步详述。
图1例示了根据本发明的一个实施方案的分割脑影像的方法100的流程图。在步骤101中，获取包含大量脑影像的脑影像数据集，每一例脑影像包括多个体素。然后，在步骤102中，利用SPM软件和Freesurfer软件对脑影像数据集中的脑影像进行分割，以获得每个体素的标注结果。由于不同的软件或工具所采用的算法和参数不尽相同，同一体素可能被标注为不同的区域，即获得不同的标签。因此，通过步骤102所获得的脑影像数据包括多组机器标签。类似地，由受过专业训练的标注者对脑影像数据集中的部分脑影像进行人工标注，以使得部分脑影像数据包括人工标签，步骤103。本领域的技术人员应理解，步骤102和步骤103的执行顺序可以调换。
在步骤102中获得了多组机器标签之后，针对脑影像中的每个体素，计算所有机器标签之间的一致性，步骤104。随后，进入步骤105，在步骤105中，根据机器标签之间的一致性来设置每个体素的所有标签在损失函数中的权重。具体地，对于没有人工标签的体素，机器标签之间的一致性越高，该体素的所有机器标签的权重越低；对于具有的人工标签的体素，机器标签之间的一致性越高，该体素的人工标签越高，并且该体素的所有机器标签的权重越低。
在获取了各个标签的权重之后，基于脑影像数据集、相关联的机器标签和人工标签，来对待训练的基于U-Net神经网络的脑影像分割模型进行迭代训练，得到目标脑影像分割模型，步骤106。具体地，将脑影像数据集中的脑影像输入至待训练的脑影像分割模型中，以获得预测的脑影像分割结果；根据预测的脑影像分割结果分别与脑影像的各个标签的差异以及各个标签的权重来计算损失函数值；以及基于损失函数值最小化来调节待训练的脑影像分割模型的网络参数，得到当前迭代的脑影像分割模型。最后，部署经训练得到的目标脑影像分割模型，对输入的脑影像数据进行分割，步骤108。
采用本发明的实施方案的深度学习算法，通过调整权重，有效结合机器标注和人工标注的结果，有效地利用现有的分割软件和工具，仅需少量人工标注，就可以得到分割精度较高的分割模型、可重复性高、计算时间较短。
应注意，上述实施方案例示而非限制本发明，且本领域技术人员将能够在不背离所附权利要求的范围情况下设计许多替代实施方案。措辞“包括”或“包含”不排除权利要求中所列出的元件或步骤之外的元件或步骤的存在，“一”或“一个”不排除多个，且单个特征或其他单元可以实现权利要求中所记载的多个单元的功能。权利要求中的任何附图标记或标签均不应被解释为限制其范围。
Claims (8)
1.一种用于训练脑影像分割模型的方法，包括以下步骤：
（a）获取脑影像数据集；
（b）利用多个脑影像分析软件对所述脑影像数据集中的每个脑影像进行分割，以获得包括多组机器标签的脑影像数据；
（c）对所述脑影像数据集中的部分脑影像进行人工标注，以使得部分脑影像数据包括人工标签；以及
（d）基于所述脑影像数据集及相关联的标签，来通过循环执行以下步骤对待训练的脑影像分割模型进行迭代训练，得到目标脑影像分割模型：
（d1）将所述脑影像数据集中的脑影像输入至所述待训练的脑影像分割模型中，以获得预测的脑影像分割结果；
（d2）根据所述脑影像的单个体素的所有机器标签之间的一致性，确定所述单个体素的所有标签在损失函数中的权重，所述脑影像数据集中的脑影像包括X个体素，每个体素具有k个标签，所述损失函数为：，
其中是所述脑影像分割模型为第/>个体素预测的脑影像分割结果，/>是第/>个体素的第/>个标签，/>是第/>个体素的第/>个标签在损失函数中的权重，/>表示根据/>和计算的损失，/>=1，2，……，/>，并且/>=1，2，……，/>；
所述脑影像数据集中的脑影像被分割为N个区域，所述单个体素具有M个机器标签，并且存在mj个机器标签将第x个体素分配在第j个区域，其中，
第x个体素的机器标签的一致性为：
，
其中；
（d3）根据所述预测的脑影像分割结果分别与所述脑影像的各个标签的差异以及所述权重来计算损失函数值；以及
（d4）基于所述损失函数值最小化来调节所述待训练的脑影像分割模型的网络参数，得到当前迭代的脑影像分割模型；
其中所述单个体素的所有机器标签在损失函数中的权重与所述一致性负相关，所述单个体素的人工标签在损失函数中的权重与所述一致性正相关。
2.根据权利要求1所述的方法，其特征在于，所述部分脑影像占所述脑影像数据集的20%以下。
3.根据权利要求2所述的方法，其特征在于，所述部分脑影像占所述脑影像数据集的10%以下。
4.根据权利要求1所述的方法，其特征在于，所述脑影像分割模型是基于U-Net神经网络的脑影像分割模型。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将第x个体素的机器标签的一致性归一化为，其中/>，并且是第x个体素的机器标签的一致性的最大值。
6.根据权利要求5所述的方法，其特征在于，所述步骤（d2）包括：
将所述脑影像的第x个体素的多个机器标签在损失函数中的权重设置为；以及
在所述脑影像数据被人工标注的情况下，将所述脑影像数据的第x个体素的人工标签在损失函数中的权重设置为。
