CN113744250A - 基于U-Net的臂丛神经超声图像分割方法、系统、介质和装置 - Google Patents
基于U-Net的臂丛神经超声图像分割方法、系统、介质和装置 Download PDFInfo
- Publication number
- CN113744250A CN113744250A CN202111043023.7A CN202111043023A CN113744250A CN 113744250 A CN113744250 A CN 113744250A CN 202111043023 A CN202111043023 A CN 202111043023A CN 113744250 A CN113744250 A CN 113744250A
- Authority
- CN
- China
- Prior art keywords
- ultrasonic image
- brachial plexus
- feature map
- sampling
- net
- 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
- 210000003461 brachial plexus Anatomy 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005070 sampling Methods 0.000 claims abstract description 42
- 238000011176 pooling Methods 0.000 claims abstract description 23
- 238000003709 image segmentation Methods 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 5
- 210000005036 nerve Anatomy 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 239000011800 void material Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 238000002604 ultrasonography Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003287 optical effect Effects 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
- G06T7/0002—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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了基于U‑Net网络的分割方法、系统、介质和装置，其中方法包括获取臂丛神经超声图像；对臂丛神经超声图像进行四次下采样，得到的第一特征图尺寸为下采样前图像尺寸的1/2；对第一特征图进行基于U‑Net的跳跃连接，获得具有显著特征的第二特征图；对第二特征图进行基于U‑Net的解码，恢复到臂丛神经超声图像的尺寸；对解码后的特征进行卷积，获得臂丛神经超声图像的分割掩模。本发明不使用任何算子进行图像预处理，简化图像分割流程；使用高效的EfficientNet系列网络提取特征，速度快效果好；设计U‑Net的跳跃连接，使用空洞卷积和最大池化操作在大的感受野上提取更加显著的特征，起到抑制噪声的作用。
Description
技术领域
本发明属于计算机视觉以及人工智能技术领域，具体是一种基于U-Net的臂丛神经超声图像分割方法、系统、介质和装置。
背景技术
医疗图像处理已经成为数字医疗的重要组成部分，借助图像分割可以找到图像中对医生有用的部分。超声扫描是应用广泛的医疗成像形式，其通过诊断和分析人体内部的肌肉、神经等结构来检测各种疾病和损伤。因此，如何对超声图像进行自动分割以获取感兴趣区域具有十分重要的意义。
与高对比度的CT和MRI相比，超声图像自动分割是更具挑战的任务。臂丛神经(Brachial Plexus,BP)超声图像形成过程中由于电子器件的随机扰动，导致图像变得模糊、失真从而出现颗粒状纹理，降低了图像的信噪比。此外，由于超声图像属于低回声成像，神经元区域在图像中不是一个突出的结构，导致其目标轮廓不明显甚至很难被肉眼分辨。这些困难导致医生很难找到神经的确切位置从而注射药物进行手术。除了准确的定位神经元，BP图像分割还必须减少假阳性样本的预测，这使其成为一个复杂的问题。
传统图像分割方法依靠人工手段来对图像中的边缘、颜色和纹理等信息进行抽取和选择。这需要专家的干预，不仅需要消耗大量的人员和精力，同时需要一定的专业知识，不能保证提取特征的有用性。
基于深度学习的卷积神经网络是目前流行的图像分割技术，其通过卷积操作来自主学习图像中的特征信息，不仅节省了精力，而且提取的特征更为准确。多数方法对超声图像进行预处理以去除噪声，这给模型训练过程添加了不必要的步骤。
