CN113496493B - 一种结合多模态信息的脑肿瘤图像分割方法 - Google Patents
一种结合多模态信息的脑肿瘤图像分割方法 Download PDFInfo
- Publication number
- CN113496493B CN113496493B CN202110652321.XA CN202110652321A CN113496493B CN 113496493 B CN113496493 B CN 113496493B CN 202110652321 A CN202110652321 A CN 202110652321A CN 113496493 B CN113496493 B CN 113496493B
- Authority
- CN
- China
- Prior art keywords
- features
- network
- feature
- training
- modes
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 208000003174 Brain Neoplasms Diseases 0.000 title claims abstract description 21
- 238000003709 image segmentation Methods 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 210000005013 brain tissue Anatomy 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims 1
- 206010028980 Neoplasm Diseases 0.000 abstract description 19
- 230000011218 segmentation Effects 0.000 abstract description 18
- 210000004556 brain Anatomy 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 206010030113 Oedema Diseases 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000017074 necrotic cell death Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010030124 Oedema peripheral Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical compound CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013178 mathematical model 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
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种结合多模态信息的脑肿瘤图像分割方法,包括以下步骤:步骤1数据预处理;步骤2将处理好的数据分割为图像小块;步骤3构建先验网络来提取模态特征的共有特征和特有特征的训练权重;步骤4训练多模态特征融合网络:通过上一个步骤得到的各层特征训练权重,在三模态的输入状态下,三个模态特有特征以及一个多模态共有特征放入attentionblock内进行训练,再经过上采样与真值比较,得到结果。本发明显著提升了Unet网络对于多模态分割的精度,并且有效解决了3dunet网络肿瘤分割过大的问题。
Description
技术领域
本发明涉及医学图像处理和人工智能领域,是一种基于深度学习的脑肿瘤图像分割方法。
背景技术
目前,脑肿瘤疾病一直在神经外科疾病手术中占有很大的比例,而且因为肿瘤的胜利特性导致其在单模态数据上无法可靠的显示出很精确的图形,其外围的水肿容易导致成像偏大,位置偏移等问题。然而肿瘤的术前规划可以说是不可或缺的重要环节,医生在进行二维图像观测的时候也会对比多个模态的影像来确定肿瘤的相关信息。对医学图像的分割准确与否决定了医生在临床中能否提供可靠的诊疗依据。并且,在神经外科和脑肿瘤等不同临床医学领域中,对肿瘤进行分割重建对于的病情诊断、治疗方案以及临床结果的评估都至关重要。因此,对肿瘤准确、快速地分割已经成为医学影像学研究的热点之一。
现有的医学图像分割方法可分为两类,第一类是传统的半自动分割方法,如阈值法、基于追踪的方法、基于聚类的方法和基于模型的分割方法等,但这些方法不仅耗费大量人工时间干预和操作,而且严重依赖于专家的专业知识和经验,因此也存在着大量主观差异。第二类是以深度学习为代表,基于人工智能的分割算法。随着深度学习研究热潮的兴起以及其在医学图像分割上性能强大,基于深度学习的医学图像分割的相关研究迅速增长。