7.根据权利要求1所述的方法，其特征在于，所述单个体素的所有机器标签之间的一致性是所述单个体素的所有机器标签的方差。
8.根据权利要求1所述的方法，其特征在于，所述多个脑影像分析软件选自由以下项构成的组：SPM软件、Freesurfer软件、采用传统分割方法的软件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110486674.7A CN113379757B (zh) | 2021-05-01 | 2021-05-01 | 用于训练脑影像分割模型的方法及脑影像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110486674.7A CN113379757B (zh) | 2021-05-01 | 2021-05-01 | 用于训练脑影像分割模型的方法及脑影像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113379757A CN113379757A (zh) | 2021-09-10 |
| CN113379757B true CN113379757B (zh) | 2024-04-12 |
Family
ID=77570462
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110486674.7A Active CN113379757B (zh) | 2021-05-01 | 2021-05-01 | 用于训练脑影像分割模型的方法及脑影像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113379757B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116350227B (zh) * | 2023-05-31 | 2023-09-22 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种脑磁图棘波的个体化检测方法、系统及储存介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107545577A (zh) * | 2017-08-23 | 2018-01-05 | 电子科技大学 | 基于神经网络的沉积相图像分割方法 |
| CN109741332A (zh) * | 2018-12-28 | 2019-05-10 | 天津大学 | 一种人机协同的图像分割与标注方法 |
| CN109741347A (zh) * | 2018-12-30 | 2019-05-10 | 北京工业大学 | 一种基于卷积神经网络的迭代学习的图像分割方法 |
| CN110533668A (zh) * | 2019-07-30 | 2019-12-03 | 北京理工大学 | 基于统计约束损失函数的脑梗塞病灶自动分割方法 |
| CN110675421A (zh) * | 2019-08-30 | 2020-01-10 | 电子科技大学 | 基于少量标注框的深度图像协同分割方法 |
| CN110853048A (zh) * | 2019-10-14 | 2020-02-28 | 北京缙铖医疗科技有限公司 | 基于粗、精训练的mri图像分割方法、装置和存储介质 |
| CN110930416A (zh) * | 2019-11-25 | 2020-03-27 | 宁波大学 | 一种基于u型网络的mri图像前列腺分割方法 |
| CN112529909A (zh) * | 2020-12-08 | 2021-03-19 | 北京安德医智科技有限公司 | 一种基于图像补全的肿瘤图像脑区分割方法及系统 |
-
2021
- 2021-05-01 CN CN202110486674.7A patent/CN113379757B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107545577A (zh) * | 2017-08-23 | 2018-01-05 | 电子科技大学 | 基于神经网络的沉积相图像分割方法 |
| CN109741332A (zh) * | 2018-12-28 | 2019-05-10 | 天津大学 | 一种人机协同的图像分割与标注方法 |
| CN109741347A (zh) * | 2018-12-30 | 2019-05-10 | 北京工业大学 | 一种基于卷积神经网络的迭代学习的图像分割方法 |
| CN110533668A (zh) * | 2019-07-30 | 2019-12-03 | 北京理工大学 | 基于统计约束损失函数的脑梗塞病灶自动分割方法 |
