CN113838067A - 肺结节的分割方法和装置、计算设备、可存储介质 - Google Patents

肺结节的分割方法和装置、计算设备、可存储介质 Download PDF

Info

Publication number
CN113838067A
CN113838067A CN202111129973.1A CN202111129973A CN113838067A CN 113838067 A CN113838067 A CN 113838067A CN 202111129973 A CN202111129973 A CN 202111129973A CN 113838067 A CN113838067 A CN 113838067A
Authority
CN
China
Prior art keywords
map
image
feature map
attention
lung
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
CN202111129973.1A
Other languages
English (en)
Other versions
CN113838067B (zh
Inventor
徐胜舟
王统
裴承丹
卢浩然
吴福彬
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.)
South Central Minzu University
Original Assignee
South Central University for Nationalities
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 South Central University for Nationalities filed Critical South Central University for Nationalities
Priority to CN202111129973.1A priority Critical patent/CN113838067B/zh
Publication of CN113838067A publication Critical patent/CN113838067A/zh
Application granted granted Critical
Publication of CN113838067B publication Critical patent/CN113838067B/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
    • G06T7/10—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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-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
    • G06T2207/10—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
    • G06T2207/20—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
    • G06T2207/20—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
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule
    • 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
    • G06T2207/30204—Marker
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种肺结节分割方法，包括：获取待分割的肺部图像，所述待分割的肺部图像包含待分割提取的目标肺结节；对所述待分割的肺部图像进行预处理，得到数据增强的输入图像；通过完成训练的图像分割网络模型，对所述输入图像进行处理，得到所述待分割的肺部图像中的目标肺结节的分割结果；其中，所述图像分割网络模型包含注意力模块以确定所述输入图像的特征图谱中的目标信息，所述注意力模块设置于U‑Net网络中的解码器每层的两次卷积之后。通过在U‑Net网络的基础上，在解码器中添加通道注意力模块，加强网络对有用特征的利用，进而有效提升了网络分割性能。

Description

肺结节的分割方法和装置、计算设备、可存储介质
技术领域
本发明涉及图像处理技术领域，特别是涉及一种肺结节的分割方法和装置、计算设备、可存储介质。
背景技术
肺癌是死亡率最高的癌症之一，早发现早治疗可以提高患者的生存率。肺结节是肺癌的早期表现形式，但肺结节边缘模糊，和肺部相比体积较小，且其亮度和肺实质中的血管等组织极其相似，会影响医生的诊断速度以及准确率，进而耽误病情的发现与治疗。
电子计算机断层扫描(ComputedTomography，CT)图像对肺癌的早期诊断具有重要的研究价值和现实意义，对CT图像中的目标分割是指对图像中的每个像素进行分类，并标注出目标对象即肺结节所在区域。
传统的分割算法如自适应阈值分割、边缘检测分割、区域生长等，这些方法虽然能取得较好的分割效果，但是依赖于人的先验知识。目前，深度学习已经广泛应用于计算机视觉领域。
有人提出了U-Net网络，该网络具有对称的U型结构，通过对图像特征进行编码和解码，并通过跳跃连接融合来自编码器的浅层低级特征和解码器的深层高级特征，可以实现较好的分割效果。医学图像数据集通常较小，而U-Net能在少量样本的情况下完成模型训练并实现较好的图像分割效果，所以近些年来此方法被广泛应用于医学图像分割领域。