由于不同模态数据间的互补信息利用不够充分,难以用统一方式有效提取不同模态图像中的图像特征。单模态MRI图像无法表达肿瘤的全部信息,要获得肿瘤的精确分割,通常需要联合不同模态的图像信息进行协同分割,现有基于数学模型的方法需要对不同模态的图像分别建立模型,计算量大,实时性差。为此本项目以脑肿瘤检测中常用的四种模态MRI图像(T1,T1c,T2,Flair)为输入,对不同模态的MRI图像分别进行特征提取,采用中期融合策略对不同模态提取特征进行联合分析,从多模态影像中获得稳健的脑肿瘤特征。但是因为肿瘤及其内部水肿、坏死及活性肿瘤区域难以辨识。极大降低了肿瘤分割的精确性。结合脑肿瘤的重要性及其位置的特殊性,分割精度和结果的不精确现象对目前研究和临床应用产生了巨大阻碍和挑战。
发明内容
为了克服现有技术的不足,基于深度学习的方法主要从全局的角度考虑图像的信息,因为肿瘤及其内部水肿、坏死及活性肿瘤区域难以辨识,且边界分割效果很差,为了提高脑肿瘤分割的精确性,本发明提出了一种结合多模态信息的脑肿瘤分割方法,首先本发明在Unet 网络的基础上使用全新的下采样方式以及在跳跃连接处结合 attentionblock方法,优化了对模态特征融合的权重,增强了各个模态特殊特征和共同特征的作用。其次本发明将上步提出的网络作为基础的分割框架,提出了一种通过多损失函数的指导网络训练各个模态的特有特征和共有特征。本发明显著提升了对多模态影像处理中对脑肿瘤分割的精确度,并能有效解决肿瘤及其内部水肿、坏死及活性肿瘤区域难以辨识,且边界分割效果差的情况。
本发明解决其技术问题所采用的技术方案是:
一种结合多模态信息的脑肿瘤图像分割方法,所述方法包括以下步骤:
步骤1数据预处理
脑肿瘤的数据首先要进行重采样过程,减少因为模态输入之间导致的差异;脑区外部会有很多噪声存在,所以要用生成mask面罩,将数据中背景的值置0,脑部组织的值置1,将外围噪声屏蔽掉。之后进行正则化是通过坐标尺度变换使脑组织的数据归一到一个较小的数据范围内,可能会出现不同模态显示的区域不一致的情况,宣武医院的这批数据就是,t1显示全脑,t1ce仅显示半脑,所以为了保证模态显示区域一致要对显示全脑的t1数据做一个剪切,这个代码就是按照半脑的区域把全脑中不需要的部分裁剪掉;
步骤2将处理好的数据分割为图像小块
因为直接将数据输入网络中,因数据量太大,一般通过程序将图片剪切为大小是32×32×32大小的图像小块,然后将分割出的小块叠加,最后得到patches_t1.npy,patches_t1ce.npy,patches_t2.npy, patches_fl.npy,patches_gt.npy五个npy文件;
步骤3构建先验网络来提取模态特征的共有特征和特有特征
首先训练各个模态单独的特征,然后再将多模态输入Unet网络来提取多模态之间的共有特征,同时通过在底层卷积特征添加新的损失函数使得共有特征与特有特征之间有区分;通过训练得到各层特征的训练权重;
步骤4训练多模态特征融合网络(MFN网络)
通过上一个步骤得到的各层特征训练权重,在三模态的输入状态下,三个模态特有特征以及一个多模态共有特征放入attentionblock内进行训练,再经过上采样与真值比较,得到结果。发现很好的克服了原先单模态输入时肿瘤边界模糊的问题,以及单一模态缺少多模态全部信息的融合问题。
进一步,所述的步骤3中,构建先验网络包含以下步骤:
3.1将不同模态输入Unet网络中,先提取到模态独有的特征,这样会得到他们的.pth训练网络的权重信息。权重信息将会应用在步骤四MFN网络的下采样的通道中;
3.2训练模态共有特征,为了共享权重以得到更好的共有特征,将模态输入Unet网络时不区分具体是那个模态,并且在第四层第二次卷积后的特征加入一个损失值KL距离,即Kullback-Leibler差异,共有特征应当与模态的特有特征重合度最低,所以以 其中p(x)是共有特征,q(x)是各个模态特有特征,当loss越小时说明共有特征和特有特征的重合度较小,作为网络的第二个损失函数加在dice损失系数上作为整体的损失函数,根据实验,当共有特征与T1ce模态特有特征重合度最低时,实验的结果最好。
再进一步,所述的步骤4中,构建先验网络包含以下步骤:
4.1 attentionblock模块是融合的关键,各个特征作为输入后进行最大池化之后再进行1×1×1的卷积来提取各个输入的图像特征,之后再经过squeeze和concat函数将各个特征链接起来放入FC全卷积网络,并将结果放入softmax函数作为融合权重,得到权重之后将输入的特征按照各自权重进行叠加形成跳转连接,拼接到上采样对应的特征中来补充因为下采样而损失的信息,使得预测结果更准确;
4.2将步骤3所训练好的网络特征权重信息配置到对应的下采样通道,分别有ET1,ET1ce,ET2,Emi四个下采样通道,T1,T1ce,T2 分别代表对应模态的独特特征,mi代表其共有特征,多模态特征融合网络训练部分是除四条下采样通道之外的MFN网络。
本发明的有益效果为:优化了对多模态特有特征和共有特征信息的提取,减少了图像信息的损失。并结合MFN的情况,有效提升了肿瘤分割的性能。
附图说明
图1为本发明实施方案的流程示意图。
图2为本发明方案中的预训练和MFN(多模态特征融合网络) 网络模型图。
图3为本发明方案中的综合训练图。
图4为MFN网络的示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施和附图,对本发明做进一步补充说明。
参照图1~图4,一种结合多模态信息的脑肿瘤图像分割方法,优化了对多模态特有特征和共有特征信息的提取,减少了图像信息的损失,包括以下步骤:
