CN113379770A - 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 - Google Patents
鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 Download PDFInfo
- Publication number
- CN113379770A CN113379770A CN202110744876.7A CN202110744876A CN113379770A CN 113379770 A CN113379770 A CN 113379770A CN 202110744876 A CN202110744876 A CN 202110744876A CN 113379770 A CN113379770 A CN 113379770A
- Authority
- CN
- China
- Prior art keywords
- nasopharyngeal carcinoma
- mask
- feature
- target
- nasopharyngeal
- 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.)
- Granted
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
- G06F18/25—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Abstract
本发明公开了一种鼻咽癌MR图像分割网络的构建方法、图像分割方法及装置,其中,构建方法包括:对获取的鼻咽癌MR样本图像组进行特征提取,得到不同尺度的多个特征图;基于注意力机制对多个特征图中通道数量最大的特征图进行处理,得到注意力增强后的目标特征图;进一步对此目标特征图进行多尺度特征增强,得到中间掩膜;对中间掩膜进行多次上采样,得到与鼻咽癌MR样本图像组尺寸相同的目标分割掩膜;其中,每一次对中间掩膜进行上采样后,获取多个特征图中与当前中间掩膜尺寸相同的特征图,根据所述特征图的特征信息修正中间掩膜。上述方法能够得到更加准确的鼻咽癌MR图像分割结果,有效提高图像分割结果的准确率。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种鼻咽癌MR图像分割网络的构建方法、图像分割方法及装置。
背景技术
在医学领域的实际临床诊断中,通常需要从CT、MRI等医学图像中定位出病灶,从而定位出病变原因。随着机器学习技术的迅速发展,目前可应用图像分割方法对医学图像中的器官、肿瘤等进行自动分割。
然而,在鼻咽癌患者的MR图像中,由于鼻咽癌原发灶与转移性淋巴结两类区域之间边界模糊,现有的图像分割方法在自动分割鼻咽癌MR图像时,无法准确地识别出两类区域在MR图像中的位置信息,所得到的图像分割结果准确率低。
发明内容
针对上述技术问题,本发明提供一种鼻咽癌MR图像分割网络的构建方法、图像分割方法及装置,可以提高鼻咽癌MR图像分割结果准确率。该技术方案如下:
第一方面,本发明提供一种鼻咽癌MR图像分割网络的构建方法,包括:
对获取的鼻咽癌MR样本图像组进行特征提取处理,得到不同尺度的多个特征图;
基于注意力机制对所述多个特征图中通道数量最大的特征图进行处理,得到注意力增强后的目标特征图;
对所述目标特征图进行特征处理,得到中间掩膜,所述中间掩膜包含所述鼻咽癌MR样本图像组中候选目标区域的信息;
对所述中间掩膜进行多次上采样,得到与所述鼻咽癌MR样本图像组尺寸相同的目标分割掩膜,所述目标分割掩膜用于识别目标区域在所述鼻咽癌MR样本图像组中的位置信息;其中,
每一次对所述中间掩膜进行上采样后,获取所述多个特征图中与当前中间掩膜尺寸相同的特征图;
根据所述特征图的特征信息修正所述中间掩膜。
作为第一方面的进一步改进,所述基于注意力机制对所述多个特征图中通道数量最大的特征图进行处理,得到注意力增强后的目标特征图,包括:
获取所述多个特征图中通道数量最大的特征图;
通过注意力机制分别生成所述特征图在空间方向和通道方向的注意力图;
将所述特征图在空间方向和通道方向的注意力图进行融合处理,得到注意力增强后的目标特征图。
所述对所述目标特征图进行特征处理,得到中间掩膜,包括:
通过密集空洞空间金字塔池化ASPP网络提取所述目标特征图的多个特征层次,并对所述多个特征层次进行特征融合处理,得到粗糙掩膜;
通过对象上下文表示OCR网络对所述粗糙掩膜进行处理,得到目标区域边界增强的中间掩膜。
可选的,通过双线性插值法对所述中间掩膜进行多次上采样。
第二方面,本发明提供一种鼻咽癌MR图像分割方法,包括:
获取待处理鼻咽癌MR图像组,所述待处理鼻咽癌MR图像组包括多种模态鼻咽癌MR图像;
将所述待处理鼻咽癌MR图像组输入至训练完成的鼻咽癌MR图像分割网络;