但由于肺结节目标区域小，而且边缘模糊，使用原始U-Net进行训练，没有对数据进行批量归一化会造成网络训练过程中出现梯度消失、分割准确率不高等问题。因此，有人提出了一种用于肺结节分割的Dense-U-Net网络，通过引入密集连接模块，加强网络对特征的传递和利用，但密集连接模块增加了额外的计算量，在训练时容易造成过拟合，分割精度提高较为有限的问题.针对此问题，有人提出了一种U-Net++网络，将不同层次的特征通过各自的解码路径还原，然后结合浅层和深层的特征，在肺结节分割上效果较好。或者基于融合自适应特征加权聚合策略提出了一种改进的U-Net++网络，用于肺结节分割也取得了不错的效果，但这两个网络嵌套了多个U-Net结构，增加了模型复杂度，也增加了额外的计算量。
发明内容
有鉴于此，本发明提供一种肺结节分割方法和装置、以及计算设备、可存储介质，以降低图像分割网络的复杂度，以及减少计算量，同时提高分割精度的问题。
为实现上述发明目的，本发明实施例提供一种肺结节分割方法，所述方法包括：
获取待分割的肺部图像，所述待分割的肺部图像包含待分割提取的目标肺结节；
对所述待分割的肺部图像进行预处理，得到数据增强的输入图像；
通过完成训练的图像分割网络模型，对所述输入图像进行处理，得到所述待分割的肺部图像中的目标肺结节的分割结果；
其中，所述图像分割网络模型包含注意力模块，所述注意力模块用来基于注意力机制确定所述输入图像的特征图谱中的目标信息，所述注意力模块设置于U-Net网络中的解码器每层的两次卷积之后。
优选的，所述对所述待分割的肺部图像进行预处理，得到数据增强的输入图像具体包括：
对原始的所述肺部图像进行裁剪，获得目标大小的感兴趣区域；
对训练集进行数据增强，根据肺结节的轮廓坐标信息，再次对原始的肺部图像进行裁剪，使肺结节位于目标大小感兴趣区域的不同位置的输入图像，然后又对裁剪后的图像进行了水平翻转和垂直翻转。
优选的，所述注意力模块用来基于注意力机制确定所述输入图像的特征图谱中的关注区域具体包括：
设通道注意力模块的输入为输入特征图谱F，所述输入特征图谱F的高度为H，宽度为W，通道数为C，每个通道有H*W个像素，每一个像素对应有一个强度值；
对输入特征图谱F的空间维度进行压缩，分别采用全局平均池化操作和全局最大池化操作，得到1×1×C的平均池化AvgPool和最大池化MaxPool；
将AvgPool和MaxPool依次送入一个两层共享参数的全连接层，其中，第一个全连接层的神经元个数为输入特征图通道数与ratio(ratio设置为8)的商，第二个全连接层的神经元个数为输入特征图通道数。
AvgPool和MaxPool输入全连接层，得到AvgPool'和MaxPool'，即经过全连接层的特征提取后的1×1×C的平均池化图谱和最大池化图谱；
将AvgPool'和MaxPool'相加，并使用Sigmoid激活函数得到通道维注意力图谱Mc，最后将输入特征图谱F与通道维注意力图谱Mc进行相乘得到输出特征图谱Fc；
所述通道维注意力图谱用于强调特征图谱的目标信息；
将输入特征图谱F与通道维注意力图谱Mc相乘，得到注意力增强后的输出特征图谱Fc。
优选的，
所述通道维注意力图谱包括通道维和空间维，通道维注意力图谱的空间维为1，即H、W各自对应的值为1，通道维用C表示；
将输入特征图谱F与通道维注意力图谱Mc相乘，得到注意力增强后的输出特征图谱Fc；
其中，所述通道维注意力图谱和特征图谱基于像素相乘，基于像素相乘是指基于像素的强度值的相乘。
为了实现本发明的发明目的，本发明实施例还提供了一种肺结节分割装置，所述装置包括：
图像获取单元，用来获取待分割的肺部图像，所述待分割的肺部图像包含待分割提取的目标肺结节；
预处理单元，用来对所述待分割的肺部图像进行预处理，得到数据增强的输入图像；
分割单元，用来通过完成训练的图像分割网络模型，对所述输入图像进行处理，得到所述待分割的肺部图像中的目标肺结节的分割结果；
其中，所述图像分割网络模型包含注意力模块，所述注意力模块用来基于注意力机制确定所述输入图像的特征图谱中的目标信息，所述注意力模块设置于U-Net网络中的解码器每层的两次卷积之后。
优选的，所述预处理单元具体包括：
裁剪模块，用于对原始的所述肺部图像进行裁剪，获得目标大小的感兴趣区域；
数据增强模块，用来对训练集进行数据增强，根据肺结节的轮廓坐标信息，再次对原始的肺部图像进行裁剪，使肺结节位于目标大小感兴趣区域的不同位置的输入图像，然后又对裁剪后的图像进行了水平翻转和垂直翻转。
优选的，所述注意力模块用来基于注意力机制确定所述输入图像的特征图谱中的关注区域具体包括：
设通道注意力模块的输入为输入特征图谱F，所述输入特征图谱F的高度为H，宽度为W，通道数为C，每个通道有H*W个像素，每一个像素对应有一个强度值；
对输入特征图谱F的空间维度进行压缩，分别采用全局平均池化操作和全局最大池化操作，得到1×1×C的平均池化AvgPool和最大池化MaxPool；
将AvgPool和MaxPool依次送入一个两层共享参数的全连接层，其中，第一个全连接层的神经元个数为输入特征图通道数与ratio的商，第二个全连接层的神经元个数为输入特征图通道数。
AvgPool和MaxPool输入全连接层，得到AvgPool'和MaxPool'，即经过全连接层的特征提取后的1×1×C的平均池化图谱和最大池化图谱；
将AvgPool'和MaxPool'相加，并使用Sigmoid激活函数得到通道维注意力图谱Mc，最后将输入特征图谱F与Mc进行相乘得到输出特征图谱Fc；
所述通道维注意力图谱用于强调特征图谱的目标信息；
将输入特征图谱F与通道维注意力图谱Mc相乘，得到注意力增强后的输出特征图谱Fc。
优选的，
所述通道维注意力图谱包括通道维和空间维，通道维注意力图谱的空间维为1，即H、W各自对应的值为1，通道维用C表示；
将输入特征图谱F与通道维注意力图谱Mc相乘，得到注意力增强后的输出特征图谱Fc；
其中，所述通道维注意力图谱和特征图谱基于像素相乘，基于像素相乘是指基于像素的强度值的相乘。
再一方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如前文所述的肺结节分割方法。
又一方面，本发明实施例还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如前文所述的肺结节分割方法。
借以上述实施例，本发明实现图像分割网络的复杂度的降低，同时减少了图像分析的计算量，同时提高肺结节目标的分割精度。
附图说明
下面将结合附图说明对本发明的具体实施方式进行举例说明。
图1为本发明实施例提供的一种肺结节分割方法的示意图；
图2为示出一种CT图像预处理过程的示意图；