步骤1数据预处理
脑肿瘤的数据首先要进行重采样过程,减少因为模态输入之间导致的差异;脑区外部会有很多噪声存在,所以要用生成mask面罩,将数据中背景的值置0,脑部组织的值置1,将外围噪声屏蔽掉。之后进行正则化是通过坐标尺度变换使脑组织的数据归一到一个较小的数据范围内,可能会出现不同模态显示的区域不一致的情况,宣武医院的这批数据就是,t1显示全脑,t1ce仅显示半脑,所以为了保证模态显示区域一致要对显示全脑的t1数据做一个剪切,这个代码就是按照半脑的区域把全脑中不需要的部分裁剪掉;
步骤2将处理好的数据分割为图像小块
因为直接将数据输入网络中,因数据量太大,一般通过程序将图片剪切为大小是32×32×32大小的图像小块,然后将分割出的小块叠加,最后得到patches_t1.npy,patches_t1ce.npy,patches_t2.npy, patches_fl.npy,patches_gt.npy五个npy文件;
步骤3构建先验网络来提取模态特征的共有特征和特有特征
为了解决医生为了确定真实肿瘤位置需要结合多模态的数据的问题,克服单模态的局限性,首先训练各个模态单独的特征,然后再将多模态的结果输入Unet网络来提取多模态之间的共有特征,同时通过增加loss来,通过训练得到各层特征;
所述的步骤3中,构建先验网络包含以下步骤:
3.1将不同模态输入Unet网络中,先提取到模态独有的特征,这样会得到他们的.pth训练网络的权重信息,再通过模型返回Unet第一二三四层第二次卷积后的特征;
3.2训练模态共有特征,为了共享权重以得到更好的共有特征,将模态输入Unet网络时不区分具体是那个模态,并且在第四层第二次卷积后的特征加入一个损失值KL距离,即Kullback-Leibler差异,共有特征应当与模态的特有特征重合度最低,所以以 其中p(x)是共有特征,q(x)是各个模态特有特征,当loss越小时说明共有特征和特有特征的重合度较小,作为网络的第二个损失函数加在dice损失系数上作为整体的损失函数,根据实验,当共有特征与T1ce模态特有特征重合度最低时,实验的结果最好。
步骤4训练多模态特征融合网络(MFN网络)
通过上一个步骤得到的各层特征,在三模态的输入状态下,三个模态特有特征以及一个多模态共有特征放入attentionblock内进行训练,再经过上采样与真值比较,得到结果,发现很好的克服了原先单模态输入时肿瘤边界模糊的问题,以及单一模态缺少多模态全部信息的融合问题;
所述的步骤4中,构建先验网络包含以下步骤:
4.1attentionblock模块是融合的关键,各个特征作为输入后进行最大池化之后再进行1×1×1的卷积来提取各个输入的图像特征,之后再经过squeeze和concat函数将各个特征链接起来放入FC全卷积网络,并将结果放入softmax函数作为融合权重,得到权重之后将输入的特征按照各自权重进行叠加形成跳转连接,拼接到上采样对应的特征中来补充因为下采样而损失的信息,使得预测结果更准确;
4.2将步骤三所训练好的网络特征输入到MFN(多模态特征融合网络)分别输入ET1,ET1ce,ET2,Emi,E代表是下采样,第一二三四层卷积两次后的特征,T1,T1ce,T2分别代表对应模态的独特特征, mi代表其共有特征,MFN网络实际训练部分是以ET1,ET1ce,ET2,Emi为输入的网络。
Claims (2)
1.一种结合多模态信息的脑肿瘤图像分割方法,其特征在于,所述方法包括以下步骤:
步骤1数据预处理
脑肿瘤的数据首先要进行重采样过程,减少因为模态输入之间导致的差异,之后进行正则化是通过坐标尺度变换使脑组织的数据归一到一个小的数据范围内;可能会出现不同模态显示的区域不一致的情况;
步骤2将处理好的数据分割为图像小块
将图片剪切为大小是32×32×32大小的图像小块,然后将分割出的小块叠加,最后得到patches_t1.npy,patches_t1ce.npy,patches_t2.npy,patches_fl.npy,patches_gt.npy五个npy文件;
步骤3构建先验网络来提取模态特征的共有特征和特有特征
首先训练各个模态单独的特征,然后再将多模态输入Unet网络来提取多模态之间的共有特征,同时通过在底层卷积特征添加新的损失函数使得共有特征与特有特征之间有区分;通过训练得到各层特征的训练权重;
步骤4训练多模态特征融合网络
通过上一个步骤得到的各层特征训练权重,在三模态的输入状态下,三个模态特有特征以及一个多模态共有特征放入attentionblock内进行训练,再经过上采样与真值比较,得到结果;
所述的步骤4中,构建先验网络包含以下步骤:
4.1attentionblock模块是融合的关键,各个特征作为输入后进行最大池化之后再进行1×1×1的卷积来提取各个输入的图像特征,之后再经过squeeze和concat函数将各个特征链接起来放入FC全卷积网络,并将结果放入softmax函数作为融合权重,得到权重之后将输入的特征按照各自权重进行叠加形成跳转连接,拼接到上采样对应的特征中来补充因为下采样而损失的信息,使得预测结果更准确;
4.2将步骤3所训练好的网络特征权重信息配置到对应的下采样通道,分别有ET1,ET1ce,ET2,Emi四个下采样通道,T1,T1ce,T2分别代表对应模态的独特特征,mi代表其共有特征,多模态特征融合网络训练部分是除四条下采样通道之外的MFN网络。