通过所述鼻咽癌MR图像分割网络中的目标分割掩膜,得到所述待处理鼻咽癌MR图像组中的目标区域信息。
第三方面,本发明提供一种鼻咽癌MR图像分割网络的构建装置,包括:
特征提取模块,用于对获取的鼻咽癌MR样本图像组进行特征提取处理,得到不同尺度的多个特征图;
位置增强模块,用于基于注意力机制对所述多个特征图中通道数量最大的特征图进行处理,得到注意力增强后的目标特征图;
尺度增强模块,用于对所述目标特征图进行特征处理,得到中间掩膜,所述中间掩膜包含所述鼻咽癌MR样本图像组中候选目标区域的信息;
边界增强模块,用于对所述中间掩膜进行多次上采样,得到与所述鼻咽癌MR样本图像组尺寸相同的目标分割掩膜,所述目标分割掩膜用于识别目标区域在所述鼻咽癌MR样本图像组中的位置信息;其中,
每一次对所述中间掩膜进行上采样时,获取所述多个特征图中与当前中间掩膜尺寸相同的特征图;
每一次对所述中间掩膜进行上采样后,获取所述多个特征图中与当前中间掩膜尺寸相同的特征图;
根据所述特征图的特征信息修正所述中间掩膜。
第四方面,本发明提供一种鼻咽癌MR图像分割装置,包括:
输入模块,用于获取待处理鼻咽癌MR图像组,所述待处理鼻咽癌MR图像组包括多种模态鼻咽癌MR图像;
处理模块,用于将所述待处理鼻咽癌MR图像组输入至训练完成的鼻咽癌MR图像分割网络;
输出模块,用于通过所述鼻咽癌MR图像分割网络中的目标分割掩膜,得到所述待处理鼻咽癌MR图像组中的目标区域信息。
第五方面,本发明提供一种数据处理设备,包括处理器,所述处理器和存储器耦合,所述存储器存储有程序,所述程序由所述处理器执行,使得所述数据处理设备执行第一方面所述的鼻咽癌MR图像分割网络的构建方法,以及第二方面所述的鼻咽癌MR图像分割方法。
第六方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上述第一方面所述的鼻咽癌MR图像分割网络的构建方法,以及第二方面所述的鼻咽癌MR图像分割方法。
相比现有技术,本发明的有益效果在于:
本发明针对鼻咽癌原发灶和转移性淋巴结的不同形态特征,提供了一种鼻咽癌MR图像分割网络的构建方法、图像分割方法及装置,通过增强多模态鼻咽癌MR图像组中目标区域的特征表示,以及修正目标分割掩膜中的低置信度预测信息,以同时得到鼻咽癌MR图像中鼻咽癌原发灶和转移性淋巴结两类区域位置的精确识别结果,相对比现有的图像分割技术,能够有效提高鼻咽癌MR图像分割结果的准确率。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍。
图1是本发明实施例提供的鼻咽癌MR图像分割方法的流程示意图;
图2是本发明实施例提供的鼻咽癌MR图像分割网络构建方法的流程示意图;
图3是本发明实施例提供的鼻咽癌MR图像分割网络的模型架构图;
图4是本发明实施例提供的鼻咽癌MR图像分割网络中位置增强模块的架构图;
图5是本发明实施例提供的鼻咽癌MR图像分割网络中尺度增强模块的架构图;
图6是本发明实施例提供的鼻咽癌MR图像分割网络中边界增强模块的架构图;
图7是本发明实施例提供的鼻咽癌MR图像分割网络的构建装置的结构框图;
图8是本发明实施例提供的鼻咽癌MR图像病灶分割装置的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
第一方面,如图1所示,本发明一个实施例提供一种鼻咽癌MR图像分割方法,包括以下步骤:
S11:获取待处理鼻咽癌MR图像组,所述待处理鼻咽癌MR图像组包括多种模态鼻咽癌MR图像。
MR图像是通过核磁共振成像技术得到的医学影像。作为鼻咽癌诊断、分期和治疗随诊中最常用的影像学检查方法之一,通过对鼻咽癌患者的MR医学影像进行分析,可以获取肿瘤特征关键信息。鼻咽癌MR图像通常包括T1加权(T1),T2加权(T2)和对比度增强的T1加权(T1c)三种模态,在本实施例中,获取待识别的鼻咽癌MR图像的所述三种模态作为输入数据。
S12;将所述待处理鼻咽癌MR图像组输入至训练完成的鼻咽癌MR图像分割网络。
S13;通过所述鼻咽癌MR图像分割网络中的目标分割掩膜,得到所述待处理鼻咽癌MR图像组中的目标区域信息。
第二方面,如图2所示,本发明一个实施例提供一种鼻咽癌MR图像分割网络的构建方法,所构建的鼻咽癌MR图像分割网络可用于接收待处理的鼻咽癌MR图像组,并输出待处理鼻咽癌MR图像组中的目标区域信息。
具体地,构建鼻咽癌MR图像分割网络包括下述流程:
S21:对获取的鼻咽癌MR样本图像组进行特征提取处理,得到不同尺度的多个特征图。
在本实施例中,所获取的鼻咽癌MR样本图像组包括鼻咽癌MR图像的三种模态,作为鼻咽癌MR图像分割网络的训练集。
参照图3,可将鼻咽癌MR样本图像组导入骨干网络中进行特征提取处理,以得到不同尺度的多个特征图。
