CN113516658A - 一种pet三维图像左心室自动转向及分割的方法 - Google Patents

一种pet三维图像左心室自动转向及分割的方法 Download PDF

Info

Publication number
CN113516658A
CN113516658A CN202111073596.4A CN202111073596A CN113516658A CN 113516658 A CN113516658 A CN 113516658A CN 202111073596 A CN202111073596 A CN 202111073596A CN 113516658 A CN113516658 A CN 113516658A
Authority
CN
China
Prior art keywords
image
segmentation
left ventricle
pet
loss function
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
Application number
CN202111073596.4A
Other languages
English (en)
Other versions
CN113516658B (zh
Inventor
朱闻韬
张铎
朱海
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202111073596.4A priority Critical patent/CN113516658B/zh
Publication of CN113516658A publication Critical patent/CN113516658A/zh
Application granted granted Critical
Publication of CN113516658B publication Critical patent/CN113516658B/zh
Priority to PCT/CN2022/114975 priority patent/WO2023040628A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based 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
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/30048—Heart; Cardiac

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种PET三维图像左心室自动转向及分割的方法，通过构建和训练包括由卷积模块、多个残差‑卷积模块和下采样模块组成的编码器、空间变换网络、包含多个上采样模块及残差‑卷积模块的解码器以及介于编码器与解码器之间的跳跃连接的PET三维图像左心室自动转向及分割模型，将常规视图A作为模型输入，利用此模型实现将图像自动旋转至临床标准视图并基于标准视图得到此视图中的左心室结构分割结果。本发明使用多任务学习的深度学习网络提取图像的位置特征和语义特征，实现不同角度到标准视图的自动转向、心脏定位及左心室的结构分割，一站式处理的操作减少了手动转向、分割的复杂性和人为误差，提高了图像操作的便捷和准确性。