发明内容
鉴于上述现有技术中的缺陷，本发明提供一种基于U-Net的臂丛神经超声图像分割方法、系统、介质和装置，不需要图像预处理，也能起到抑制噪声的作用。
本发明第一方面，提供一种基于U-Net的臂丛神经超声图像分割方法，包括以下步骤，
S1、获取臂丛神经超声图像；
S2、对所述臂丛神经超声图像进行四次下采样，提取特征，每次下采样后得到的第一特征图尺寸为下采样前图像尺寸的1/2；
S3、对每次下采样后得到的第一特征图进行基于U-Net的跳跃连接，经过卷积-池化和上采样，获得具有显著特征的第二特征图；
S4、对第二特征图进行基于U-Net的解码，恢复到S1中所述臂丛神经超声图像的尺寸；
S5、对解码后的特征进行卷积，获得所述臂丛神经超声图像的分割掩模。
进一步的，所述对所述臂丛神经超声图像进行四次下采样，每次下采样后得到的第一特征图尺寸为下采样前图像尺寸的1/2具体是，将所述臂丛神经超声图像的尺寸设置为A×A，改造基于深度学习的EfficientNet网络，使其只执行四次下采样，分别得到大小为A/2×A/2、A/4×A/4、A/8×A/8和A/16×A/16的第一特征图
和
进一步的，步骤S3的过程具体为，将
和
作为跳跃连接的起点分别处理：第一特征图
经过三层3×3的空洞卷积，将得到的特征与
相加，之后进行池化和上采样得到第二特征图
第一特征图
经过两层3×3的空洞卷积，将得到的特征与
相加，之后进行池化和上采样得到第二特征图
第一特征图
经过一层3×3的空洞卷积，之后进行池化和上采样得到第二特征图
第一特征图
经过池化和上采样得到第二特征图
这样构造的原因是：
和
处于网络相对较浅的位置，拥有较多的纹理特征，同时由于原图含有较多噪声，在相应的跳跃连接中使用最大池化提取显著特征，同时起到抑制噪声的作用；进一步，得到显著特征则等于定位了目标；特征
处于网络较深的位置，拥有丰富的语义信息，在跳跃连接中使用平均池化来提取全局语义信息。在网络跳跃连接处先池化再紧跟上采样，与直接特征拼接或者经过一层3×3卷积相比可以提取显著特征同时抑制噪声。
进一步的，S4中所述对不同尺寸的第二特征图进行基于U-Net的解码具体为，对于第二特征图
n＝1、2或3，先将
解码输出的第三特征图
进行上采样，再将上采样后的特征图与同其尺寸相同的第二特征图
按通道维度进行特征拼接，接着经过两次3×3卷积；迭代得到
解码后的第三特征图
与S1中所述臂丛神经超声图像的尺寸相同。
本发明第二方面，提供一种基于U-Net的臂丛神经超声图像分割系统，包括
获取模块，用于获取臂丛神经超声图像；
编码模块，用于对所述臂丛神经超声图像进行四次下采样，对每次下采样后的第一特征图提取特征；
跳跃连接模块，用于将从所述编码模块输出的特征图的细节信息补充到解码模块，得到第二特征图；
解码模块，用于对第二特征图解码，恢复到所述臂丛神经超声图像的尺寸；
所述跳跃连接模块和解码模块的数量均为四个。
进一步的，所述解码模块包括上采样单元、拼接单元和卷积单元，其中
所述上采样单元利用反卷积对相邻解码模块输出的第三特征图进行上采样；
所述拼接单元用于将上采样后的特征图与同其尺寸相同的第二特征图按通道维度进行特征拼接；
所述卷积单元用于对拼接单元输出的特征进行两次卷积，得到与原臂丛神经超声图像尺寸相同的图像。
本发明第三方面，提供一种计算机可读的存储介质，所述计算机可读的存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述第一方面所述的图像分割方法。
本发明第四方面，提供一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述第一方面所述的图像分割方法。
本发明具有以下有益效果：与现有技术相比，本发明不使用任何算子进行图像预处理，简化图像分割流程；使用高效的EfficientNet系列网络提取特征，速度快效果好；重新设计U-Net的跳跃连接，使用空洞卷积和最大池化操作在大的感受野上提取更加显著的特征，起到抑制噪声的作用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例基于U-Net的臂丛神经超声图像分割方法的流程图；
图2为图1实施例中用到的U-Net网络结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
基于深度学习的卷积神经网络作为目前流行的图像分割技术，多数方法对超声图像进行预处理以去除噪声，这给模型训练过程添加了不必要的步骤，因为深度网络能够自适应的学习主要特征。基于U-Net的模型虽然考虑到在解码端通过跳跃连接来补充缺失的细节信息，但这些细节信息可能含有较多噪声并且缺少明显的位置信息。
本实施例采用基于U-Net的模型用于臂丛神经超声图像分割，该方法过程如图1和图2所示，包括：
S1、获取臂丛神经超声图像。
在本发明实施例中，包含臂丛神经的图片通过超声设备获取。
S2、对臂丛神经超声图像进行四次下采样，提取特征，每次下采样后得到的第一特征图尺寸为下采样前图像尺寸的1/2。
