CN113470042A - 肺部ct图像的支气管分割方法及相关系统和存储介质 - Google Patents
肺部ct图像的支气管分割方法及相关系统和存储介质 Download PDFInfo
- Publication number
- CN113470042A CN113470042A CN202110583733.2A CN202110583733A CN113470042A CN 113470042 A CN113470042 A CN 113470042A CN 202110583733 A CN202110583733 A CN 202110583733A CN 113470042 A CN113470042 A CN 113470042A
- Authority
- CN
- China
- Prior art keywords
- image
- lung
- boundary
- segmentation
- training
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 68
- 210000004072 lung Anatomy 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 39
- 210000000621 bronchi Anatomy 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000002372 labelling Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 7
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims 2
- 238000002591 computed tomography Methods 0.000 description 28
- 238000013527 convolutional neural network Methods 0.000 description 7
- 210000003437 trachea Anatomy 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 201000009267 bronchiectasis Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001356 surgical procedure Methods 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
- G06T7/11—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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供一种肺部CT图像的支气管分割方法,包括:(a)获取肺部CT图像并进行支气管的标注;(b)对肺部CT图像进行预处理,包括肺实质提取和数据归一化,并计算图像对应的肺边界距离图;(c)将预处理后的图像、体素坐标及其到肺边界距离图输入到3D Unet网络模型进行端到端训练,得到3D Unet训练模型,其中在训练过程中,采用拉普拉斯过滤器来增强图像的边界区域,并计算边界增强损失(LBE)和Dice损失;(d)基于所得到的3D Unet训练模型进行支气管分割。本申请将CT图像的体素坐标及其到肺边界的距离作为额外的语义信息输入到支气管分割模型,并在模型训练过程中引入边界增强损失,最大程度上改善气管边界区域的分割性能,减少气管分割的泄露和断裂。
Description
技术领域
本发明涉及肺部CT图像的处理,特别是肺部CT图像的支气管分割方法及相关系统,以及相应的计算机存储介质。
背景技术
众多肺部疾病包括支气管扩张、慢性阻塞性肺疾病(COPD)和肺癌,对人类健康构成巨大的威胁。标准的计算机断层扫描(CT,computed tomography)成像能帮助放射科医生检测病变。对于气管和支气管外科,在CT扫描上重建气管树模型通常被认为是疾病诊断的先决条件。由于其树状结构以及大小、形状和强度的多样性,手动分割支气管气道非常耗时耗力。
目前已经有研究学者提出了几种基于CT图像的气道分割方法。Van Rikxoort等人提出了一种自适应阈值的区域生长方法。Xu等人在模糊连通性分割框架内结合了两种管状结构增强技术。Lo等人设计了一种基于学习的方法,对气道外观进行建模,并利用血管方向相似性。在EXACT’09的挑战中,Lo等人总结了15种气道提取算法,大多数算法采用区域生长,并附加了管状相似度等约束条件。虽然这些传统的方法成功地分割了大尺寸的支气管,但对周围支气管的分割效果较差。