图3为本发明实施例提供的一种CT图像数据增强过程的示意图；
图4为本发明实施例提供的一种通道注意力模块的网络结构示意图；
图5为本发明实施例提供的通道注意力模块融入U-Net网络得到的CAM U-Net网络模型的示意图；
图6为本发明实施例提供的一种肺结节分割的装置结构框图；
图7为本发明实施例提供的计算机设备的结构框图。
具体实施方式
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，下面将对照附图说明本发明的具体实施方式。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，并获得其他的实施方式。为使图面简洁，各图中的只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。
如图1所示，为本发明实施例的一种肺结节分割方法，所述方法包括：
S1.获取待分割的肺部图像，所述待分割的肺部图像包含待分割提取的目标肺结节；
本发明实施例的数据集来源于LIDC-IDRI(The Lung Image DatabaseConsortium)肺结节公开数据库，LIDC-IDR中包含了1018个病例，对于每个病例中的CT图像，都由4位经验丰富的专业放射科医师对其进行标注，并将标注信息存放在XML文件中，里面详细记录了CT图像中肺结节的轮廓以及CT特征等信息。
因为LIDC-IDRI中直径大于等于3mm的肺结节才有详细的轮廓坐标信息，所以本发明实施例选取了其中肺结节直径大于等于3mm且由四位专家共同标注的CT图像。
本发明实施例根据XML文件中四位医生对肺结节信息的标注，挑选出符合条件的CT图像，以及相应的四位医生对肺结节的标注信息。然后根据50％一致性原则，生成相应的肺结节金标准。50％一致性原则，即四位医生中大于等于两位医生认为该像素区域为肺结节，就将其判定为肺结节金标准，最终得到4104张CT图像，然后将其按7:3划分为训练集和测试集。
S2.对所述待分割的肺部图像进行预处理，得到数据增强的输入图像；
原始肺部CT图像大小为512×512像素，由于肺结节在原始CT图像中所占比例很小，输入原始图片会因为尺寸太大会影响网络训练速度，而且多余的部分会对网络训练产生很大的干扰。因此，本发明实施例先对原始CT图像进行预处理，通过裁剪来避免尺寸太大的问题，即根据金标准将原始CT图像裁剪为包含肺结节的64×64像素大小的感兴趣区域。
CT图像预处理过程如图2所示，左边为原始肺部CT图像，右边为裁剪后的图像。为了增强模型的泛化能力，本发明实施例对训练集进行了数据增强，根据肺结节的轮廓坐标信息，再次对原始图像进行裁剪，使肺结节位于64×64大小感兴趣区域的不同位置。
如图3所示，右边第一行分别对应左边原始CT图像中的实线、点划线、破折线三个区域，其中，点划线和破折线表示的区域为再次裁剪的区域，使训练集变为原来的3倍，然后又对裁剪后的图像进行了水平翻转和垂直翻转，如图3中右边第二行为第一行图像分别进行水平翻转后的图像，第三行则对应为垂直翻转后的图像，最终数据增强后的训练集是原来的9倍。
S3.通过完成训练的图像分割网络模型，对所述输入图像进行处理，得到所述待分割的肺部图像中的目标肺结节的分割结果；
其中，所述图像分割网络模型包含注意力模块，所述注意力模块用来基于注意力机制确定所述输入图像的特征图谱中的目标信息，所述注意力模块设置于U-Net网络中的解码器每层的两次卷积之后。
首先对训练集进行数据预处理并进行数据增强，随后输入搭建好的网络中进行训练，并调整网络参数设置，训练网络模型至收敛并保存所述网络参数；然后对测试集进行数据预处理，并使用训练好的网络模型进行测试，得出分割结果。
基于注意力模块CAM U-Net网络构建语义分割网络，利用训练集和测试集对图像分割模型进行训练和测试，得到肺结节分割模型。
其训练过程如下：
基于注意力模块(CAM)U-Net网络构建语义分割网络；
将注意力CAM模块放入U-Net网络的上采样层，进行拼接构建CAM U-Net网络。
配置模型运行环境，并设置超参数：
模型运行环境为：python3.6、kera2.4.3、tensorfiow-gpu2.4、windows10。
超参数具体为：使用Dice系数损失函数，采用Adam优化器进行优化，batch-size设为32，epoch为60。学习率设置采用分阶段的方式，初始学习率设置为0.001，经过30轮后变为0.0005，50轮后设置为0.0001。
将训练集输入构建的语义分割模型，按照设置的超参数进行模型训练。
在训练过程中，会将训练集的30％作为验证集，根据验证集的结果来调节网络训练中的超参数，我们需要调节这些超参数来使得模型泛化能力最强。经过不断的调节训练得到合适的超参数，最终得到训练好的语义分割模型。
测试过程：
将测试集输入训练好的语义分割模型，得到测试集的网络预测结果，即肺结节的位置坐标信息，然后与金标准进行对比，就会得到最终的评价结果，得到肺结节分割模型的评估结果。
优选的，所述注意力模块用来基于注意力机制确定所述输入图像的特征图谱中的关注区域具体包括：
设通道注意力模块的输入为输入特征图谱F，所述输入特征图谱F的高度为H，宽度为W，通道数为C，每个通道有H*W个像素，每一个像素对应有一个强度值；
对输入特征图谱F的空间维度进行压缩，分别采用全局平均池化操作和全局最大池化操作，得到1×1×C的平均池化AvgPool和最大池化MaxPool；
将AvgPool和MaxPool依次送入一个两层共享参数的全连接层，其中，第一个全连接层的神经元个数为输入特征图通道数与ratio的商，第二个全连接层的神经元个数为输入特征图通道数。
AvgPool和MaxPool输入全连接层，得到AvgPool'和MaxPool'，即经过全连接层的特征提取后的1×1×C的平均池化图谱和最大池化图谱；
将AvgPool'和MaxPool'相加，并使用Sigmoid激活函数得到通道维注意力图谱Mc，最后将输入特征图谱F与Mc进行相乘得到输出特征图谱Fc；
所述通道维注意力图谱用于强调特征图谱的目标信息；
将输入特征图谱F与通道维注意力图谱Mc相乘，得到注意力增强后的输出特征图谱Fc。
优选的，
所述通道维注意力图谱包括通道维和空间维，通道维注意力图谱的空间维为1，即H、W各自对应的值为1，通道维用C表示；
将输入特征图谱F与通道维注意力图谱Mc相乘，得到注意力增强后的输出特征图谱Fc；