具体地,可设置ResNet-101网络为鼻咽癌MR图像分割网络中的骨干网络,其中,在ResNet-101网络的最后两个下采样层中,采用空洞卷积的方式保持所得到的特征图尺寸不变。
在本实施例中,可利用在ImageNet数据集上预训练的权重对骨干网络的骨干参数进行初始化,其他参数则进行随机初始化。
S22:基于注意力机制对所述多个特征图中通道数量最大的特征图进行处理,得到注意力增强后的目标特征图。
鼻咽癌原发灶通常位于医学图像中的不同位置,其特征信息往往较分散;同时,巨大而复杂的背景也可能是特征表示的主要特征,这使得传统的神经网络往往难以从鼻咽癌MR图像中提取到目标区域的识别性特征。
对此,参照图4,本发明首先获取多个特征图中通道数量最大的特征图,即骨干网络输出的最后一层特征图,再通过注意力机制分别生成该特征图在空间方向和通道方向的注意力图。
得到该特征图在空间方向和通道方向的两个注意力图后,分别通过两个注意力图对所述特征图进行加权处理,以增强所述特征图的特征表示。
最后,对该特征图在空间方向和通道方向的两个注意力图进行融合处理,得到注意力增强后的目标特征图,该目标特征图能够聚焦于鼻咽癌靶区目标的常见区域,减少复杂背景带来的干扰。
具体地,可采用两个注意力图中对应位置的元素取较大值的方式对两个注意力图进行融合处理。
S23:对所述目标特征图进行特征处理,得到中间掩膜,所述中间掩膜包含所述鼻咽癌MR样本图像组中候选目标区域的信息。
参照图5,首先,将S22得到的目标特征图输入至密集空洞空间金字塔池化(ASPP)网络中,以提取目标特征图的多个特征层次,再将所提取的多个特征层次进行融合处理。
具体地,通过五个不同扩张率的并行空洞卷积分支对目标特征图进行卷积,再依次通过1×1卷积、批量标准化(Batch Normalization,BN)、ReLU激活函数以及1×1卷积生成粗糙掩膜。
考虑须对鼻咽癌原发灶和转移性淋巴结两类目标区域进行同时准确区分,本发明通过对象上下文表示(Object-Contextual Representations,OCR)网络对所生成的粗糙掩膜进行进一步的精细化处理,利用目标上下文信息结合所生成的粗糙掩膜,进一步增强融合特征,以得到目标区域边界增强的中间掩膜。
S24:对所述中间掩膜进行多次上采样,得到与所述鼻咽癌MR样本图像组尺寸相同的目标分割掩膜,所述目标分割掩膜用于识别目标区域在所述鼻咽癌MR样本图像组中的位置信息;其中,每一次对所述中间掩膜进行上采样后,获取所述多个特征图中与当前中间掩膜尺寸相同的特征图;根据所述特征图的特征信息修正所述中间掩膜。
在一个具体实施例中,可通过双线性插值法对所述中间掩膜进行多次上采样,逐步提升中间掩膜的尺寸,直至与鼻咽癌MR图像组的尺寸相同。
参照图6,每一次对中间掩膜进行上采样后,得到当前中间掩膜的低置信度预测及其位置;同时,获取骨干网络所提取的多个特征图中与当前中间掩膜尺寸相同的特征图,获取所述特征图中与当前中间掩膜低置信度预测对应的特征。
将当前中间掩膜的低置信度预测以及特征图的对应特征输入至多层感知机(MLP)中,将所得到的输出结果替换所述低置信度预测,以完成当前中间掩膜的修正。
经过多次上采样和对应的修正操作后,得到最终的目标分割掩膜。
在具体的实施例中,可根据临床应用需求,将目标分割掩膜保存为不同格式文件,或进行不同后处理操作。
本发明上述鼻咽癌MR图像分割网络的构建方法利用鼻咽癌原发灶和转移性淋巴结的不同形态特征,通过特征增强、特征融合以及掩膜修正构建高性能的鼻咽癌MR图像分割网络,有效解决了鼻咽癌病灶分割中的病灶位置可变、病灶大小可变和病灶边界不规则问题,实现鼻咽癌MR图像中鼻咽癌原发灶和转移性淋巴结两类区域的精准区分。
如图7所示,第三方面,本发明另一实施例提供一种鼻咽癌MR图像分割网络的构建装置,包括特征提取模块101、位置增强模块102、尺度增强模块103和边界增强模块104。
特征提取模块101用于对获取的鼻咽癌MR样本图像组进行特征提取处理,得到不同尺度的多个特征图。
位置增强模块102用于基于注意力机制对所述多个特征图中通道数量最大的特征图进行处理,得到注意力增强后的目标特征图。
尺度增强模块103用于对所述目标特征图进行特征处理,得到中间掩膜,所述中间掩膜包含所述鼻咽癌MR样本图像组中候选目标区域的信息。
边界增强模块104用于对所述中间掩膜进行多次上采样,得到与所述鼻咽癌MR样本图像组尺寸相同的目标分割掩膜,所述目标分割掩膜用于识别目标区域在所述鼻咽癌MR样本图像组中的位置信息;其中,每一次对所述中间掩膜进行上采样后,获取所述多个特征图中与当前中间掩膜尺寸相同的特征图;根据所述特征图的特征信息修正所述中间掩膜。
如图8所示,第四方面,本发明又一实施例提供一种鼻咽癌MR图像分割装置,包括输入模块201、处理模块202和输出模块203。
输入模块201用于获取待处理鼻咽癌MR图像组,所述待处理鼻咽癌MR图像组包括多种模态鼻咽癌MR图像;
处理模块202用于将所述待处理鼻咽癌MR图像组输入至训练完成的鼻咽癌MR图像分割网络;