最近,卷积神经网络(CNNs, convolutional neural networks)越来越多地被用于分割任务。对于气道提取,基于CNN的方法被开发出来,并被证明优于Lo等人总结的气道提取算法。Charbonnier等人和Yun等人在已经粗分的支气管上分别使用二维(2-D)和2.5-DCNN,以减少假阳性并增加被检测树的长度。Meng等人将基于CNN的分割嵌入到气道感兴趣体积(VOI)跟踪框架中。金等人对CNN的概率输出进行了基于图模型的优化。Juarez等人设计了一种前后处理简单的端到端CNN模型。
尽管这些方法对气管分割有初步的效果,但在小支气管的分割上仍然存在泄露和断裂的情况。经过观察发现,这些存在泄露和断裂的气管在CT图像上的直径较小,边缘模糊,与周围组织的对比度较低,这导致气管边界区域的识别困难。最近,基于神经网络的方法已被广泛用于分割任务取得了非常先进的性能。这些模型架构采用卷积编码器和解码器的U形方式 (Unet),将图像作为直接的输入和输出分割掩码。此外,这些模型使用基于梯度的优化进行端到端的训练,目标是最小化公认的损失函数,例如多类加权交叉熵、DICE损失。虽然这样的损失函数能够处理医学图像分割任务中经常出现的类不平衡问题,但边界问题没有得到很好的解决,因为这些函数平等地对待所有像素/体素。
发明内容
为改善气管边界区域的分割性能,减少气管分割的泄露和断裂,本申请利用体素的坐标及其到肺边界的距离作为额外的语义信息,并在模型训练过程中引入边界增强损失,在训练过程中显式地聚焦于边界区域,以改善深度神经网络的边界分割,从而提供一种肺部CT图像的支气管分割的新方法、系统及相应的计算机可读介质。
因此,在一个方面,本申请提供一种肺部CT图像的支气管分割方法,所述方法包括:(a)获取肺部CT图像并进行支气管的标注;(b)对肺部CT图像进行预处理,包括肺实质提取和数据归一化,并计算图像对应的肺边界距离图;(c)将预处理后的图像、体素坐标及其到肺边界距离图输入到3D Unet网络模型进行端到端训练,得到3D Unet训练模型,其中在训练过程中,采用拉普拉斯过滤器来增强图像的边界区域,并计算边界增强损失(LBE)和Dice损失,所述拉普拉斯过滤器(l)的计算公式为:
所述边界增强损失的计算公式为:
其中x,y,z是体素坐标,S是二值化的分割掩膜,F(X)是支气管分割结果,Y是支气管分割的金标准;和(d)基于所得到的3D Unet训练模型进行支气管分割。
在一些实施方式中,在步骤(a)中,对图像进行清洗和/或脱敏。在一些实施方式中,在步骤(c)中,求出边界增强损失(LBE)和Dice损失的代数和或加权代数和,以所述代数和或加权代数和更新所述3D Unet网络参数。在一些实施方式中,在步骤(c)中,当3D Unet网络参数连续复数次不下降时即结束训练,得到3D Unet训练模型。
在另一个方面,本申请提供一种建立肺部CT图像的支气管分割模型的系统,所述系统包括:(a)支气管标注模块,用于获取肺部CT图像并进行支气管的标注;(b)图像预处理模块,用于对肺部CT图像进行预处理,包括肺实质提取和数据归一化,并计算图像对应的肺边界距离图;(c)训练模块,用于将预处理后的图像、体素坐标及其到肺边界距离图输入到3D Unet网络模型进行端到端训练,得到肺部CT图像的支气管分割3D Unet训练模型,其中在训练过程中,采用拉普拉斯过滤器来增强图像的边界区域,并计算边界增强损失(LBE)和Dice损失,所述拉普拉斯过滤器(l)的计算公式为:
所述边界增强损失的计算公式为:
其中x,y,z是体素坐标,S是二值化的分割掩膜,F(X)是支气管分割结果,Y是支气管分割的金标准。
在一些实施方式中,所述支气管标注模块对图像进行清洗和/或脱敏。在一些实施方式中,所述训练模块计算边界增强损失(LBE)和Dice损失的代数和或加权代数和,以所述代数和或加权代数和更新所述3D Unet网络参数。在一些实施方式中,所述训练模块在3DUnet网络参数连续复数次不下降时即结束训练,得到肺部CT图像的支气管分割3D Unet训练模型。
在又一个方面,本申请提供一种计算机存储介质,其上存储有计算机可执行指令,所述指令被执行以实现本申请所述的支气管分割方法。
随着深度学习技术的发展,全卷积网络(fully connected networks,FCNs)为自动医学图像分割开辟了新的可能性。与传统的分割方法相比,FCNs的主要优点是自动、分层地从数据中学习特征,以端到端的方式优化目标函数,在许多分割任务中都获得了很好的性能。U-Net结构在FCN上进行改良,Unet由降采样的特征提取层和与之对称的上采样部分组成,并在降采样层和对应上采样层之间通过多个跳跃式连接,融合特征信息。3D Unet保持初始的编码-解码结构不变,将Unet中的2D卷积核替换成3D卷积核,三维医学影像可以整张输入网络进行训练,而不是以切片的形式,很好地保持了医学影像的空间信息。
本申请提出的基于3D Unet分割网络的支气管分割模型,与常规的分割模型相比,除了将CT图像作为模型的输入外,本模型还将体素的坐标及其到肺边界的距离作为额外的语义信息,帮助模型有效地提取广泛的上下文信息;此外,为了进一步提高分割性能,本申请引入了一种新的边界增强损失,在训练过程中显式地聚焦于边界区域,以改善深度神经网络的边界分割,减少气管分割的泄露和断裂。本申请的方法相对于常规分割模型能明显提升分割性能,但带来的额外的计算负担却很小。