其中，所述通道维注意力图谱和输入特征图谱基于像素相乘，基于像素相乘是指基于像素的强度值的相乘。
本发明实施例通过通道注意力机制增加注意力模块，可以对特征图谱中的目标信息进行注意力增强，得到注意力增强后的特征图谱。
即对于给定一个中间特征图，可以沿着空间和通道两个维度依次推断出注意力权重，然后与原特征图相乘来对特征进行自适应调整。
对于通道注意力模块，网络中的每个通道对分割结果的影响应该是不同的，有些通道存在关键信息，而通道注意力模块能加强这些通道的表现力，这将会使网络聚焦于关键的通道，进而提升网络的分割效果。
通道注意力模块如图4所示，设通道注意力模块的输入为输入特征图F，高度为H，宽度为W，通道数为C。
首先对输入特征图F的空间维度进行压缩，分别采用全局平均池化操作和全局最大池化操作，得到1×1×C的平均池化AvgPool和最大池化MaxPool，然后再将AvgPool和MaxPool依次送入一个两层共享参数的全连接层。
其中，第一个全连接层的神经元个数为输入特征图通道数与ratio的商，本发明实施例可设置ratio＝8，第二个全连接层的神经元个数为输入特征图通道数。
AvgPool和MaxPool经过全连接层后变为附图4中的AvgPool'和MaxPool'，接着将AvgPool'和MaxPool'相加求和并使用Sigmoid激活函数得到通道维注意力图谱Mc，最后将输入特征图F与Mc进行相乘得到输出特征图Fc。
其详细过程如下：
1.1、首先获取目标图像的特征图谱；
特征图谱是由深度神经网络的特征提取模块对目标图像进行处理后得到的。例如，特征图谱是深度神经网络中的卷积层对目标图像进行卷积后得到的。
如图4所示，特征图谱可以由输入特征图F这个立方体表示，高度为H，宽度为W，通道数为C，每个通道有H*W个像素，每一个像素对应有一个强度值。如图4所示，可以设特征图谱对应的通道维为3，即C为3。
1.2、基于通道注意力机制对特征图谱进行处理，获取特征图谱对应的通道维注意力图谱；通道维注意力图谱是将特征图谱在空间维上进行压缩后得到的图谱，通道维注意力图谱用于强调特征图谱的目标信息，即关注区域，关注区域是指包括目标信息的区域，目标信息可以是指待识别、待分割或待追踪的信息。
其详细过程如下：
首先，对输入特征图F，基于高度H和宽度W，分别采用全局平均池化操作和全局最大池化操作，得到1×1×C的AvgPool和MaxPool；
例如，某一通道中的高度和宽度为2*2，具体数值设为[[2，3][4，5]]，则经过全局平均池化后为7，过程为(2+3+4+5)/4＝7，经过全局最大池化为5，选取其中的最大值5。
然后，再将AvgPool和MaxPool依次送入一个两层共享参数的全连接层，其中，第一个全连接层的神经元个数为输入特征图通道数与ratio的商，此处可设置ratio＝8；
第二个全连接层的神经元个数为输入特征图通道数；
AvgPool和MaxPool经过全连接层后变为图4中的AvgPool'和MaxPool'，接着将AvgPool'和MaxPool'相加求和，并使用Sigmoid激活函数得到通道维注意力图谱Mc。
示例性地，通道维注意力图谱也可以用立方体来表示，如图4中的Mc所示。
通道维注意力图谱可以包括通道维和空间维，此时通道维注意力图谱的空间维为1，即H、W各自对应的值为1，通道维可以用C表示。
1.3、将输入特征图谱F与通道维注意力图谱Mc相乘，得到注意力增强后的输出特征图谱Fc。
通道维注意力图谱和输入特征图谱可以基于像素相乘，基于像素相乘是指基于像素的强度值的相乘。
以某一通道为例，设特征图谱中某一通道中的高度和宽度为2*2，其像素点对应的灰度值为具体数值设为[[2，3][4，5]]，设该通道在通道维注意力图谱Mc中对应的数值为0.5，则输出特征图Fc为[[1，1.5][2，2.5]]。
为了整合通道上的空间信息，通道注意力模块采用了全局平均池化和全局最大池化得到对应通道的信息，全局最大池化可以收集到难区分物体之间更重要的线索，来获得更详细的通道注意力，然后依次通过两层的全连接层，求和并使用Sigmoid激活得到各个通道之间的内在关系，最后与输入特征图相乘，得到注意力增强后的输出特征图谱。
如图5所示，本发明实施例将通道注意力模块融入U-Net网络即得到CAM U-Net网络模型中进行肺结节分割。
本发明实施例提出的CAM U-Net网络模型，是在U-Net网络的基础上添加通道注意力模块，整体网络结构如图5所示，灰色填充向右宽箭头1、2、3、4代表添加的通道注意力模块。
本发明实施例的U-Net网络主要由编码器，解码器，分类器和跳跃连接组成。
编码器部分通过卷积操作对输入图片进行特征提取，如图5中，黑色向右细箭头所示，代表的操作为3×3卷积层，BN(Batch Normalization，BN)层和ReLU激活。
BN层可以减少网络对初始值尺度的依赖，加速网络的收敛，提升网络的泛化能力。
ReLU激活函数可以提高网络的非线性表达能力，然后通过最大池化操作，如图5中横线填充向下宽箭头所示，用于特征图的下采样，可以显著减少参数量。
解码器部分首先通过上采样操作，将特征图尺寸增大一倍。如图5中对角线填充向上宽箭头所示，然后与相对应位置的编码器部分的特征图通过跳跃连接进行拼接，结合浅层低级特征和深层高级特征，随后经过两个卷积操作，再经过通道注意力模块CAM，如图5中的灰色填充向右宽箭头所示，CAM加强对有用通道的关注，经过四次上采样最终恢复到输入图像原来的尺度。
分类器由1×1卷积层和Sigmoid激活层组成，其中1×1卷积层用于减少特征图的数量，Sigmoid激活层用于计算最终的特征图中每个像素的类别，从而输出网络的分割概率图。
训练过程中，通过反向传播，会根据金标准来修正网络中的参数，最终得到最优的通道权重，进而使网络关注更有用的通道。
上述实施例中，由于通道注意力增强后的特征图谱中的目标信息被增强了，所以据此确定出的特征图谱中的关注区域更为精确。
如图5所示，本发明实施例将所述通道注意力模块应用于U-Net网络中的结构示意图。
如图5所示，输入层为待检测的肺部图像，其通道数为1，宽度和高度均为64。将通道数为1的第一图谱(即输入层)经过卷积核个数为64的两个相同结构的卷积层，得到通道数为64的第二图谱。
其中，两个相同结构的卷积层有如下结构：卷积核尺寸为3×3，BN层和ReLU激活，与下文所提结构相同但卷积核个数不同；