Description

一种PET三维图像左心室自动转向及分割的方法
技术领域
本发明涉及医学影像领域和深度学习领域，尤其涉及一种基于深度学习网络的PET三维图像左心室自动转向及分割的方法。
背景技术
PET心脏成像是目前临床诊断心肌存活等心血管疾病和疗效评价以及预后判断的有效手段，其可非介入式的提供心肌组织的功能活性信息来检测到尚未导致结构上变化的潜在病变，对心血管疾病的早期诊断具有重要意义。临床进行PET心脏检查时，由于心脏的长轴与人体长轴并不平行，需由医师进行相关操作将图像中的心脏旋转至临床诊断的标准短轴视图，并基于此视图进行后续的相关分析。临床分析时，需要对心脏的左心室结构进行分割操作，以分别提取左心室心室壁用以进行心室壁厚度分析和提取左心室心室腔用以计算左心室收缩及舒张时的容积并计算心脏射血系数用以评估心脏功能。
以上的相关操作通常需通过医师进行手动操作，这样的主观性操作重复性差且误差较高，对后续分析的准确性影响较大。为解决这些问题，研究人员曾提出相关的自动转向及分割的操作，然而相关算法对心脏左心室的结构完整度要求较高，在心肌严重缺血的病人上容易出现失败。基于深度学习技术，也有学者提出了用深度学习进行SPECT心脏图像自动转向和分割操作的模型，然而，由于三维图像尺寸较大，其方法在操作时对计算机系统的硬件要求过高，难以满足日常计算机处理的需求。如何更好的实现PET心脏图像的自动转向及分割等操作，并优化模型参数以减小模型对计算机硬件的依赖，是临床PET心脏分析中的技术难题。
发明内容
本发明的目的在于针对现有技术的不足，提供一种PET三维图像左心室自动转向及分割的方法。
本发明的目的是通过以下技术方案来实现的：
一种PET三维图像左心室自动转向及分割的方法，将PET三维重建图像常规视图作为输入，利用训练好的PET三维图像左心室自动转向及分割模型进行全自动图像处理以获得左心室位于图像中心的标准视图以及左心室腔和心室壁的分割图像；其中，所述PET三维图像左心室自动转向及分割模型包括由卷积模块、多个残差-卷积模块和下采样模块组成的编码器、空间变换网络、包含多个上采样模块及残差-卷积模块的解码器；其中，编码器与解码器跳跃连接，所述PET三维图像左心室自动转向及分割模型训练包括以下步骤：
步骤一：获取PET三维重建图像常规视图A、对应的转向后用于临床分析的标准视图B、在标准视图B中表示左心室腔及心室壁区域的分割标签以及利用刚性配准算法获得的常规视图A与标准视图B之间的配准参数组成训练数据映射组；其中，配准参数包含3个方向的平移参量和3个角度的旋转参量；
步骤二：将常规视图A作为编码器的输入，通过卷积模块提取常规视图A的图像特征并将所获得的图像特征与原始的常规视图A进行通道拼接形成双通道特征T-1；双通道特征T-1通过多个残差-卷积模块和下采样模块进行特征提取和下采样操作，获得N个图像特征依次表示为T-2~ T-N+1；其中，N为残差-卷积模块和下采样模块的个数；
步骤三：将最后一个图像特征T-N+1通过全连接层展开为6维特征向量作为预测的配准参数X-N+1，并依次通过等比例缩放形成对应图像特征T-1~ T-N输出特征尺度的预测的配准参数X-1~ X-N，其中旋转参量不变而平移参量等比例放大；
步骤四：利用空间变换网络将预测的配准参数X-1~ X-N+1分别应用于图像特征T-1~ T-N+1中得到转向图像特征Z-1~ Z- N+1；将转向图像特征Z-N+1输入至解码模块中，转向图像特征Z-N+1通过上采样实现分辨率上升并分别与所述转向图像特征Z-1~Z-N通过跳跃连接在对应维度处实现连接，作为解码器中下一个残差-卷积模块的输入；最后经过一层1*1*1的卷积模块解码器输出分割预测结果P；
步骤五：构建分割预测结果P与分割标签之间的标签损失函数L-seg以及预测的配准参数X-N+1与配准参数之间的参数损失函数L-par，对网络进行训练优化获得稳定训练好的PET三维图像左心室自动转向及分割模型。
进一步地，所述配准参数表示为[tx、ty、tz、β、α、γ]；包含位移矩阵M=[tx、ty、tz]及旋转矩阵R=[β、α、γ]，其中，tx、ty、tz分别为x、y、z 3个方向的平移参量，β、α、γ是对应方向的3个角度的旋转角度参量；将R从欧拉角转换为世界坐标系参数：
Figure 231808DEST_PATH_IMAGE001
重构变换矩阵C’=[R MT]以适配空间变换网络的参数输入。
进一步地，所述分割标签中采用三个特征数值表示分割区域，其中背景设置为0,左心室壁设置为1，左心室腔设置为2。
进一步地，所述步骤二中，所述编码器包括4个残差-卷积模块，卷积个数依次为1、2、3、2；图像特征T-N+1的尺度为8*8*8。
进一步地，所述步骤五中，联合标签损失函数L-seg以及参数损失函数L-par构建整体联合损失函数L：L = μL-par + λL-seg，其中μ和λ为权重系数，取值范围为(0,1)。
进一步地，所述标签损失函数L-seg采用分割预测结果P与分割标签之间的FocalLoss损失函数。
进一步地，所述参数损失函数L-par采用绝对值损失函数L1或范数损失函数L2。
本发明的有益效果是：