附图说明
图1示意性地显示了本申请的一个示例性支气管分割方法的核心流程图。
图2示例性显示了本申请的支气管分割方法的流程图。
图3显示了本申请的建立肺部CT图像的支气管分割模型的示例性系统。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可根据具体情况改变。
图1示意性地显示了本申请的一个示例性支气管分割方法的核心流程。该方法采用拉普拉斯过滤器l(如公式1所示)来增强图像的边界区域,它能在边界区域附近产生强烈的响应,在其他地方产生零响应。离散拉普拉斯滤波可以通过标准的三维卷积运算来实现。因此,可以很容易地计算出地面真实标签的过滤输出与深层神经网络预测的过滤输出之间的差值。最小化两个过滤输出之间的差异将隐含地缩小金标准和预测结果之间的差距。在上述分析之后,边界增强损失L BE 被定义为公式2中所示的L2范数。同时,边界增强损失能有效地抑制了远离边界区域的假阳性区域(泄露),并减少了边界区域周围的假阴性区域(断裂)。
其中S是二值化的分割掩膜,F(X)是支气管分割结果,Y是支气管分割的金标准。
图2示例性显示了本发明的支气管分割方法的流程图。如图所示,该方法开始于步骤S100,获取肺部CT图像并进行支气管的标注。在一些实施方式中,可在获取肺部CT图像后对图像进行清洗和/或脱敏。对图像的清洗和/或脱敏属于本领域技术人员的常规操作,本文不再赘述。所述支气管的标注作为后续模型训练中的金标准。随后,该方法进行步骤S110,对肺部CT图像进行预处理并计算图像对应的肺边界距离图。在一些实施方式中,对肺部CT图像进行预处理包括肺实质提取和数据归一化,属于本领域技术人员的常规操作,本文不再赘述。此外,在步骤S110中计算图像对应的肺边界距离图,即基于体素到肺边界的最近距离来构建肺边界距离图,以将其作为额外的语义信息输入到后续模型中。随后,将预处理后的图像、体素坐标及其到肺边界距离图输入到3D Unet网络模型进行端到端训练(步骤S120)。在训练中,采用拉普拉斯过滤器来增强图像的边界区域,并计算边界增强损失(LBE)和Dice损失(步骤S130),所述拉普拉斯过滤器(l)的计算公式和边界增强损失的计算公式如上文所述。在一些实施方式中,所述训练模块计算边界增强损失(LBE)和Dice损失的代数和或加权代数和,以所述代数和或加权代数和更新所述3D Unet网络参数。当使用加权代数和时,本领域技术人员可根据需要调整两种损失的权重。在一些实施方式中,所述训练模块在3D Unet网络参数连续复数次不下降时即结束训练(步骤S140),得到肺部CT图像的支气管分割3D Unet训练模型(步骤S150)。本领域技术人员也可以根据实际需要设定模型结束训练的其他条件。在未达到训练结束条件时,步骤返回至S100,循环至达到训练结束条件,以得到符合预期的训练模型。
图3显示了本申请的建立肺部CT图像的支气管分割模型的一个示例性系统。如图所示,该系统包括:支气管标注模块210,用于获取肺部CT图像并进行支气管的标注,图像预处理模220,用于对肺部CT图像进行预处理,包括肺实质提取和数据归一化,并计算图像对应的肺边界距离图,以及训练模块230,用于将预处理后的图像、体素坐标及其到肺边界距离图输入到3D Unet网络模型进行端到端训练,以得到肺部CT图像的支气管分割3D Unet训练模型。在训练模块230中,采用拉普拉斯过滤器来增强图像的边界区域,并计算边界增强损失(LBE)和Dice损失(损失计算模块232),所述拉普拉斯过滤器(l)的计算公式和边界增强损失的计算公式如上文所述。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (9)
1.一种肺部CT图像的支气管分割方法,包括:
(a)获取肺部CT图像并进行支气管的标注;
(b)对肺部CT图像进行预处理,包括肺实质提取和数据归一化,并计算图像对应的肺边界距离图;
(c)将预处理后的图像、体素坐标及其到肺边界距离图输入到3D Unet网络模型进行端到端训练,得到3D Unet训练模型,其中在训练过程中,采用拉普拉斯过滤器来增强图像的边界区域,并计算边界增强损失(LBE)和Dice损失,所述拉普拉斯过滤器(l)的计算公式为:
所述边界增强损失的计算公式为:
其中x,y,z是体素坐标,S是二值化的分割掩膜,F(X)是支气管分割结果,Y是支气管分割的金标准;
(d)基于所得到的3D Unet训练模型进行支气管分割。
2.根据权利要求1所述的支气管分割方法,其特征在于,在步骤(c)中,求出边界增强损失(LBE)和Dice损失的代数和或加权代数和,以所述代数和或加权代数和更新所述3D Unet网络参数。
3.根据权利要求1所述的支气管分割方法,其特征在于,在步骤(a)中,对图像进行清洗和/或脱敏。
4.根据权利要求1所述的支气管分割方法,其特征在于,在步骤(e)中,当3D Unet网络参数连续复数次不下降时即结束训练,得到3D Unet训练模型。