将通道数为64的第二图谱经过核尺寸为2×2的最大池化卷积，得到通道数为64但空间维降低的第三图谱；
将第三图谱经过卷积核个数为128的两个相同结构的卷积层，得到通道数为128的第四图谱；
将通道数为128的第四图谱经过核尺寸为2×2的最大池化卷积，得到通道数为128但空间维降低的第五图谱；
将第五图谱经过卷积核个数为256的两个相同结构的卷积层，得到通道数为256的第六图谱；将通道数为256的第六图谱经过核尺寸为2×2的最大池化卷积，得到通道数为256但空间维降低的第七图谱；
将第七图谱经过卷积核个数为512的两个相同结构的卷积层，得到通道数为512的第八图谱；
将通道数为512的第八图谱经过核尺寸为2×2的最大池化卷积，得到通道数为512但空间维降低的第九图谱；
将第九图谱经过卷积核个数为1024的两个相同结构的卷积层，得到通道数为1024的第十图谱；
将第十图谱经过核尺寸为2×2，步长为stride＝2和卷积核为512的反卷积后，与第八图谱进行堆叠处理，得到通道数为512+512的第十一图谱；
将第十一图谱经过卷积核个数为512的两个相同结构的卷积层，得到通道数为512的第十二图谱；
将第十二图谱经过通道注意力模块后，得到第十三图谱；
将第十三图谱经过核尺寸为2×2，步长为stride＝2和卷积核为256的反卷积后，与第六图谱进行堆叠处理，得到通道数为256+256的第十四图谱；
将第十四图谱经过卷积核个数为256的两个相同结构的卷积层，得到通道数为256的第十五图谱；
将第十五图谱经过通道注意力模块后，得到第十六图谱；
将第十六图谱经过核尺寸为2×2，步长为stride＝2和卷积核为128的反卷积后，与第四图谱进行堆叠处理，得到通道数为128+128的第十七图谱；
将第十七图谱经过卷积核个数为128的两个相同结构的卷积层，得到通道数为128的第十八图谱；
将第十八图谱经过通道注意力模块后，得到第十九图谱；
将第十九图谱经过核尺寸为2×2，步长为stride＝2和卷积核个数为64的反卷积后，与第二图谱进行堆叠处理，得到通道数为64+64的第二十图谱；
将第二十图谱经过卷积核个数为64的两个相同结构的卷积层，得到通道数为64的第二十一图谱；
将第二十一图谱经过通道注意力模块后，得到第二十二图谱；
将第二十二图谱经过卷积核尺寸为1×1且个数为2的卷积层，和sigmoid激活，得到第二十三图谱，即输出层。
本发明实施例将实际待测肺部CT图像输入肺结节分割模型CAMU-Net网络中，输出得到对应的肺结节分割图像。通过在U-Net网络的基础上，在解码器中添加通道注意力模块，加强网络对有用特征的利用，进而有效提升了网络分割性能。
如图6所示，其示出了本申请一个实施例提供的图像目标肺结节分割装置的框图。该装置具有实现上述方法示例的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置可以是上文介绍的计算机设备，也可以设置在计算机设备上。
为了实现本发明的发明目的，本发明实施例还提供了一种肺结节分割装置，所述装置包括：
图像获取单元111，用来获取待分割的肺部图像，所述待分割的肺部图像包含待分割提取的目标肺结节；
预处理单元112，用来对所述待分割的肺部图像进行预处理，得到数据增强的输入图像；
分割单元113，用来通过完成训练的图像分割网络模型，对所述输入图像进行处理，得到所述待分割的肺部图像中的目标肺结节的分割结果；
其中，所述图像分割网络模型包含注意力模块，所述注意力模块用来基于注意力机制确定所述输入图像的特征图谱中的目标信息，所述注意力模块设置于U-Net网络中的解码器每层的两次卷积之后。
优选的，所述预处理单元112具体包括：
裁剪模块1121，用于对原始的所述肺部图像进行裁剪，获得目标大小的感兴趣区域；
数据增强模块1122，用来对训练集进行数据增强，根据肺结节的轮廓坐标信息，再次对原始的肺部图像进行裁剪，使肺结节位于目标大小感兴趣区域的不同位置的输入图像，然后又对裁剪后的图像进行了水平翻转和垂直翻转。
优选的，所述注意力模块用来基于注意力机制确定所述输入图像的特征图谱中的关注区域具体包括：
设通道注意力模块的输入为输入特征图谱F，所述输入特征图谱F的高度为H，宽度为W，通道数为C，每个通道有H*W个像素，每一个像素对应有一个强度值；
对输入特征图谱F的空间维度进行压缩，分别采用全局平均池化操作和全局最大池化操作，得到1×1×C的平均池化AvgPool和最大池化MaxPool；
将AvgPool和MaxPool依次送入一个两层共享参数的全连接层，其中，第一个全连接层的神经元个数为输入特征图通道数与ratio的商，第二个全连接层的神经元个数为输入特征图通道数。
AvgPool和MaxPool输入全连接层，得到AvgPool'和MaxPool'；
将AvgPool'和MaxPool'相加，并使用Sigmoid激活函数得到通道维注意力图谱Mc，最后将输入特征图谱F与Mc进行相乘得到输出特征图谱Fc；
所述通道维注意力图谱用于强调特征图谱的目标信息；
将输入特征图谱F与通道维注意力图谱Mc相乘，得到注意力增强后的输出特征图谱Fc。
优选的，
所述通道维注意力图谱包括通道维和空间维，通道维注意力图谱的空间维为1，即H、W各自对应的值为1，通道维用C表示；
将输入特征图谱F与通道维注意力图谱Mc相乘，得到注意力增强后的输出特征图谱Fc；
其中，所述通道维注意力图谱和特征图谱基于像素相乘，基于像素相乘是指基于像素的强度值的相乘。需要说明的是，上述实施例提供的装置，在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内容结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
请参考图7，其示出了本申请一个实施例提供的计算机设备1500的结构示意图。该计算机设备1500可用于实施上述实施例中提供的图像中的肺结节目标分割方法。
具体来讲：
所述计算机设备1500包括中央处理单元(CPU)1501、包括随机存取存储器(RAM)1502和只读存储器(ROM)1503的系统存储器1504，以及连接系统存储器1504和中央处理单元1501的系统总线1505。所述计算机设备1500还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)1506，和用于存储操作系统1513、应用程序1514和其他程序模块1515的大容量存储设备1507。
