CN114022486A - 一种基于改进型U-net网络的医学图像分割方法 - Google Patents
一种基于改进型U-net网络的医学图像分割方法 Download PDFInfo
- Publication number
- CN114022486A CN114022486A CN202111215394.9A CN202111215394A CN114022486A CN 114022486 A CN114022486 A CN 114022486A CN 202111215394 A CN202111215394 A CN 202111215394A CN 114022486 A CN114022486 A CN 114022486A
- Authority
- CN
- China
- Prior art keywords
- convolution
- medical image
- result
- path
- deconvolution
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000003709 image segmentation Methods 0.000 title claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000011176 pooling Methods 0.000 claims description 20
- 230000000977 initiatory effect Effects 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 abstract description 29
- 238000012549 training Methods 0.000 abstract description 14
- 210000004072 lung Anatomy 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000000232 gallbladder Anatomy 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000001370 mediastinum Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 238000012360 testing method 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
- G06T7/10—Segmentation; Edge detection
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于改进型U‑net网络的医学图像分割方法,包括:S1:获取医学图像;S2:对所述医学图像进行预处理;S3:将所述预处理后的所述医学图像,输入训练后的基于inception的U‑net神经网络,得到医学图像分割结果。本发明实施例提供的一种基于改进型U‑net网络的医学图像分割方法,与现有技术相比较,分割边缘清晰,分割精度高,网络的泛化能力强;同时参数量小,使得训练时间减少,提高了训练效率。
Description
技术领域
本发明属于医学图像分割技术领域,涉及一种基于改进型U-net网络的医学图像分割方法。
背景技术
随着深度学习的发展,神经网络开始广泛应用于图像分割中。由于传统方法存在分割效果不佳等诸多问题,研究者们开始利用神经网络进行图像分割,该方法是一种自动的图像分割方法,能够提取更丰富的特征信息,从而更好地分割出目标物。
近年来,利用u-net网络结构对图像进行分割逐渐引起了一些学者的关注。这种分割方法的基本思想是:编码器有四个子模块,每个子模块包含两个卷积层,每个子模块之后有一个通过最大池化实现的下采样层。解码器包含四个子模块,分辨率通过上采样操作依次上升,直到与输入图像的分辨率一致。该方法依旧存在一些缺陷:(1)参数量大;(2)分割边缘模糊,分割精度低;(3)网络的泛化能力弱。
发明内容
针对现有技术中存在的问题,本发明的目的在于提供一种基于改进型U-net网络的医学图像分割方法,至少部分解决上述技术问题。
本发明实施例提供了一种基于改进型U-net网络的医学图像分割方法,包括:
S1:获取医学图像;
S2:对所述医学图像进行预处理;
S3:将所述预处理后的所述医学图像,输入训练后的基于inception的U-net神经网络,得到医学图像分割结果。
进一步地,所述基于inception的U-net神经网络的结构包括:编码路径和解码路径;
所述编码路径包括下采样卷积路径和inception模块;所述解码路径包括上采样卷积路径;
将所述下采样卷积路径、所述inception模块和所述上采样卷积路径依次连接,进行图像分割。
进一步地,所述下采样卷积路径为对所述医学图像依次进行7*7卷积、3*3最大池化、3*3卷积和3*3最大池化,得到下采样卷积路径的输出结果。
进一步地,所述inception模块为对所述下采样卷积路径的输出结果,分别进行1*1卷积、1*1卷积和3*3卷积、1*1卷积和5*5卷积以及3*3最大池化和1*1卷积四种操作,得到inception模块的输出结果。
进一步地,所述上采样卷积路径为对所述inception模块的输出结果进行第一反卷积;将所述第一反卷积的输出结果与所述inception模块中所述3*3最大池化和1*1卷积的结果进行融合,得到第一融合结果;