5.一种建立肺部CT图像的支气管分割模型的系统,包括:
(a)支气管标注模块,用于获取肺部CT图像并进行支气管的标注;
(b)图像预处理模块,用于对肺部CT图像进行预处理,包括肺实质提取和数据归一化,并计算图像对应的肺边界距离图;
(c)训练模块,用于将预处理后的图像、体素坐标及其到肺边界距离图输入到3D Unet网络模型进行端到端训练,得到肺部CT图像的支气管分割3D Unet训练模型,其中在训练过程中,采用拉普拉斯过滤器来增强图像的边界区域,并计算边界增强损失(LBE)和Dice损失,所述拉普拉斯过滤器(l)的计算公式为:
所述边界增强损失的计算公式为:
其中x,y,z是体素坐标,S是二值化的分割掩膜,F(X)是支气管分割结果,Y是支气管分割的金标准。
6.根据权利要求5所述的系统,其特征在于,训练模块计算边界增强损失(LBE)和Dice损失的代数和或加权代数和,以所述代数和或加权代数和更新所述3D Unet网络参数。
7.根据权利要求5所述的系统,其特征在于,支气管标注模块对图像进行清洗和/或脱敏。
8.根据权利要求5所述的系统,其特征在于,训练模块在3D Unet网络参数连续复数次不下降时即结束训练,得到肺部CT图像的支气管分割3D Unet训练模型。
9.一种计算机存储介质,其上存储有计算机可执行指令,所述指令被执行以实现权利要求1至4任一项所述的支气管分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110583733.2A CN113470042A (zh) | 2021-05-27 | 2021-05-27 | 肺部ct图像的支气管分割方法及相关系统和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110583733.2A CN113470042A (zh) | 2021-05-27 | 2021-05-27 | 肺部ct图像的支气管分割方法及相关系统和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113470042A true CN113470042A (zh) | 2021-10-01 |
Family
ID=77871396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110583733.2A Pending CN113470042A (zh) | 2021-05-27 | 2021-05-27 | 肺部ct图像的支气管分割方法及相关系统和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113470042A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808975A (zh) * | 2024-02-27 | 2024-04-02 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于深度学习的肺部图像手术规划三维重建方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563902A (zh) * | 2020-04-23 | 2020-08-21 | 华南理工大学 | 一种基于三维卷积神经网络的肺叶分割方法及系统 |
-
2021
- 2021-05-27 CN CN202110583733.2A patent/CN113470042A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563902A (zh) * | 2020-04-23 | 2020-08-21 | 华南理工大学 | 一种基于三维卷积神经网络的肺叶分割方法及系统 |
Non-Patent Citations (2)
Title |
---|
DONG YANG等: "Enhancing Foreground Boundaries for Medical Image Segmentation", 《HTTPS://AR5IV.LABS.ARXIV.ORG/HTML/2005.14355》 * |
YULEI QIN等: "AirwayNet: A Voxel-Connectivity Aware Approach for Accurate Airway Segmentation Using Convolutional Neural Networks", 《HTTPS://ARXIV.ORG/PDF/1907.06852》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808975A (zh) * | 2024-02-27 | 2024-04-02 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于深度学习的肺部图像手术规划三维重建方法 |