输出模块203用于通过所述鼻咽癌MR图像分割网络中的目标分割掩膜,得到所述待处理鼻咽癌MR图像组中的目标区域信息。
上述装置内的各模块之间信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
第五方面,本发明提供一种数据处理设备,包括处理器,所述处理器和存储器耦合,所述存储器存储有程序,所述程序由所述处理器执行,使得所述数据处理设备执行第一方面所述的鼻咽癌MR图像分割网络的构建方法,以及第二方面所述的鼻咽癌MR图像分割方法。
第六方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上述第一方面所述的鼻咽癌MR图像分割网络的构建方法,以及第二方面所述的鼻咽癌MR图像分割方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可监听存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种鼻咽癌MR图像分割网络的构建方法,其特征在于,包括:
对获取的鼻咽癌MR样本图像组进行特征提取处理,得到不同尺度的多个特征图;
基于注意力机制对所述多个特征图中通道数量最大的特征图进行处理,得到注意力增强后的目标特征图;
对所述目标特征图进行特征处理,得到中间掩膜,所述中间掩膜包含所述鼻咽癌MR样本图像组中候选目标区域的信息;
对所述中间掩膜进行多次上采样,得到与所述鼻咽癌MR样本图像组尺寸相同的目标分割掩膜,所述目标分割掩膜用于识别目标区域在所述鼻咽癌MR样本图像组中的位置信息;其中,
每一次对所述中间掩膜进行上采样后,获取所述多个特征图中与当前中间掩膜尺寸相同的特征图;
根据所述特征图的特征信息修正所述中间掩膜。
2.根据权利要求1所述的鼻咽癌MR图像分割网络的构建方法,其特征在于,所述基于注意力机制对所述多个特征图中通道数量最大的特征图进行处理,得到注意力增强后的目标特征图,包括:
获取所述多个特征图中通道数量最大的特征图;
通过注意力机制分别生成所述特征图在空间方向和通道方向的注意力图;
将所述特征图在空间方向和通道方向的注意力图进行融合处理,得到注意力增强后的目标特征图。
3.根据权利要求1所述的鼻咽癌MR图像分割网络的构建方法,其特征在于,所述对所述目标特征图进行特征处理,得到中间掩膜,包括:
通过密集空洞空间金字塔池化ASPP网络提取所述目标特征图的多个特征层次,并对所述多个特征层次进行特征融合处理,得到粗糙掩膜;
通过对象上下文表示OCR网络对所述粗糙掩膜进行处理,得到目标区域边界增强的中间掩膜。
4.根据权利要求1所述的鼻咽癌MR图像分割网络的构建方法,其特征在于,通过双线性插值法对所述中间掩膜进行多次上采样。
5.一种鼻咽癌MR图像分割方法,其特征在于,包括:
获取待处理鼻咽癌MR图像组,所述待处理鼻咽癌MR图像组包括多种模态鼻咽癌MR图像;
将所述待处理鼻咽癌MR图像组输入至训练完成的鼻咽癌MR图像分割网络;
通过所述鼻咽癌MR图像分割网络中的目标分割掩膜,得到所述待处理鼻咽癌MR图像组中的目标区域信息。
6.一种鼻咽癌MR图像分割网络的构建装置,其特征在于,包括:
特征提取模块,用于对获取的鼻咽癌MR样本图像组进行特征提取处理,得到不同尺度的多个特征图;
位置增强模块,用于基于注意力机制对所述多个特征图中通道数量最大的特征图进行处理,得到注意力增强后的目标特征图;
尺度增强模块,用于对所述目标特征图进行特征处理,得到中间掩膜,所述中间掩膜包含所述鼻咽癌MR样本图像组中候选目标区域的信息;
边界增强模块,用于对所述中间掩膜进行多次上采样,得到与所述鼻咽癌MR样本图像组尺寸相同的目标分割掩膜,所述目标分割掩膜用于识别目标区域在所述鼻咽癌MR样本图像组中的位置信息;其中,
每一次对所述中间掩膜进行上采样时,获取所述多个特征图中与当前中间掩膜尺寸相同的特征图;
每一次对所述中间掩膜进行上采样后,获取所述多个特征图中与当前中间掩膜尺寸相同的特征图;
根据所述特征图的特征信息修正所述中间掩膜。
7.一种鼻咽癌MR图像分割装置,其特征在于,包括:
输入模块,用于获取待处理鼻咽癌MR图像组,所述待处理鼻咽癌MR图像组包括多种模态鼻咽癌MR图像;
处理模块,用于将所述待处理鼻咽癌MR图像组输入至训练完成的鼻咽癌MR图像分割网络;
输出模块,用于通过所述鼻咽癌MR图像分割网络中的目标分割掩膜,得到所述待处理鼻咽癌MR图像组中的目标区域信息。
8.一种数据处理设备,其特征在于,包括:
处理器,所述处理器和存储器耦合,所述存储器存储有程序,所述程序由所述处理器执行,使得所述数据处理设备执行如权利要求1至4中任一项所述的鼻咽癌MR图像分割网络的构建方法,以及如权利要求5所述的鼻咽癌MR图像分割方法。