具体的，假设将臂丛神经超声图像的尺寸设置为A×A，改造基于深度学习的EfficientNet网络，使其只执行四次下采样，分别得到大小为A/2×A/2、A/4×A/4、A/8×A/8和A/16×A/16的第一特征图
和
S3、对每次下采样后得到的第一特征图进行基于U-Net的跳跃连接，经过卷积-池化和上采样，获得具有显著特征的第二特征图。
具体的，如图2所示，将第一特征图
和
作为跳跃连接的起点分别处理：
经过三层3×3的空洞卷积，将得到的特征与
相加，之后进行池化和上采样得到第二特征图
经过两层3×3的空洞卷积，将得到的特征与
相加，之后进行池化和上采样得到第二特征图
经过一层3×3的空洞卷积，之后进行池化和上采样得到第二特征图
经过池化和上采样得到第二特征图
这样构造的原因是：
和
处于网络相对较浅的位置，拥有较多的纹理特征，同时由于原图含有较多噪声，在相应的跳跃连接中使用最大池化提取显著特征，同时起到抑制噪声的作用；进一步，得到显著特征则等于定位了目标；特征
处于网络较深的位置，拥有丰富的语义信息，在跳跃连接中使用平均池化来提取全局语义信息。在网络跳跃连接处先池化再紧跟上采样，与直接特征拼接或者经过一层3×3卷积相比可以提取显著特征同时抑制噪声。以此解决基于U-Net的模型含有较多噪声并且缺少明显的位置信息的问题。
S4、对第二特征图进行基于U-Net的解码，恢复到S1中臂丛神经超声图像的尺寸。
具体的，对于第二特征图
n＝1、2或3，先将相邻的
解码输出的第三特征图
进行上采样，再将上采样后的特征图与同其尺寸相同的第二特征图
按通道维度进行特征拼接，接着经过两次3×3卷积；迭代得到
解码后的第三特征图
与S1中所述臂丛神经超声图像的尺寸相同。
对本实施例来说，如图2所示，从尺寸最小的特征图
开始，将图中的
即
与第二特征图
进行特征拼接，经过两次卷积后，得到第三特征图
经上采样后尺寸增大一倍，再与同尺寸的
拼接，经过两次卷积，得到第三特征图
同样的，
经上采样后尺寸增大一倍，再与同尺寸的
拼接，经过两次卷积，得到第三特征图
经上采样后尺寸增大一倍，再与同尺寸的
拼接，经过两次卷积，得到第三特征图
此时
的尺寸与最初的臂丛神经超声图像的尺寸相同。
S5、对解码后的特征进行卷积，在本实施例中，对
进行卷积，即获得所述臂丛神经超声图像的分割掩模。
本发明提供的另一种实施例，是基于U-Net的臂丛神经超声图像分割系统，包括
获取模块，用于获取臂丛神经超声图像。
编码模块，用于对所述臂丛神经超声图像进行四次下采样，对每次下采样后的第一特征图提取特征。
跳跃连接模块，用于将第一特征图的细节信息补充到解码模块，得到第二特征图。本实施例中跳跃连接模块有四个，分别对编码模块输出的第一特征图进行处理。
解码模块，用于对第二特征图解码，恢复到臂丛神经超声图像的尺寸，如图2中的De1、De2、De3和D4。解码模块又包括上采样单元、拼接单元和卷积单元，其中
上采样单元利用反卷积对相邻解码模块输出的第三特征图进行上采样；
拼接单元用于将上采样后的特征图与同其尺寸相同的第二特征图按通道维度进行特征拼接；
卷积单元用于对拼接单元输出的特征进行两次卷积，得到与原臂丛神经超声图像尺寸相同的图像。
本发明还提供一种计算机可读的存储介质实施例，所述计算机可读的存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述方法实施例所述的图像分割方法。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现方法实施例中图像分割方法的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
本发明还提供一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述方法实施例所述的图像分割方法。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (8)
1.基于U-Net的臂丛神经超声图像分割方法，其特征在于，包括以下步骤，
S1、获取臂丛神经超声图像；
S2、对所述臂丛神经超声图像进行四次下采样，提取特征，每次下采样后得到的第一特征图尺寸为下采样前图像尺寸的1/2；
S3、对每次下采样后得到的第一特征图进行基于U-Net的跳跃连接，经过卷积-池化和上采样，获得具有显著特征的第二特征图；
S4、对不同尺寸的第二特征图进行基于U-Net的解码，得到相应的第三特征图，直到恢复至S1中所述臂丛神经超声图像的尺寸；
S5、对解码后的特征进行卷积，获得所述臂丛神经超声图像的分割掩模。
2.根据权利要求1所述的基于U-Net的臂丛神经超声图像分割方法，其特征在于，所述对所述臂丛神经超声图像进行四次下采样，每次下采样后得到的第一特征图尺寸为下采样前图像尺寸的1/2具体是，将所述臂丛神经超声图像的尺寸设置为A×A，改造基于深度学习的EfficientNet网络，使其只执行四次下采样，分别得到大小为A/2×A/2、A/4×A/4、A/8×A/8和A/16×A/16的第一特征图