CN117808975B (zh) * | 2024-02-27 | 2024-05-03 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于深度学习的肺部图像手术规划三维重建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Attention-guided deep neural network with multi-scale feature fusion for liver vessel segmentation | |
CN109461495B (zh) | 一种医学图像的识别方法、模型训练的方法及服务器 | |
CN108171232B (zh) | 基于深度学习算法的细菌性与病毒性儿童肺炎的分类方法 | |
Yuan | Hierarchical convolutional-deconvolutional neural networks for automatic liver and tumor segmentation | |
Shang et al. | Vascular active contour for vessel tree segmentation | |
Masood et al. | A survey on medical image segmentation | |
Mansoor et al. | Deep learning guided partitioned shape model for anterior visual pathway segmentation | |
Badura et al. | Soft computing approach to 3D lung nodule segmentation in CT | |
WO2021244661A1 (zh) | 确定图像中血管信息的方法和系统 | |
CN104504737B (zh) | 一种从肺部ct图像获得三维气管树的方法 | |
JP6570145B2 (ja) | 画像を処理する方法、プログラム、代替的な投影を構築する方法および装置 | |
CN113674279B (zh) | 基于深度学习的冠脉cta影像的处理方法及装置 | |
Saien et al. | Refinement of lung nodule candidates based on local geometric shape analysis and Laplacian of Gaussian kernels | |
US20070003137A1 (en) | Efficient kernel density estimation of shape and intensity priors for level set segmentation | |
US8050470B2 (en) | Branch extension method for airway segmentation | |
Peng et al. | H-ProSeg: Hybrid ultrasound prostate segmentation based on explainability-guided mathematical model | |
CN114897780A (zh) | 一种基于mip序列的肠系膜上动脉血管重建方法 | |
Ziyad et al. | Overview of computer aided detection and computer aided diagnosis systems for lung nodule detection in computed tomography | |
Dakua | Performance divergence with data discrepancy: a review | |
Alves et al. | Extracting lungs from ct images using fully convolutional networks | |
CN115082493A (zh) | 基于形状引导对偶一致性的3d心房图像分割方法及系统 | |
CN113470042A (zh) | 肺部ct图像的支气管分割方法及相关系统和存储介质 | |
CN112712540B (zh) | 一种基于ct影像的肺部支气管提取方法 | |
Bauer et al. | Airway tree reconstruction based on tube detection | |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211001 |
|
WD01 | Invention patent application deemed withdrawn after publication |