对所述第一融合结果依次进行3*3卷积、dropout操作、3*3卷积和第二反卷积;将所述第二反卷积的输出结果与所述inception模块中所述1*1卷积的结果进行融合,得到第二融合结果;
对所述第二融合结果依次进行3*3卷积、dropout操作、3*3卷积和第三反卷积;将所述第三反卷积的输出结果与所述下采样卷积路径中所述3*3卷积的结果进行融合,得到第三融合结果;
对所述第三融合结果依次进行3*3卷积、dropout操作、3*3卷积和第四反卷积;将所述第四反卷积的输出结果与所述下采样卷积路径中第一个最大池化的结果进行融合,得到第四融合结果;
对所述第四融合结果依次进行3*3卷积、dropout操作、3*3卷积、第五反卷积和1*1卷积,得到所述医学图像分割结果。
进一步地,所述预处理为对所述医学图像进行归一化处理。
本发明实施例提供一种基于改进型U-net网络的医学图像分割方法,与现有技术相比较,分割边缘清晰,分割精度高,网络的泛化能力强;同时参数量小,使得训练时间减少,提高了训练效率。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
图1为本发明实施例提供的一种基于改进型U-net网络的医学图像分割方法框图;
图2为本发明实施例提供的基于inception的U-net神经网络整体结构示意图;
图3为本发明实施例提供的inception模块结构示意图;
图4为本发明实施例提供的一种基于改进型U-net网络的医学图像分割方法流程图;
图5为本发明实施例提供的使用不同方法分割CT肺部图像的结果示意图;
图6为本发明实施例提供的使用不同方法分割CT肺部图像的dice值变化示意图;
图7为本发明实施例提供的使用不同方法分割CT肺部图像的loss值变化示意图。
具体实施方式
下面将结合本发明实施例中的附图对本发明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发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,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,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“设置有”、“内接”、“连接”等,应做广义理解,例如“连接”,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本发明实施例提供的一种基于改进型U-net网络的医学图像分割方法,如图1所示,包括:
S1:获取医学图像;
S2:对医学图像进行预处理;
S3:将预处理后的医学图像,输入训练后的基于inception的U-net神经网络,得到医学图像分割结果。
其中,医学图像为医学CT图像,目标物可以为脑、脊髓、纵隔、肺、肝、胆、胰以及盆部器官等,其中本发明分割肺部图像的效果最优。
本发明实施例提供的一种基于改进型U-net网络的医学图像分割方法,与现有技术相比较,分割边缘清晰,分割精度高,网络的泛化能力强;同时参数量小,使得训练时间减少,提高了训练效率。
在一实施例中,上述基于inception的U-net神经网络的结构包括:编码路径和解码路径;
编码路径包括下采样卷积路径和inception模块;解码路径包括上采样卷积路径;
将下采样卷积路径、inception模块和上采样卷积路径依次连接,进行图像分割。
在一实施例中,如图2所示,上述下采样卷积路径为对医学图像依次进行7*7卷积、3*3最大池化、3*3卷积和3*3最大池化,得到下采样卷积路径的输出结果。
在一实施例中,如图3所示,上述inception模块为对下采样卷积路径的输出结果,分别进行1*1卷积、1*1卷积和3*3卷积、1*1卷积和5*5卷积以及3*3最大池化和1*1卷积四种操作,得到inception模块的输出结果。
在一实施例中,如图2所示,上述上采样卷积路径为,首先对inception模块的输出结果进行第一反卷积;将第一反卷积的输出结果与inception模块中3*3最大池化和1*1卷积的结果进行融合,得到第一融合结果;
然后,对第一融合结果依次进行3*3卷积、dropout操作、3*3卷积和第二反卷积;将第二反卷积的输出结果与inception模块中1*1卷积的结果进行融合,得到第二融合结果;
对第二融合结果依次进行3*3卷积、dropout操作、3*3卷积和第三反卷积;将第三反卷积的输出结果与下采样卷积路径中3*3卷积的结果进行融合,得到第三融合结果;
对第三融合结果依次进行3*3卷积、dropout操作、3*3卷积和第四反卷积;将第四反卷积的输出结果与下采样卷积路径中第一个最大池化的结果进行融合,得到第四融合结果;
最终,对第四融合结果依次进行3*3卷积、dropout操作、3*3卷积、第五反卷积和1*1卷积,得到医学图像分割结果。
预处理为对医学图像进行归一化处理。
在一具体实施例中,本发明提供的一种基于改进型U-net网络的医学图像分割方法,如图4所示,应用于肺部CT图像分割,操作步骤如下。
步骤1,定义卷积层和inception模块;具体按照以下步骤实施:步骤1.1,定义卷积所需要的参数;步骤1.2,定义BN(归一化);步骤1.3,定义inception结构。
步骤2,建立编码器函数,输入数据集的大小及维度;具体按照以下步骤实施:步骤2.1,经步骤1后,建立编码器函数,参数为输入图像大小;步骤2.2,定义输入图像的维度及大小。