和
3.根据权利要求2所述的基于U-Net的臂丛神经超声图像分割方法，其特征在于，步骤S3的过程具体为，将
和
作为跳跃连接的起点分别处理：第一特征图
经过三层3×3的空洞卷积，将得到的特征与
相加，之后进行池化和上采样得到第二特征图
第一特征图
经过两层3×3的空洞卷积，将得到的特征与
相加，之后进行池化和上采样得到第二特征图
第一特征图
经过一层3×3的空洞卷积，之后进行池化和上采样得到第二特征图
第一特征图
经过池化和上采样得到第二特征图
4.根据权利要求3所述的基于U-Net的臂丛神经超声图像分割方法，其特征在于，S4中所述对不同尺寸的第二特征图进行基于U-Net的解码具体为，对于第二特征图
n＝1、2或3，先将
解码输出的第三特征图
进行上采样，再将上采样后的特征图与同其尺寸相同的第二特征图
按通道维度进行特征拼接，接着经过两次3×3卷积；迭代得到
解码后的第三特征图
与S1中所述臂丛神经超声图像的尺寸相同。
5.基于U-Net的臂丛神经超声图像分割系统，其特征在于，包括
获取模块，用于获取臂丛神经超声图像；
编码模块，用于对所述臂丛神经超声图像进行四次下采样，对每次下采样后的第一特征图提取特征；
跳跃连接模块，用于将从所述编码模块输出的特征图的细节信息补充到解码模块，得到第二特征图；
解码模块，用于对第二特征图解码，恢复到所述臂丛神经超声图像的尺寸；
所述跳跃连接模块和解码模块的数量均为四个。
6.根据权利要求5所述的基于U-Net的臂丛神经超声图像分割系统，其特征在于，所述解码模块包括上采样单元、拼接单元和卷积单元，其中
所述上采样单元利用反卷积对相邻解码模块输出的第三特征图进行上采样；
所述拼接单元用于将上采样后的特征图与同其尺寸相同的第二特征图按通道维度进行特征拼接；
所述卷积单元用于对拼接单元输出的特征进行两次卷积，得到与原臂丛神经超声图像尺寸相同的图像。
7.一种计算机可读的存储介质，其特征在于，所述计算机可读的存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至4任一项中所述的方法。
8.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至4任一项中所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111043023.7A CN113744250A (zh) | 2021-09-07 | 2021-09-07 | 基于U-Net的臂丛神经超声图像分割方法、系统、介质和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111043023.7A CN113744250A (zh) | 2021-09-07 | 2021-09-07 | 基于U-Net的臂丛神经超声图像分割方法、系统、介质和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113744250A true CN113744250A (zh) | 2021-12-03 |
Family
ID=78736436
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111043023.7A Pending CN113744250A (zh) | 2021-09-07 | 2021-09-07 | 基于U-Net的臂丛神经超声图像分割方法、系统、介质和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113744250A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114820378A (zh) * | 2022-05-12 | 2022-07-29 | 亳州联岐医疗科技有限公司 | 一种基于人工智能的超声图像优化方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110021014A (zh) * | 2019-03-29 | 2019-07-16 | 无锡祥生医疗科技股份有限公司 | 基于神经网络的神经组织识别方法、系统及存储介质 |
| CN111292324A (zh) * | 2020-03-20 | 2020-06-16 | 电子科技大学 | 一种针对臂丛神经超声图像的多目标识别方法及系统 |
| US20210248751A1 (en) * | 2019-01-25 | 2021-08-12 | Tencent Technology (Shenzhen) Company Limited | Brain image segmentation method and apparatus, network device, and storage medium |
-
2021