本发明通过构建和训练包括由卷积模块、多个残差-卷积模块和下采样模块组成的编码器、空间变换网络、包含多个上采样模块及残差-卷积模块的解码器以及介于编码器与解码器之间的跳跃连接的PET三维图像左心室自动转向及分割模型，其中通过编码器同时提取图像的位置特征和语义特征，实现将PET三维图像自动旋转至临床标准视图并基于标准视图得到此视图中的左心室结构分割结果。本发明使用多任务学习进行训练，实现不同角度到标准视图的自动转向、心脏定位及左心室的结构分割，一站式处理的操作减少了手动转向、分割的复杂性和人为误差，提高了图像操作的便捷和准确性。
附图说明
图1是本发明PET三维图像左心室自动转向及分割的流程示意图；
图2是本发明PET三维图像左心室自动转向及分割模型结构图。
具体实施方式
下面结合附图详细说明本发明。
本发明提出的一种PET三维图像左心室自动转向及分割的方法，该方法具体为：通过构建一个PET三维图像左心室自动转向及分割模型，将PET三维重建图像常规视图作为输入进行处理，所述PET三维图像左心室自动转向及分割模型包括由卷积模块、多个残差-卷积模块和下采样模块组成的编码器、空间变换网络、包含多个上采样模块及残差-卷积模块的解码器以及介于编码器与解码器之间的跳跃连接。其中，利用编码器提取图像内的图像底层特征，底层特征通过全连接提取图像刚性配准参数，空间变换网络模块通过刚性配准参数对图像特征和原始输入图像进行转向；转向后的特征借由解码器实现对左心室腔和心室壁的分割。其流程如图1所示。其中，PET三维图像左心室自动转向及分割模型结构如图2所示，左侧为包含4个残差-卷积模块和下采样模块的编码器，右侧为包含4个上采样模块及残差-卷积模块的解码器，构建和训练具体包括以下步骤：
步骤一：获取500例PET三维重建图像的常规视图A，手动操作以获取常规视图A所对应的转向后用于临床分析的标准视图B，在标准视图B中以手动勾画心脏左心室的心室腔及心室壁获得分割标签，利用刚性配准算法获得常规视图A与标准视图B之间的配准参数，形成常规视图A、标准视图B、配准参数以及分割标签的训练数据映射组。其中，配准参数包含3个方向的平移参量和3个角度的旋转参量；所述分割标签包含左心室腔、心室壁及背景区域，本实施例中利用3个数值进行标记，其中，背景值为0，左心室壁值为1，左心室腔值为2。
步骤二：将常规视图A作为编码器的输入，通过卷积模块进行特征提取并将所获得的图像特征与原始图像进行通道拼接以形成双通道特征T-1；将所拼接双通道特征T-1通过残差-卷积模块进行特征提取，并通过下采样模块形成下采样，重复此操作4次以得到尺度为8*8*8的图像特征。其中，所述残差-卷积模块中包含的卷积个数依次为1、2、3、2个，所对应的特征输出分别为T-2~ T-5。
步骤三：将步骤二最后一个模块输出的尺度为8*8*8的图像特征T-5通过1个全连接层展开为6维特征向量作为预测的配准参数X-5，此特征向量X-5依次通过等比例缩放形成对应上层图像特征T-1~ T-4输出特征尺度的预测的配准参数X-1~ X-4，其中旋转参量不变而平移参量等比例放大。配准参数的6个参数分别为3个方向的平移参量和3个角度的旋转角度参量[tx、ty、tz、β、α、γ]；其中，tx、ty、tz分别为x、y、z此3个方向的平移参量，β、α、γ是对应方向的3个角度的旋转角度参量。其可拆分为位移矩阵M=[tx、ty、tz]及旋转矩阵R=[β、α、γ]，将R从欧拉角转换为世界坐标系参数:
Figure 493156DEST_PATH_IMAGE001
重构变换矩阵C’=[R MT]以适配后续空间变换网络的参数输入。
步骤四：经过空间变换网络将预测的配准参数X-1~ X-5分别应用于图像特征T-1~X-5中以得到转向图像特征Z-1~ Z-5；将转向图像特征Z-5通过上采样和残差-卷积模块实现分辨率上升并分别与前述图像特征Z-1~ Z-4通过跳跃连接在对应维度处实现连接，作为解码器中下一个残差-卷积模块的输入；解码器最终输出经过一层1*1*1的卷积模块输出分割预测结果P。
步骤五：构建分割预测结果P与分割标签之间的标签损失函数L-seg以及预测的配准参数X-5与配准参数之间的参数损失函数L-par，对网络进行训练优化得到训练好的PET三维图像左心室自动转向及分割模型；为获得模型的优化结果，此模型的训练采用多任务学习的过程，其损失矩阵将包含模型最终输出的分割预测结果和分割标签间的损失函数L-seg以及模型所预测的配准参数和参考配准参数之间的参数损失函数L-par两部分，其中：
标签损失函数L-seg采用分割预测结果和分割标签间的Focal Loss损失函数。
Figure 69631DEST_PATH_IMAGE003
其中，y是分割标签，f是模型函数，θ是模型网络参数，x是输入图像，
Figure 199261DEST_PATH_IMAGE004
表 示获得的分割预测结果，ϕ和δ是两个调节因子，本实施例中分别取值为0.5和2，C、W、H、D分 别为图像的通道数，宽度，高度和深度，本实施例中取值为3、128、128、128。
参数损失函数L-par采用绝对值损失函数L1或范数损失函数L2。联合损失函数L：L= μL-par +λL-seg，其中μ和λ为权重系数，其根据经验分别取值0.75和0.25。
最后，将待处理PET图像常规视图输入训练好的模型，通过空间变换网络将特征向量X-5应用于输入图像即得到所需的临床标准视图图像输出，网络解码器后所输出的预测结果P为标准试图下的左心室结构分割结果。
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (7)