2.如权利要求1所述的一种结合多模态信息的脑肿瘤图像分割方法,其特征在于,所述的步骤3中,构建先验网络包含以下步骤:
3.1将不同模态输入Unet网络中,先提取到模态独有的特征,这样会得到他们的.pth训练网络的权重信息;权重信息将会应用在步骤四MFN网络的下采样的通道中;
3.2训练模态共有特征,为了共享权重以得到更好的共有特征,将模态输入Unet网络时不区分具体是那个模态,并且在第四层第二次卷积后的特征加入一个损失值KL距离,即Kullback-Leibler差异,共有特征应当与模态的特有特征重合度最低,所以以 其中,p(x)是共有特征,q(x)是各个模态特有特征,当loss越小时说明共有特征和特有特征的重合度较小,作为网络的第二个损失函数加在dice损失系数上作为整体的损失函数,当共有特征与T1ce模态特有特征重合度最低时,实验的结果最好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110652321.XA CN113496493B (zh) | 2021-06-11 | 2021-06-11 | 一种结合多模态信息的脑肿瘤图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110652321.XA CN113496493B (zh) | 2021-06-11 | 2021-06-11 | 一种结合多模态信息的脑肿瘤图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113496493A CN113496493A (zh) | 2021-10-12 |
CN113496493B true CN113496493B (zh) | 2024-04-16 |
Family
ID=77997924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110652321.XA Active CN113496493B (zh) | 2021-06-11 | 2021-06-11 | 一种结合多模态信息的脑肿瘤图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113496493B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114170162A (zh) * | 2021-11-25 | 2022-03-11 | 深圳先进技术研究院 | 一种图像预测方法、图像预测装置以及计算机存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035263A (zh) * | 2018-08-14 | 2018-12-18 | 电子科技大学 | 基于卷积神经网络的脑肿瘤图像自动分割方法 |
CN109087318A (zh) * | 2018-07-26 | 2018-12-25 | 东北大学 | 一种基于优化U-net网络模型的MRI脑肿瘤图像分割方法 |
CN111612754A (zh) * | 2020-05-15 | 2020-09-01 | 复旦大学附属华山医院 | 基于多模态图像融合的mri肿瘤优化分割方法及系统 |
CN112598656A (zh) * | 2020-12-28 | 2021-04-02 | 长春工业大学 | 一种基于UNet++优化和权值预算的脑肿瘤分割算法 |
-
2021
- 2021-06-11 CN CN202110652321.XA patent/CN113496493B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109087318A (zh) * | 2018-07-26 | 2018-12-25 | 东北大学 | 一种基于优化U-net网络模型的MRI脑肿瘤图像分割方法 |
CN109035263A (zh) * | 2018-08-14 | 2018-12-18 | 电子科技大学 | 基于卷积神经网络的脑肿瘤图像自动分割方法 |
CN111612754A (zh) * | 2020-05-15 | 2020-09-01 | 复旦大学附属华山医院 | 基于多模态图像融合的mri肿瘤优化分割方法及系统 |
CN112598656A (zh) * | 2020-12-28 | 2021-04-02 | 长春工业大学 | 一种基于UNet++优化和权值预算的脑肿瘤分割算法 |
Non-Patent Citations (1)
Title |
---|
陈浩 ; 秦志光 ; 丁熠 ; .基于同一特征空间的多模态脑肿瘤分割方法.计算机应用.(07),第248-253页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113496493A (zh) | 2021-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cai et al. | A review of the application of deep learning in medical image classification and segmentation | |