所述基本输入/输出系统1506包括有用于显示信息的显示器1508和用于用户输入信息的诸如鼠标、键盘之类的输入设备1509。其中，所述显示器1508和输入设备1509都通过连接到系统总线1505的输入输出控制器1510连接到中央处理单元1501。所述基本输入/输出系统1506还可以包括输入输出控制器1510以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器1510还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备1507通过连接到系统总线1505的大容量存储控制器(未示出)连接到中央处理单元1501。所述大容量存储设备1507及其相关联的计算机可读介质为计算机设备1500提供非易失性存储。也就是说，所述大容量存储设备1507可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。
当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器1504和大容量存储设备1507可以统称为存储器。
根据本申请的各种实施例，所述计算机设备1500还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备1500可以通过连接在所述系统总线1505上的网络接口单元1511连接到网络1512，或者说，也可以使用网络接口单元1511来连接到其他类型的网络或远程计算机系统(未示出)。
所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行。上述一个或者一个以上程序包含用于实现上述图像中的目标肺结节分割方法。
在示例性实施例中，还提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集。所述至少一条指令、至少一段程序、代码集或指令集经配置以由所述处理器执行，以实现上述图像中的肺结节目标分割方法。
在示例性实施例中，还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或所述指令集在被终端的处理器执行时实现上述图像中的目标分割方法或池化方法。可选地，上述计算机可读存储介质可以是ROM(Read-OnlyMemory，只读存储器)、RAM(RandomAccessMemory，随机存取存储器)、CD-ROM(CompactDiscRead-OnlyMemory，只读光盘)、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供了一种计算机程序产品，当该计算机程序产品被执行时，其用于实现上述图像中的目标肺结节分割方法。
应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
另外，本文中描述的步骤编号，仅示例性示出了步骤间的一种可能的执行先后顺序，在一些其它实施例中，上述步骤也可以不按照编号顺序来执行，如两个不同编号的步骤同时执行，或者两个不同编号的步骤按照与图示相反的顺序执行，本申请实施例对此不作限定。
以上所述仅为本申请的示例性实施例，并不用以限制本申请，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。
以上所述仅是本发明的部分实施方式，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，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种肺结节分割方法，其特征在于，所述方法包括：
获取待分割的肺部图像，所述待分割的肺部图像包含待分割提取的目标肺结节；
对所述待分割的肺部图像进行预处理，得到数据增强的输入图像；
通过完成训练的图像分割网络模型，对所述输入图像进行处理，得到所述待分割的肺部图像中的目标肺结节的分割结果；
其中，所述图像分割网络模型包含注意力模块，所述注意力模块用来基于注意力机制确定所述输入图像的特征图谱中的目标信息，所述注意力模块设置于U-Net网络中的解码器每层的两次卷积之后。
2.如权利要求1所述的肺结节分割方法，其特征在于，所述对所述待分割的肺部图像进行预处理，得到数据增强的输入图像具体包括：
对原始的所述肺部图像进行裁剪，获得目标大小的感兴趣区域；
对训练集进行数据增强，根据肺结节的轮廓坐标信息，再次对原始的肺部图像进行裁剪，使肺结节位于目标大小感兴趣区域的不同位置的输入图像，然后又对裁剪后的图像进行了水平翻转和垂直翻转。
3.如权利要求1所述的肺结节分割方法，其特征在于，所述注意力模块用来基于注意力机制确定所述输入图像的特征图谱中的关注区域具体包括：
设通道注意力模块的输入为输入特征图谱F，所述输入特征图谱F的高度为H，宽度为W，通道数为C，每个通道有H*W个像素，每一个像素对应有一个强度值；
对输入特征图谱F的空间维度进行压缩，分别采用全局平均池化操作和全局最大池化操作，得到1×1×C的平均池化AvgPool和最大池化MaxPool；
将AvgPool和MaxPool依次送入一个两层共享参数的全连接层，其中，第一个全连接层的神经元个数为输入特征图通道数与ratio的商，第二个全连接层的神经元个数为输入特征图通道数；
AvgPool和MaxPool输入全连接层，得到AvgPool'和MaxPool'，所述AvgPool'和MaxPool'为经过全连接层的特征提取后的1×1×C的平均池化图谱和最大池化图谱；
将AvgPool'和MaxPool'相加，并使用Sigmoid激活函数得到通道维注意力图谱Mc，最后将输入特征图谱F与通道维注意力图谱Mc进行相乘得到注意力增强后的输出特征图谱Fc；
所述通道维注意力图谱用于强调特征图谱的目标信息。
4.如权利要求3所述的肺结节分割方法，其特征在于，
所述通道维注意力图谱包括通道维和空间维，通道维注意力图谱的空间维为1，即H、W各自对应的值为1，通道维用C表示；
将输入特征图谱F与通道维注意力图谱Mc相乘，得到注意力增强后的输出特征图谱Fc；
其中，所述通道维注意力图谱Mc和输入特征图谱F基于像素相乘，基于像素相乘是指基于像素的强度值的相乘。
5.一种肺结节分割装置，其特征在于，所述装置包括：
图像获取单元，用来获取待分割的肺部图像，所述待分割的肺部图像包含待分割提取的目标肺结节；
预处理单元，用来对所述待分割的肺部图像进行预处理，得到数据增强的输入图像；
分割单元，用来通过完成训练的图像分割网络模型，对所述输入图像进行处理，得到所述待分割的肺部图像中的目标肺结节的分割结果；
其中，所述图像分割网络模型包含注意力模块，所述注意力模块用来基于注意力机制确定所述输入图像的特征图谱中的目标信息，所述注意力模块设置于U-Net网络中的解码器每层的两次卷积之后。
6.如权利要求5所述的肺结节分割装置，其特征在于，所述预处理单元具体包括：
裁剪模块，用于对原始的所述肺部图像进行裁剪，获得目标大小的感兴趣区域；
数据增强模块，用来对训练集进行数据增强，根据肺结节的轮廓坐标信息，再次对原始的肺部图像进行裁剪，使肺结节位于目标大小感兴趣区域的不同位置的输入图像。
7.如权利要求5所述的肺结节分割方法，其特征在于，所述注意力模块用来基于注意力机制确定所述输入图像的特征图谱中的关注区域具体包括：
设通道注意力模块的输入为输入特征图谱F，所述输入特征图谱F的高度为H，宽度为W，通道数为C，每个通道有H*W个像素，每一个像素对应有一个强度值；
对输入特征图谱F的空间维度进行压缩，分别采用全局平均池化操作和全局最大池化操作，得到1×1×C的平均池化AvgPool和最大池化MaxPool；
将AvgPool和MaxPool依次送入一个两层共享参数的全连接层，其中，第一个全连接层的神经元个数为输入特征图通道数与ratio的商，第二个全连接层的神经元个数为输入特征图通道数；
AvgPool和MaxPool输入全连接层，得到AvgPool'和MaxPool',所述AvgPool'和MaxPool'为经过全连接层的特征提取后的1×1×C的平均池化图谱和最大池化图谱；
将AvgPool'和MaxPool'相加，并使用Sigmoid激活函数得到通道维注意力图谱Mc，最后将输入特征图谱F与Mc进行相乘得到输出特征图谱Fc；
所述通道维注意力图谱用于强调特征图谱的目标信息。
8.如权利要求7所述的肺结节分割方法，其特征在于，
所述通道维注意力图谱包括通道维和空间维，通道维注意力图谱的空间维为1，即H、W各自对应的值为1，通道维用C表示；
将输入特征图谱F与通道维注意力图谱Mc相乘，得到注意力增强后的输出特征图谱Fc；
其中，所述通道维注意力图谱和特征图谱基于像素相乘，基于像素相乘是指基于像素的强度值的相乘。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至4任一项所述的肺结节分割方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至4任一项所述的肺结节分割方法。
CN202111129973.1A 2021-09-26 2021-09-26 肺结节的分割方法和装置、计算设备、可存储介质 Active CN113838067B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111129973.1A CN113838067B (zh) 2021-09-26 2021-09-26 肺结节的分割方法和装置、计算设备、可存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111129973.1A CN113838067B (zh) 2021-09-26 2021-09-26 肺结节的分割方法和装置、计算设备、可存储介质

Publications (2)

Publication Number Publication Date
CN113838067A true CN113838067A (zh) 2021-12-24
CN113838067B CN113838067B (zh) 2023-10-20

Family

ID=78970482

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111129973.1A Active CN113838067B (zh) 2021-09-26 2021-09-26 肺结节的分割方法和装置、计算设备、可存储介质

Country Status (1)

Country Link
CN (1) CN113838067B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114387436A (zh) * 2021-12-28 2022-04-22 北京安德医智科技有限公司 壁冠状动脉检测方法及装置、电子设备和存储介质
CN115272679A (zh) * 2022-08-08 2022-11-01 北京理工大学 地热有利区的辨识方法、装置、终端及存储介质
CN115496744A (zh) * 2022-10-17 2022-12-20 上海生物芯片有限公司 基于混合注意力的肺癌图像分割方法、装置、终端及介质
CN116612142A (zh) * 2023-07-19 2023-08-18 青岛市中心医院 一种肺癌ct样本数据智能分割方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110176012A (zh) * 2019-05-28 2019-08-27 腾讯科技（深圳）有限公司 图像中的目标分割方法、池化方法、装置及存储介质
CN111639692A (zh) * 2020-05-25 2020-09-08 南京邮电大学 一种基于注意力机制的阴影检测方法
AU2020103901A4 (en) * 2020-12-04 2021-02-11 Chongqing Normal University Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field
CN112651979A (zh) * 2021-01-11 2021-04-13 华南农业大学 肺部x光图像分割方法、系统、计算机设备及存储介质
CN112734715A (zh) * 2020-12-31 2021-04-30 同济大学 一种肺部ct图像的肺结节分割方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110176012A (zh) * 2019-05-28 2019-08-27 腾讯科技（深圳）有限公司 图像中的目标分割方法、池化方法、装置及存储介质
CN111639692A (zh) * 2020-05-25 2020-09-08 南京邮电大学 一种基于注意力机制的阴影检测方法
AU2020103901A4 (en) * 2020-12-04 2021-02-11 Chongqing Normal University Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field
CN112734715A (zh) * 2020-12-31 2021-04-30 同济大学 一种肺部ct图像的肺结节分割方法
CN112651979A (zh) * 2021-01-11 2021-04-13 华南农业大学 肺部x光图像分割方法、系统、计算机设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHENGZHOU XU 等: "Left Ventricle Segmentation Based on a Dilatde Dense Convolutional Networks", 《IEEEACESS》, pages 214087 - 214097 *
盘安思 等: "基于SVGG16的乳腺肿块图像识别", 《中南民族大学学报》, vol. 40, no. 4, pages 410 - 416 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114387436A (zh) * 2021-12-28 2022-04-22 北京安德医智科技有限公司 壁冠状动脉检测方法及装置、电子设备和存储介质
CN115272679A (zh) * 2022-08-08 2022-11-01 北京理工大学 地热有利区的辨识方法、装置、终端及存储介质
CN115272679B (zh) * 2022-08-08 2024-03-19 北京理工大学 地热有利区的辨识方法、装置、终端及存储介质
CN115496744A (zh) * 2022-10-17 2022-12-20 上海生物芯片有限公司 基于混合注意力的肺癌图像分割方法、装置、终端及介质
CN116612142A (zh) * 2023-07-19 2023-08-18 青岛市中心医院 一种肺癌ct样本数据智能分割方法及装置
CN116612142B (zh) * 2023-07-19 2023-09-22 青岛市中心医院 一种肺癌ct样本数据智能分割方法及装置

Also Published As

Publication number Publication date
CN113838067B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN113077471B (zh) 一种基于u型网络的医学图像分割方法
US20210365717A1 (en) Method and apparatus for segmenting a medical image, and storage medium
CN111627019B (zh) 一种基于卷积神经网络的肝脏肿瘤分割方法及系统
CN110807788B (zh) 医学图像处理方法、装置、电子设备及计算机存储介质
CN113838067A (zh) 肺结节的分割方法和装置、计算设备、可存储介质
CN110853038A (zh) 一种用于肝脏肿瘤CT图像分割技术的DN-U-net网络方法
CN113205537B (zh) 基于深度学习的血管图像分割方法、装置、设备及介质
CN111429460A (zh) 图像分割方法、图像分割模型训练方法、装置和存储介质
CN113205538A (zh) 基于CRDNet的血管图像分割方法及装置
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
CN112819831B (zh) 基于卷积Lstm及多模型融合的分割模型生成方法及装置
CN114742802B (zh) 基于3Dtransformer混合卷积神经网络的胰腺CT图像分割方法
CN112750137B (zh) 基于深度学习的肝脏肿瘤分割方法及系统
CN114445715A (zh) 一种基于卷积神经网络的农作物病害识别方法
CN117576405A (zh) 舌象语义分割方法、装置、设备及介质
CN117934824A (zh) 一种超声影像的目标区域分割方法、系统及电子设备
CN116309640A (zh) 一种基于多层级多注意力MLMA-UNet网络的图像自动分割方法
CN112634308A (zh) 基于不同感受野的鼻咽癌靶区和危及器官的勾画方法
CN116883660A (zh) 基于类不平衡与多级降采样特征融合的蜂窝肺分割方法
Guttulsrud Generating Synthetic Medical Images with 3D GANs
Ng et al. Medical Image Recognition: An Explanation and Hands-On Example of Convolutional Networks
UmaMaheswaran et al. Enhanced non-contrast computed tomography images for early acute stroke detection using machine learning approach
CN110570417A (zh) 肺结节分类方法、装置及图像处理设备
CN118229712B (zh) 基于增强多维特征感知的肝脏肿瘤图像分割系统
CN117726633B (zh) 基于特征融合的双分支冠状动脉图像的分割方法、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
GR01 Patent grant
GR01 Patent grant