9.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令用于执行上述权利要求1至4中任一项所述的鼻咽癌MR图像分割网络的构建方法,以及如权利要求5所述的鼻咽癌MR图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110744876.7A CN113379770B (zh) | 2021-06-30 | 2021-06-30 | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110744876.7A CN113379770B (zh) | 2021-06-30 | 2021-06-30 | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379770A true CN113379770A (zh) | 2021-09-10 |
CN113379770B CN113379770B (zh) | 2023-04-07 |
Family
ID=77580520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110744876.7A Active CN113379770B (zh) | 2021-06-30 | 2021-06-30 | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379770B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116894842A (zh) * | 2023-09-08 | 2023-10-17 | 南方医科大学南方医院 | 肿瘤腹腔种植转移病灶图像处理方法及相关装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091576A (zh) * | 2020-03-19 | 2020-05-01 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、设备及存储介质 |
CN112233135A (zh) * | 2020-11-11 | 2021-01-15 | 清华大学深圳国际研究生院 | 眼底图像中视网膜血管分割方法及计算机可读存储介质 |
CN112465801A (zh) * | 2020-12-09 | 2021-03-09 | 北京航空航天大学 | 一种分尺度提取掩码特征的实例分割方法 |
CN112837330A (zh) * | 2021-03-02 | 2021-05-25 | 中国农业大学 | 基于多尺度双注意力机制和全卷积神经网络的叶分割方法 |
-
2021
- 2021-06-30 CN CN202110744876.7A patent/CN113379770B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091576A (zh) * | 2020-03-19 | 2020-05-01 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、设备及存储介质 |
CN112233135A (zh) * | 2020-11-11 | 2021-01-15 | 清华大学深圳国际研究生院 | 眼底图像中视网膜血管分割方法及计算机可读存储介质 |
CN112465801A (zh) * | 2020-12-09 | 2021-03-09 | 北京航空航天大学 | 一种分尺度提取掩码特征的实例分割方法 |
CN112837330A (zh) * | 2021-03-02 | 2021-05-25 | 中国农业大学 | 基于多尺度双注意力机制和全卷积神经网络的叶分割方法 |
Non-Patent Citations (4)
Title |
---|
J. ZHOU ET AL.: "NASOPHARYNGEAL CARCINOMA LESION SEGMENTATION FROM MR IMAGES BY SUPPORT VECTOR MACHINE", 《IEEE》 * |
PÉTER BÁNDI ET AL.: "From Detection of Individual Metastases to Classification of Lymph Node Status at the Patient Level: The CAMELYON17 Challenge", 《IEEE》 * |
YANG LI ET AL: "Coarse-to-fine Nasopharyngeal Carcinoma Segmentation in MRI via Multi-stage Rendering", 《2020 IEEE INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND BIOMEDICINE (BIBM)》 * |