1.一种PET三维图像左心室自动转向及分割的方法，其特征在于，将PET三维重建图像常规视图作为输入，利用训练好的PET三维图像左心室自动转向及分割模型进行全自动图像处理以获得左心室位于图像中心的标准视图以及左心室腔和心室壁的分割图像；其中，所述PET三维图像左心室自动转向及分割模型包括由卷积模块、多个残差-卷积模块和下采样模块组成的编码器、空间变换网络、包含多个上采样模块及残差-卷积模块的解码器；其中，编码器与解码器跳跃连接，所述PET三维图像左心室自动转向及分割模型训练包括以下步骤：
步骤一：获取PET三维重建图像常规视图A、对应的转向后用于临床分析的标准视图B、在标准视图B中表示左心室腔及心室壁区域的分割标签以及利用刚性配准算法获得的常规视图A与标准视图B之间的配准参数组成训练数据映射组；其中，配准参数包含3个方向的平移参量和3个角度的旋转参量；
步骤二：将常规视图A作为编码器的输入，通过卷积模块提取常规视图A的图像特征并将所获得的图像特征与原始的常规视图A进行通道拼接形成双通道特征T-1；双通道特征T-1通过多个残差-卷积模块和下采样模块进行特征提取和下采样操作，获得N个图像特征依次表示为T-2~ T-N+1；其中，N为残差-卷积模块和下采样模块的个数；
步骤三：将最后一个图像特征T-N+1通过全连接层展开为6维特征向量作为预测的配准参数X-N+1，并依次通过等比例缩放形成对应图像特征T-1~ T-N输出特征尺度的预测的配准参数X-1~ X-N，其中旋转参量不变而平移参量等比例放大；
步骤四：利用空间变换网络将预测的配准参数X-1~ X-N+1分别应用于图像特征T-1~T-N+1中得到转向图像特征Z-1~ Z- N+1；将转向图像特征Z-N+1输入至解码模块中，转向图像特征Z-N+1通过上采样实现分辨率上升并分别与所述转向图像特征Z-1~Z-N通过跳跃连接在对应维度处实现连接，作为解码器中下一个残差-卷积模块的输入；最后经过一层1*1*1的卷积模块解码器输出分割预测结果P；
步骤五：构建分割预测结果P与分割标签之间的标签损失函数L-seg以及预测的配准参数X-N+1与配准参数之间的参数损失函数L-par，对网络进行训练优化获得稳定训练好的PET三维图像左心室自动转向及分割模型。
2.根据权利要求1所述的方法，其特征在于，所述配准参数表示为[tx、ty、tz、β、α、γ]；包含位移矩阵M=[tx、ty、tz]及旋转矩阵R=[β、α、γ]，其中，tx、ty、tz分别为x、y、z 3个方向的平移参量，β、α、γ是对应方向的3个角度的旋转角度参量；将R从欧拉角转换为世界坐标系参数：
Figure 773397DEST_PATH_IMAGE002
重构变换矩阵C’=[R MT]以适配空间变换网络的参数输入。
3.根据权利要求1所述的方法，其特征在于，所述分割标签中采用三个特征数值表示分割区域，其中背景设置为0, 左心室壁设置为1，左心室腔设置为2。
4.根据权利要求1所述的方法，其特征在于，所述步骤二中，所述编码器包括4个残差-卷积模块，卷积个数依次为1、2、3、2；图像特征T-N+1的尺度为8*8*8。
5.根据权利要求1所述的方法，其特征在于，所述步骤五中，联合标签损失函数L-seg以及参数损失函数L-par构建整体联合损失函数L：L = μL-par + λL-seg，其中μ和λ为权重系数，取值范围为(0,1)。
6.根据权利要求1所述的方法，其特征在于，所述标签损失函数L-seg采用分割预测结果P与分割标签之间的Focal Loss损失函数。
7.根据权利要求1所述的方法，其特征在于，所述参数损失函数L-par采用绝对值损失函数L1或范数损失函数L2。
CN202111073596.4A 2021-09-14 2021-09-14 一种pet三维图像左心室自动转向及分割的方法 Active CN113516658B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111073596.4A CN113516658B (zh) 2021-09-14 2021-09-14 一种pet三维图像左心室自动转向及分割的方法
PCT/CN2022/114975 WO2023040628A1 (zh) 2021-09-14 2022-08-26 一种pet三维图像左心室自动转向及分割的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111073596.4A CN113516658B (zh) 2021-09-14 2021-09-14 一种pet三维图像左心室自动转向及分割的方法