- 2021-09-07 CN CN202111043023.7A patent/CN113744250A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210248751A1 (en) * | 2019-01-25 | 2021-08-12 | Tencent Technology (Shenzhen) Company Limited | Brain image segmentation method and apparatus, network device, and storage medium |
| CN110021014A (zh) * | 2019-03-29 | 2019-07-16 | 无锡祥生医疗科技股份有限公司 | 基于神经网络的神经组织识别方法、系统及存储介质 |
| CN111292324A (zh) * | 2020-03-20 | 2020-06-16 | 电子科技大学 | 一种针对臂丛神经超声图像的多目标识别方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 孔令军等: "一种基于深度学习的臂丛神经超声图像分割网络", 《无线电工程》, vol. 51, no. 9, pages 842 - 845 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114820378A (zh) * | 2022-05-12 | 2022-07-29 | 亳州联岐医疗科技有限公司 | 一种基于人工智能的超声图像优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11308587B2 (en) | Learning method of generative adversarial network with multiple generators for image denoising | |
| WO2020108562A1 (zh) | 一种ct图像内的肿瘤自动分割方法及系统 | |
| CN111145170A (zh) | 一种基于深度学习的医学影像分割方法 | |
| CN116309648A (zh) | 一种基于多注意力融合的医学图像分割模型构建方法 | |
| CN111369574B (zh) | 一种胸腔器官的分割方法及装置 | |
| US11935213B2 (en) | Laparoscopic image smoke removal method based on generative adversarial network | |
| CN114399510B (zh) | 结合图像和临床元数据的皮肤病灶分割和分类方法及系统 | |
| CN110674824A (zh) | 基于R2U-Net的手指静脉分割方法、装置和存储介质 | |
| CN113128583B (zh) | 基于多尺度机制和残差注意力的医学图像融合方法及介质 | |
| CN112927209A (zh) | 一种基于cnn的显著性检测系统和方法 | |
| CN113362310A (zh) | 一种基于无监督学习的医学图像肝脏分割方法 | |
| CN115471470A (zh) | 一种食管癌ct图像分割方法 | |
| CN116739899A (zh) | 基于saugan网络的图像超分辨率重建方法 | |
| CN117635771A (zh) | 一种基于半监督对比学习的场景文本编辑方法和装置 | |
| CN117409002A (zh) | 一种用于创伤的视觉识别检测系统及其检测方法 | |
| Liu et al. | Facial image inpainting using multi-level generative network | |
| CN113744250A (zh) | 基于U-Net的臂丛神经超声图像分割方法、系统、介质和装置 | |
| CN113222879A (zh) | 一种用于红外与可见光图像融合的生成对抗网络 | |
| CN116362972B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN115359046B (zh) | 一种脏器血管分割方法、装置、存储介质及电子设备 | |
| CN116778470A (zh) | 对象识别及对象识别模型训练方法、装置、设备及介质 | |
| CN114841887B (zh) | 一种基于多层次差异学习的图像恢复质量评价方法 | |
| CN114331894B (zh) | 一种基于潜在特征重构和掩模感知的人脸图像修复方法 | |
| CN111915623B (zh) | 一种使用门控和自适应注意力的图像分割方法和装置 | |
| CN112529949A (zh) | 一种基于t2图像生成dwi图像的方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211203 |