YUHUI YUAN ET AL: "Segmentation Transformer: OCR for Semantic Segmentation", 《ARXIV:1909.11065V6 [CS.CV]》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116894842A (zh) * | 2023-09-08 | 2023-10-17 | 南方医科大学南方医院 | 肿瘤腹腔种植转移病灶图像处理方法及相关装置 |
CN116894842B (zh) * | 2023-09-08 | 2023-12-22 | 南方医科大学南方医院 | 肿瘤腹腔种植转移病灶图像处理方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113379770B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11403750B2 (en) | Localization and classification of abnormalities in medical images | |
CN111784671B (zh) | 基于多尺度深度学习的病理图像病灶区域检测方法 | |
Soni et al. | Light weighted healthcare CNN model to detect prostate cancer on multiparametric MRI | |
CN113516659B (zh) | 一种基于深度学习的医学影像自动分割方法 | |
CN107563434B (zh) | 一种基于三维卷积神经网络的脑部mri图像分类方法、装置 | |
CN105809175B (zh) | 一种基于支持向量机算法的脑水肿分割方法及系统 | |
JP2023540910A (ja) | 病変検出のための共同訓練を伴う接続機械学習モデル | |
RU2654199C1 (ru) | Сегментация тканей человека на компьютерном изображении | |
CN112862805B (zh) | 听神经瘤图像自动化分割方法及系统 | |
CN114758137B (zh) | 超声图像分割方法、装置及计算机可读存储介质 | |
CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN112750137A (zh) | 基于深度学习的肝脏肿瘤分割方法及系统 | |
CN115311193A (zh) | 一种基于双重注意力机制的异常脑图像分割方法及系统 | |
CN109215035B (zh) | 一种基于深度学习的脑部mri海马体三维分割方法 | |
CN113379770B (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 | |
CN114693671B (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
CN115965785A (zh) | 图像分割方法、装置、设备、程序产品及介质 | |
CN111815569B (zh) | 基于深度学习的图像分割方法、装置、设备和存储介质 | |
CN114998582A (zh) | 一种冠脉血管的分割方法、装置及存储介质 | |
Mohammedhasan et al. | A new deeply convolutional neural network architecture for retinal blood vessel segmentation | |
Carmo et al. | Extended 2d volumetric consensus hippocampus segmentation | |
Thiruvenkadam et al. | Fully automatic brain tumor extraction and tissue segmentation from multimodal MRI brain images | |
CN114612373A (zh) | 一种图像识别方法及服务器 | |
CN113822846A (zh) | 医学图像中确定感兴趣区域的方法、装置、设备及介质 | |
KR20220121141A (ko) | 혈액을 전달하는 신체 구성요소를 분할하는 방법 및 장치 |
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 |