Publications (2)

Publication Number Publication Date
CN113516658A true CN113516658A (zh) 2021-10-19
CN113516658B CN113516658B (zh) 2021-12-17

Family

ID=78063186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111073596.4A Active CN113516658B (zh) 2021-09-14 2021-09-14 一种pet三维图像左心室自动转向及分割的方法

Country Status (2)

Country Link
CN (1) CN113516658B (zh)
WO (1) WO2023040628A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023040628A1 (zh) * 2021-09-14 2023-03-23 之江实验室 一种pet三维图像左心室自动转向及分割的方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912489B (zh) * 2023-06-26 2024-06-21 天津师范大学 一种基于傅里叶先验知识的医学图像分割方法和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109272510A (zh) * 2018-07-24 2019-01-25 清华大学 一种三维医学图像中管状结构的分割方法
CN112508949A (zh) * 2021-02-01 2021-03-16 之江实验室 一种spect三维重建图像左心室自动分割的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110120047B (zh) * 2019-04-04 2023-08-08 平安科技（深圳）有限公司 图像分割模型训练方法、图像分割方法、装置、设备及介质
US11263756B2 (en) * 2019-12-09 2022-03-01 Naver Corporation Method and apparatus for semantic segmentation and depth completion using a convolutional neural network
CN113516658B (zh) * 2021-09-14 2021-12-17 之江实验室 一种pet三维图像左心室自动转向及分割的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109272510A (zh) * 2018-07-24 2019-01-25 清华大学 一种三维医学图像中管状结构的分割方法
CN112508949A (zh) * 2021-02-01 2021-03-16 之江实验室 一种spect三维重建图像左心室自动分割的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张萍等: "深度学习技术在PET/CT医学影像中的应用综述", 《内蒙古师范大学学报》 *
李再升等: "高清一体化PET/MRI脑图像分割对比研究", 《核技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023040628A1 (zh) * 2021-09-14 2023-03-23 之江实验室 一种pet三维图像左心室自动转向及分割的方法

Also Published As

Publication number Publication date
CN113516658B (zh) 2021-12-17
WO2023040628A1 (zh) 2023-03-23

Similar Documents

Publication Publication Date Title
CN113870258B (zh) 一种基于对抗学习的无标签胰腺影像自动分割系统
Chen et al. Medical image segmentation and reconstruction of prostate tumor based on 3D AlexNet
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
CN113516658B (zh) 一种pet三维图像左心室自动转向及分割的方法
CN112508949B (zh) 一种spect三维重建图像左心室自动分割的方法
CN114037714B (zh) 一种面向前列腺系统穿刺的3d mr与trus图像分割方法
CN110838140A (zh) 基于混合监督学习的超声和核磁图像配准融合方法及装置
CN113496495A (zh) 可缺失输入的医学图像分割模型建立方法及分割方法
CN110619635A (zh) 基于深度学习的肝细胞癌磁共振图像分割系统和方法
CN115908449A (zh) 一种基于改进UNet模型的2.5D医学CT影像分割方法及装置
CN111584066A (zh) 基于卷积神经网络与对称信息的脑部医学影像诊断方法
CN113889261B (zh) 基于病理特征辅助的pet/ct自动肺癌诊断分类模型训练方法
CN117422788B (zh) 一种基于ct脑梗图像生成dwi图像的方法
CN112164447B (zh) 图像处理方法、装置、设备及存储介质
CN112950555A (zh) 一种基于深度学习的2型糖尿病心血管病变图像分类方法
CN111862320B (zh) 一种spect三维重建图像到标准视图的自动转向方法
CN115565671A (zh) 基于跨模型相互教学半监督的房颤辅助分析方法
CN113379863B (zh) 基于深度学习的动态双示踪pet图像联合重建与分割方法
CN114119558A (zh) 一种自动生成鼻咽癌影像诊断结构化报告方法
CN113902738A (zh) 一种心脏mri分割方法及系统
Hu et al. Automated 2-D and 3-D left atrial volume measurements using deep learning
CN114119354A (zh) 医学图像配准训练及使用方法、系统及装置
Che et al. Segmentation of bone metastases based on attention mechanism
CN110276414A (zh) 基于字典学习和稀疏表示的影像特征提取方法及表达方法
Liang et al. 3D U-Net with attention and focal loss for coronary tree segmentation

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