Liu et al. | A survey on U-shaped networks in medical image segmentations | |
Li et al. | ANU-Net: Attention-based nested U-Net to exploit full resolution features for medical image segmentation | |
Valanarasu et al. | Kiu-net: Overcomplete convolutional architectures for biomedical image and volumetric segmentation | |
Qureshi et al. | Medical image segmentation using deep semantic-based methods: A review of techniques, applications and emerging trends | |
CN110689543A (zh) | 基于注意机制的改进卷积神经网络脑肿瘤图像分割方法 | |
Kushnure et al. | HFRU-Net: High-level feature fusion and recalibration unet for automatic liver and tumor segmentation in CT images | |
CN112215844A (zh) | 基于ACU-Net的MRI多模态图像分割方法和系统 | |
CN109215035B (zh) | 一种基于深度学习的脑部mri海马体三维分割方法 | |
Diao et al. | Classification and segmentation of OCT images for age-related macular degeneration based on dual guidance networks | |
CN114882048A (zh) | 基于小波散射学习网络的图像分割方法和系统 | |
CN116309615A (zh) | 一种多模态mri脑肿瘤图像分割方法 | |
CN113496493B (zh) | 一种结合多模态信息的脑肿瘤图像分割方法 | |
Zhou et al. | H-Net: a dual-decoder enhanced FCNN for automated biomedical image diagnosis | |
Martín-Isla et al. | Stacked BCDU-Net with semantic CMR synthesis: Application to myocardial pathology segmentation challenge | |
Du et al. | Segmentation and visualization of left atrium through a unified deep learning framework | |
Wang et al. | RFPNet: Reorganizing feature pyramid networks for medical image segmentation | |
Khattar et al. | Computer assisted diagnosis of skin cancer: a survey and future recommendations | |
Abid et al. | A convolutional neural network for skin lesion segmentation using double u-net architecture | |
Kumar et al. | Brain tumor segmentation of the FLAIR MRI images using novel ResUnet | |
Zhou et al. | GA-Net: Ghost convolution adaptive fusion skin lesion segmentation network | |
Tan et al. | Skin lesion recognition via global-local attention and dual-branch input network | |
Wang et al. | Triplanar convolutional neural network for automatic liver and tumor image segmentation | |
Jian et al. | HRU-Net: A high-resolution convolutional neural network for esophageal cancer radiotherapy target segmentation | |
CN113850794A (zh) | 一种图像处理方法及装置 |
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 |