| CN110675421A (zh) * | 2019-08-30 | 2020-01-10 | 电子科技大学 | 基于少量标注框的深度图像协同分割方法 |
| CN110853048A (zh) * | 2019-10-14 | 2020-02-28 | 北京缙铖医疗科技有限公司 | 基于粗、精训练的mri图像分割方法、装置和存储介质 |
| CN110930416A (zh) * | 2019-11-25 | 2020-03-27 | 宁波大学 | 一种基于u型网络的mri图像前列腺分割方法 |
| CN112529909A (zh) * | 2020-12-08 | 2021-03-19 | 北京安德医智科技有限公司 | 一种基于图像补全的肿瘤图像脑区分割方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| A fully convolutional network for quick and accurate segmentation of neuroanatomy;Abhijit Guha Roy 等;《NeuroImage》;第186 卷;第 713-727 页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113379757A (zh) | 2021-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111091589B (zh) | 基于多尺度监督学习的超声和核磁图像配准方法及装置 | |
| CN110310287B (zh) | 基于神经网络的危及器官自动勾画方法、设备和存储介质 | |
| CN109949276B (zh) | 一种于改进SegNet分割网络的淋巴结检测方法 | |
| CN112365980B (zh) | 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及系统 | |
| Lei et al. | Magnetic resonance imaging-based pseudo computed tomography using anatomic signature and joint dictionary learning | |
| CN107169974A (zh) | 一种基于多监督全卷积神经网络的图像分割方法 | |
| CN108550156B (zh) | 用于图像引导治疗计划的结构形状的自动描绘的方法和装置 | |
| US20080101676A1 (en) | System and Method For Segmenting Chambers Of A Heart In A Three Dimensional Image | |
| CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
| CN111488914A (zh) | 一种基于多任务学习的阿尔茨海默症分类及预测系统 | |
| CN111242233B (zh) | 一种基于融合网络的阿尔兹海默病分类方法 | |
| CN108010048B (zh) | 一种基于多图谱的自动脑部mri图像的海马体分割方法 | |
| CN112734764A (zh) | 一种基于对抗网络的无监督医学图像分割方法 | |
| CN108764280B (zh) | 一种基于症状向量的医学数据处理方法和系统 | |
| CN110992351A (zh) | 基于多输入卷积神经网络的sMRI图像分类方法和装置 | |
| CN112070781A (zh) | 颅脑断层扫描图像的处理方法、装置、存储介质及电子设备 | |
| CN110110727A (zh) | 基于条件随机场和贝叶斯后处理的图像分割方法 | |
| CN112581483B (zh) | 基于自学习的植物叶片叶脉分割方法和装置 | |
| CN111080658A (zh) | 基于可形变配准和dcnn的宫颈mri图像分割方法 | |
| CN112750137A (zh) | 基于深度学习的肝脏肿瘤分割方法及系统 | |
| CN113379757B (zh) | 用于训练脑影像分割模型的方法及脑影像分割方法 | |
| CN116385373A (zh) | 结合稳定学习与混合增强的病理学图像分类方法及系统 | |
| CN117392473A (zh) | 基于多模态原型网络的可解释医学图像分类系统 | |
| Li et al. | Prism: A promptable and robust interactive segmentation model with visual prompts | |
| CN113487579B (zh) | 自动勾画模型的多模态迁移方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |