CN113850818A - 一种混合2d和3d卷积神经网络的耳部ct影像前庭分割方法 - Google Patents
一种混合2d和3d卷积神经网络的耳部ct影像前庭分割方法 Download PDFInfo
- Publication number
- CN113850818A CN113850818A CN202110992746.5A CN202110992746A CN113850818A CN 113850818 A CN113850818 A CN 113850818A CN 202110992746 A CN202110992746 A CN 202110992746A CN 113850818 A CN113850818 A CN 113850818A
- Authority
- CN
- China
- Prior art keywords
- network
- segmentation
- cnn
- layer
- information
- 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 58
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000001720 vestibular Effects 0.000 claims abstract description 25
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 238000011423 initialization method Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 101100295091 Arabidopsis thaliana NUDT14 gene Proteins 0.000 claims 1
- 230000003252 repetitive effect Effects 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 26
- 238000013461 design Methods 0.000 description 9
- 210000002480 semicircular canal Anatomy 0.000 description 6
- 210000003582 temporal bone Anatomy 0.000 description 6
- 210000003477 cochlea Anatomy 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 210000003027 ear inner Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000027601 Inner ear disease Diseases 0.000 description 1
- 208000017119 Labyrinth disease Diseases 0.000 description 1
- 241000878128 Malleus Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 210000000883 ear external Anatomy 0.000 description 1
- 210000000959 ear middle Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000001785 incus Anatomy 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000002331 malleus Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 210000001050 stape Anatomy 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 208000027491 vestibular disease Diseases 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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
Abstract
本发明公开了一种混合2D和3D卷积神经网络的耳部CT影像前庭分割方法，包括构建数据集、基于多种深度特征融合策略的2DCNN分割网络设计以及3DDenseUNet分割网络设计三个步骤。2D网络采用编码器‑解码器结构作为主干网络提取耳部CT影像的前庭特征；然后整合DenseNet‑BC和U‑Net网络架构，搭建一个3DDenseUNet网络，融合低层空间信息和高层语义信息，最终实现前庭的精准分割。针对前庭结构设计的分割网络可以获得比通用的分割方法更优的分割性能，提高放射科医护人员的工作效率和质量。本发明能够准确进行耳部关键结构的自动分割，帮助医生完成大量重复性的工作，有效地减轻医生的负担。
Description
技术领域
本发明属于计算机视觉和医学影像处理领域，具体涉及计算机图像处理、深度学习、耳部CT影像诊断等。
背景技术
耳部结构形态特异，结构精密,功能复杂，且大部分结构位于颞骨内。颞骨分为内耳、中耳和外耳三部分，主要包括锤骨、砧骨、镫骨、耳蜗外壁、耳蜗内腔、前庭、前半规管、外半规管、后半规管、内听道、颈静脉球窝等30多个器官。
前庭是内耳的重要器官之一，位于耳蜗和半规管之间，在CT影像上呈不规则椭圆形腔，是人体对自身运动状态和头在空间位置的感受器。前庭异常是最常见的内耳疾病，前庭的准确分割是耳部解剖结构定量分析的基础，可以帮助医生诊断异常，治疗规划。
目前，基于深度学习的图像语义分割和目标检测已经取得了显著进展，但是将其应用于人耳CT影像的前庭分割时面临着以下问题：
(1)前庭位于耳蜗和半规管之间，结构细小而精密，体素点极少，在耳部颞骨CT序列中包含6～9层，单层CT影像仅有十几个体素点。前庭与耳蜗、半规管之间的边界不明显，并且存在不同层面多尺度变化、空间位置变化剧烈的问题。将现有的基于深度学习的图像语义分割方法应用于人耳前庭结构的分割任务时，效果并不理想，通常会出现过拟合问题，使得分割准确度较低。
(2)现有的医学影像分割方法大部分都是采用二维卷积神经网络(2D CNN) 的研究方案，但是耳部CT影像数据是三维的。2D CNN的方法是将三维体切分为多个二维切片后送入网络进行训练，该方法复杂度低且容易训练，但不能很好的利用切片之间的上下文语义信息，从而导致分割性能难以提升。3D CNN的方法虽然可以利用切片之间的相关性，但是对计算资源需求庞大，并且难以训练。所以如何充分发挥二者的优势是需要重点解决的问题。
(3)由于样本数据采集困难，标注门槛过高等客观原因，导致标注样本数据在数量和质量上均十分匮乏缺乏。深度神经网络需要大规模的数据样本进行训练才能获得优异的性能，标注样本的缺乏和类别不均衡问题给前庭的分割带来了很大的技术挑战。
本发明针对人耳前庭的具体结构特点，提出了一种混合2D和3D卷积神经网络的耳部CT影像前庭分割方法。为减轻3D网络的优化负担，本发明首先设计一个2D CNN对前庭结构进行较为精准的分割。然后利用2D CNN训练得到的模型参数，训练3D网络，输出分割结果。采用这种网络结构，不仅可以利用切片内的语义信息，还能很好的利用切片之间的上下文语义信息，充分发挥两种网络结构的优势，得到更为精准的前庭分割结果。
发明内容
本发明的目的是提出一种耳部CT影像前庭分割方法，采用深度卷积神经网络架构学习耳部CT影像片内以及切片之间的语义信息，实现耳部前庭结构的精准分割。
为了达到上述目标，本发明提出了如下技术方案：首先，2D网络采用编码器-解码器结构作为主干网络提取耳部CT影像的前庭特征；然后整合 DenseNet-BC和U-Net网络架构，搭建一个3D DenseUNet网络，融合低层空间信息和高层语义信息，最终实现前庭的精准分割。
该方案包括构建数据集、基于多种深度特征融合策略的2D CNN分割网络设计以及3D DenseUNet分割网络设计等三个步骤。下面详细介绍每一个步骤。
步骤1：构建数据集
由于目前国内外尚无用于前庭分割的数据集，需要自建前庭分割数据集，用于进行网络的训练。本发明自建了数据集VestibuleDataSet。其中的数据样本通过临床收集，包含102例、共714张正常前庭CT影像。
步骤2：基于多种深度特征融合策略的2D CNN分割网络设计
针对前庭边界不清晰的结构特点，本发明采用编码器-解码器的基本架构，设计了2D前庭分割网络。通过连接和级联的方式进行编码器和解码器的特征融合，有效地将浅层的粗略边缘定位信息与深层的细节像素分割信息融合。
同时针对前庭不同层面多尺度变化的问题，在编解码器的连接处和跳跃连接中加入空洞空间卷积池化金字塔(ASPP)，通过采用多个不同采样率的空洞卷积提取不同感受野的特征，可以准确挖掘到前庭不同形状和大小的信息，实现更加准确的前庭分割。
步骤3：3D DenseUNet分割网络设计
由于前庭具有体素点少、边界不明显的特点，所以本发明基于U-Net网络架构设计了3D CNN，并且在3D CNN的编码器中采用了DenseNet网络结构。 DenseNet中密集连接的方式保证了每一层的输入都是先前所有层的输出，这样的连接方式加强了信息的传递，可以最大限度地利用不同尺度的信息，更好地提取前庭的3D特征。
与现有技术相比，本发明具有重要的理论研究意义和应用价值：
1、分割准确性高。由于医学影像具有不同于自然图像的独有特性，且前庭结构细小而精密，边界不明显。所以针对前庭结构设计的分割网络可以获得比通用的分割方法更优的分割性能。
2、大大提高放射科医护人员的工作效率和质量。耳部颞骨结构复杂，包含 30多个器官，医生查看一套颞骨CT影像需要20分钟以上，且需要反复观看确认。本发明能够准确进行耳部关键结构的自动分割，帮助医生完成大量重复性的工作，有效地减轻医生的负担。
附图说明
图1：2D CNN分割网络结构图。
图2：3D CNN分割网络结构图。
具体实施方式
以下结合附图和实施例对本发明进行详细说明。
一种混合2D和3D卷积神经网络的耳部CT影像前庭分割方法，该方法的实施过程如下：
步骤1：构建数据集
本发明使用的数据集被分为三部分，包括训练集82例共570张CT影像、验证集10例共72张CT影像和测试集10例共72张CT影像。由具有丰富临床经验的放射科医师对数据进行标注，所有的CT影像均进行了前庭的体素级标注。
在本发明中，只是使用了轴位的影像。因此对耳部颞骨螺旋CT扫描图像进行多平面重建和标准化操作，使成像参数在一定范围内保持一致。所有采集的 CT影像通过采用Phillips 64排螺旋CT扫描仪对颞骨CT横断面进行螺旋扫描得到。
步骤2：基于多种深度特征融合策略的2D CNN分割网络设计
本发明以编码器-解码器网络为基础架构，设计了前庭分割2D网络，其结构如图1所示。
具体来说：
(1)为了更好的提取深度特征，本发明在下采样和上采样过程中分别采用了5层Block；
(2)Downblock由Conv层、SEblock层、BatchNorm层、Relu层和Pooling 层组成，并且在Downblock1中采用了最大池化(Maxpooling)，而在Downblcok2、 Downblcok3和Downblcok4中采用了平均池化(Averagepooling)。因为在网络的浅层包含更多的无用信息，使用Maxpooling能够更好地保留边界特征信息，减少无用信息。在网络的深层更关注高级语义信息，使用Averagepooling能够保留目标周围的背景信息；
(3)编解码器的连接采用级联操作，将底层空间信息与高层语义信息进行融合，提高分割精度。
步骤3：3D DenseUNet分割网络设计
针对前庭的具体结构特点，本发明在设计3D CNN时，通过整合DenseNet-BC 和U-Net网络架构，搭建了3D DenseUNet网络，其网络结构如图2所示。
尽管Denseblock每层的输出具有固定的通道数，但是它的输入通道数很大，因此在3×3的卷积层之前使用1×1的卷积层来减少参数的数量，从而提高计算效率，该网络结构称为DenseNet-B。为了降低特征图的数量和实现下采样，在Denseblock之间加入转换层(Transition Layers)，转换层包括Conv层和平均池化层(Averagepooling)，这样的网络结构称为DenseNet-C。将这两种网络结构进行结合并称其为DenseNet-BC。由于3D卷积的高内存消耗和GPU内存的限制，本发明在DenseNet-121的基础上，将每个Denseblock中卷积层的数量缩减为原来的一半，并且设置生长速率K为32。
步骤3.1：3D DenseUNet分割网络的训练
为了减轻3D CNN的优化负担，通过加入2D CNN产生的语义信息来指导 3D CNN的训练。首先训练2D CNN部分，整个训练过程的参数采用随机初始化方法。然后将2D CNN的输出8×224×224×2转换为224×224×8的3D图像，并与原始224×224×8的3D图像通过连接操作进行融合。接着将融合后的图像送入 3D DenseUNet，通过固定2D CNN训练得到的模型参数，训练3D CNN部分，参数也是采用随机初始化方法，最终输出224×224×8的分割结果。
本发明针对前庭的具体结构特点和分割需求，设计了一种混合2D和3D卷积神经网络的前庭分割方法。相比于传统的分割方法，该方法有效融合了两种结构的优势，可以实现耳部前庭结构的准确分割。
Claims (3)
1.一种混合2D和3D卷积神经网络的耳部CT影像前庭分割方法，其特征在在于：2D网络采用编码器-解码器结构作为主干网络提取耳部CT影像的前庭特征；然后整合DenseNet-BC和U-Net网络架构，搭建一个3D DenseUNet网络，融合低层空间信息和高层语义信息，最终实现前庭的精准分割。
该方案包括构建数据集、基于多种深度特征融合策略的2D CNN分割网络设计以及3DDenseUNet分割网络设计三个步骤。
步骤1：构建数据集；
自建前庭分割数据集，用于进行网络的训练。本发明自建了数据集VestibuleDataSet。其中的数据样本通过临床收集，包含102例、共714张正常前庭CT影像。
步骤2：基于多种深度特征融合策略的2D CNN分割网络设计；
采用编码器-解码器的基本架构，设计了2D前庭分割网络。通过连接和级联的方式进行编码器和解码器的特征融合，将浅层的粗略边缘定位信息与深层的细节像素分割信息融合。
在编解码器的连接处和跳跃连接中加入空洞空间卷积池化金字塔ASPP，通过采用多个不同采样率的空洞卷积提取不同感受野的特征，准确挖掘到前庭不同形状和大小的信息，实现更加准确的前庭分割。
步骤3：3D DenseUNet分割网络设计；
基于U-Net网络架构设计了3D CNN，并且在3D CNN的编码器中采用DenseNet网络结构。DenseNet中密集连接的方式保证了每一层的输入都是先前所有层的输出；利用不同尺度的信息提取前庭的3D特征。
2.根据权利要求1所述的一种混合2D和3D卷积神经网络的耳部CT影像前庭分割方法，其特征在在于：步骤2的实施过程如下：
(1)在下采样和上采样过程中分别采用了5层Block；
(2)Downblock由Conv层、SEblock层、BatchNorm层、Relu层和Pooling层组成，并且在Downblock1中采用了最大池化(Maxpooling)，而在Downblcok2、Downblcok3和Downblcok4中采用了平均池化(Averagepooling)。因为在网络的浅层包含更多的无用信息，使用Maxpooling能够更好地保留边界特征信息，减少无用信息。在网络的深层更关注高级语义信息，使用Averagepooling能够保留目标周围的背景信息；
(3)编解码器的连接采用级联操作，将底层空间信息与高层语义信息进行融合，提高分割精度。
3.根据权利要求1所述的一种混合2D和3D卷积神经网络的耳部CT影像前庭分割方法，其特征在在于：步骤3的实施过程如下：
针对前庭的具体结构特点，在设计3D CNN时，通过整合DenseNet-BC和U-Net网络架构，搭建了3D DenseUNet网络。
在3×3的卷积层之前使用1×1的卷积层来减少参数的数量，提高计算效率，该网络结构称为DenseNet-B。为了降低特征图的数量和实现下采样，在Denseblock之间加入转换层Transition Layers，转换层包括Conv层和平均池化层Averagepooling，这样的网络结构称为DenseNet-C。将这两种网络结构进行结合并称其为DenseNet-BC。由于3D卷积的高内存消耗和GPU内存的限制，在DenseNet-121的基础上，将每个Denseblock中卷积层的数量缩减为原来的一半，并且设置生长速率K为32。
步骤3.1：3D DenseUNet分割网络的训练
为了减轻3D CNN的优化负担，通过加入2D CNN产生的语义信息来指导3D CNN的训练。首先训练2D CNN部分，整个训练过程的参数采用随机初始化方法。然后将2D CNN的输出8×224×224×2转换为224×224×8的3D图像，并与原始224×224×8的3D图像通过连接操作进行融合。接着将融合后的图像送入3D DenseUNet，通过固定2D CNN训练得到的模型参数，训练3D CNN部分，参数也是采用随机初始化方法，最终输出224×224×8的分割结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110992746.5A CN113850818A (zh) | 2021-08-27 | 2021-08-27 | 一种混合2d和3d卷积神经网络的耳部ct影像前庭分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110992746.5A CN113850818A (zh) | 2021-08-27 | 2021-08-27 | 一种混合2d和3d卷积神经网络的耳部ct影像前庭分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113850818A true CN113850818A (zh) | 2021-12-28 |
Family
ID=78976245
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110992746.5A Pending CN113850818A (zh) | 2021-08-27 | 2021-08-27 | 一种混合2d和3d卷积神经网络的耳部ct影像前庭分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113850818A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190030371A1 (en) * | 2017-07-28 | 2019-01-31 | Elekta, Inc. | Automated image segmentation using dcnn such as for radiation therapy |
| US20190080456A1 (en) * | 2017-09-12 | 2019-03-14 | Shenzhen Keya Medical Technology Corporation | Method and system for performing segmentation of image having a sparsely distributed object |
| CN109598727A (zh) * | 2018-11-28 | 2019-04-09 | 北京工业大学 | 一种基于深度神经网络的ct图像肺实质三维语义分割方法 |
| CN110544264A (zh) * | 2019-08-28 | 2019-12-06 | 北京工业大学 | 一种基于3d深监督机制的颞骨关键解剖结构小目标分割方法 |
| CN112183360A (zh) * | 2020-09-29 | 2021-01-05 | 上海交通大学 | 高分辨率遥感影像的轻量化语义分割方法 |
| WO2021104056A1 (zh) * | 2019-11-27 | 2021-06-03 | 中国科学院深圳先进技术研究院 | 一种肿瘤自动分割系统、方法及电子设备 |
| CN113160229A (zh) * | 2021-03-15 | 2021-07-23 | 西北大学 | 基于层级监督级联金字塔网络的胰腺分割方法及装置 |
-
2021
- 2021-08-27 CN CN202110992746.5A patent/CN113850818A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190030371A1 (en) * | 2017-07-28 | 2019-01-31 | Elekta, Inc. | Automated image segmentation using dcnn such as for radiation therapy |
| US20190080456A1 (en) * | 2017-09-12 | 2019-03-14 | Shenzhen Keya Medical Technology Corporation | Method and system for performing segmentation of image having a sparsely distributed object |
| CN109598727A (zh) * | 2018-11-28 | 2019-04-09 | 北京工业大学 | 一种基于深度神经网络的ct图像肺实质三维语义分割方法 |
| CN110544264A (zh) * | 2019-08-28 | 2019-12-06 | 北京工业大学 | 一种基于3d深监督机制的颞骨关键解剖结构小目标分割方法 |
| WO2021104056A1 (zh) * | 2019-11-27 | 2021-06-03 | 中国科学院深圳先进技术研究院 | 一种肿瘤自动分割系统、方法及电子设备 |
| CN112183360A (zh) * | 2020-09-29 | 2021-01-05 | 上海交通大学 | 高分辨率遥感影像的轻量化语义分割方法 |
| CN113160229A (zh) * | 2021-03-15 | 2021-07-23 | 西北大学 | 基于层级监督级联金字塔网络的胰腺分割方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 姚建华;吴加敏;杨勇;施祖贤;: "全卷积神经网络下的多光谱遥感影像分割", 中国图象图形学报, no. 01, 16 January 2020 (2020-01-16) * |
| 张哲晗;方薇;杜丽丽;乔延利;张冬英;丁国绅;: "基于编码-解码卷积神经网络的遥感图像语义分割", 光学学报, no. 03, 10 February 2020 (2020-02-10) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111461983B (zh) | 一种基于不同频度信息的图像超分辨率重建模型及方法 | |
| CN110544264B (zh) | 一种基于3d深监督机制的颞骨关键解剖结构小目标分割方法 | |
| WO2023077603A1 (zh) | 一种异常脑连接预测系统、方法、装置及可读存储介质 | |
| CN108492873B (zh) | 一种用于辅助诊断阿兹海默症的知识迁移学习方法 | |
| CN111597946B (zh) | 图像生成器的处理方法、图像生成方法及装置 | |
| CN110008992B (zh) | 一种用于前列腺癌辅助诊断的深度学习方法 | |
| CN113658142B (zh) | 一种基于改进U-Net神经网络的髋关节股骨近端分割方法 | |
| CN112215291A (zh) | 级联神经网络下医学图像特征提取和分类方法 | |
| CN110477907B (zh) | 一种智能辅助识别痫性发作的建模方法 | |
| CN113763406B (zh) | 基于半监督学习的婴儿脑mri分割方法 | |
| CN113724206A (zh) | 一种基于自监督学习的眼底图像血管分割方法及系统 | |
| CN114897780A (zh) | 一种基于mip序列的肠系膜上动脉血管重建方法 | |
| CN112785603A (zh) | 一种基于Unet和超像素的脑组织分割方法 | |
| CN114119788A (zh) | 一种基于对抗生成网络的多模态医学图像编码与生成方法 | |
| CN114565601A (zh) | 基于DeepLabV3+改进的肝脏CT图像分割算法 | |
| CN109934796A (zh) | 一种基于深度集成学习的器官自动勾画方法 | |
| CN111402207B (zh) | 一种基于复合神经网络的超声造影视频数据分析方法 | |
| CN113850818A (zh) | 一种混合2d和3d卷积神经网络的耳部ct影像前庭分割方法 | |
| CN117115132A (zh) | 一种基于改进U-Net模型的口腔CBCT影像牙齿及软组织分割模型方法 | |
| CN116433679A (zh) | 一种基于空间位置结构先验的内耳迷路多级标注伪标签生成与分割方法 | |
| CN115908451A (zh) | 一种结合多视图几何及迁移学习的心脏ct影像分割方法 | |
| CN116309507A (zh) | 注意力机制下对ctp进行特征融合的ais病灶预测方法 | |
| CN111292339B (zh) | 基于w型网络结构的临床颞骨ct多结构提取方法及装置 | |
| CN115565671A (zh) | 基于跨模型相互教学半监督的房颤辅助分析方法 | |
| CN114387282A (zh) | 一种医学影像器官精准自动分割方法及系统 |
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 |