步骤3,进行一系列的卷积池化及inception处理;具体按照以下步骤实施:步骤3.1,对输入图像进行7*7的卷积,得到256*256*64的特征图;步骤3.2,在3.1的基础上,对特征图进行3*3的最大池化,得到128*128*64大小的特征图;步骤3.3,对3.2得到的结果进行3*3的卷积操作,得到128*128*192的特征图;步骤3.4,再进行3*3的最大池化。
步骤4,将最后经过inception处理得到的结果输入到解码器部分;具体按照以下步骤实施:步骤4.1,将步骤3的结果作为步骤4的输入,分别进行1*1的卷积、1*1卷积和3*3卷积、1*1卷积和5*5卷积、3*3最大池化和1*1卷积;步骤4.2,利用4.1步骤中的不同操作并行处理图像,然后将不同处理结果融合即进行一次inception处理,将其结果作为下一步的输入,如图3。
步骤5,在解码器部分进行一系列的上采样及卷积,得到最终的结果。具体按照以下步骤实施:步骤5.1,经过多个步骤4得到的结果作为解码器的输入,进行第一次反卷积,得到32*32*512的特征图;步骤5.2,在5.1的基础上,将得到的结果与经过第三个inception结构即步骤4循环处理3次的结果融合;步骤5.3,对5.2的结果进行3*3卷积;步骤5.4,对5.2的结果进行dropout操作,减少训练时间,缓解过拟合现象;步骤5.5,最后进行3*3的卷积;步骤5.6,重复3次以上步骤,进行反卷积及卷积得到最终的分割结果。
图5中各列图像分别为测试图像a、k-means分割结果b、现有u-net分割结果c和本发明方法分割的结果d。从直观上可以观察到现有u-net方法的分割结果边缘较为模糊,而本发明得到的图像分割边缘有了明显提高。
另外现有u-net方法对肺部图像的分割结果中存在噪声点,如图5第三列中的图像所示;而本发明由于融合了Googlenet网络,引入inception结构,能够提取图像更丰富的特征信息,从而提高边缘清晰度,如图5第四列中的图像所示。由此可见,本发明不仅能够很好的分割出目标物,而且也能提高分割结果的边缘清晰度。
将现有的基于u-net图像分割方法、FCN方法和本发明分割方法在多个性能方面进行了对比,对比结果如表1、图6和图7所示。
由表1可知,本发明的dice值和分割准确度accuracy均最高,比FCN方法的dice值和分割准确度accuracy分别提高了47.09%和20.2%。说明本发明在分割准确度和相似度方面均优于其它两种方法,分割效果更好,与定性分析的结论一致。同时也说明inception结构的引入有效地提高了网络的特征表示能力,有效地利用图像的细节信息,提高分割精度。
表1不同方法对肺部图像的评价指标
图6是现有u-net图像分割方法、FCN方法和本发明方法在分割精度方面的对比折线图,由该图可以看出,本发明的dice系数随着训练轮数(epoch)的增加,其增长幅度最大,达到了98.62%,表现最优,表明本文算法在分割精度上与其它两种方法相比有了很大程度的提高。
结果表明,本发明方法的精度均高于现有u-net的分割方法,其原因是在特征提取过程中引入了inception模块,从而提高了分割精度。
图7是将现有u-net图像分割方法、FCN方法和本发明在loss值上进行对比,从该图中可以看出,U-net训练过程中loss的下降速度最为平缓,本发明的训练过程中,其loss值下降最快,同时改进后的方法在训练轮数为37的时候基本接近0,而u-net在训练轮数达到44以后loss值逐渐平缓。说明本发明的网络泛化能力最强,U-net网络泛化能力最弱。从loss下降曲线来看,本发明设置的学习率最佳,收敛速度快;FCN的学习率设置太小,导致曲线呈线性。因此本发明在图像分割上有很高的应用价值。
本发明在肺部图像分割方面,分割的准确率有一定的提升。其中结合表2可知,改进后的方法相较于现有U-net方法进行卷积等操作的计算参数量减少,使得训练时间减少,提高训练效率。
表2参数对比
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其改进构思加以等同替换或改变,都应涵盖在本发明的保护范围内。
Claims (6)
1.一种基于改进型U-net网络的医学图像分割方法,其特征在于,包括:
S1:获取医学图像;
S2:对所述医学图像进行预处理;
S3:将所述预处理后的所述医学图像,输入训练后的基于inception的U-net神经网络,得到医学图像分割结果。
2.根据权利要求1所述的一种基于改进型U-net网络的医学图像分割方法,其特征在于,所述基于inception的U-net神经网络的结构包括:编码路径和解码路径;
所述编码路径包括下采样卷积路径和inception模块;所述解码路径包括上采样卷积路径;
将所述下采样卷积路径、所述inception模块和所述上采样卷积路径依次连接,进行图像分割。
3.根据权利要求2所述的一种基于改进型U-net网络的医学图像分割方法,其特征在于:所述下采样卷积路径为对所述医学图像依次进行7*7卷积、3*3最大池化、3*3卷积和3*3最大池化,得到下采样卷积路径的输出结果。
4.根据权利要求3所述的一种基于改进型U-net网络的医学图像分割方法,其特征在于:所述inception模块为对所述下采样卷积路径的输出结果,分别进行1*1卷积、1*1卷积和3*3卷积、1*1卷积和5*5卷积以及3*3最大池化和1*1卷积四种操作,得到inception模块的输出结果。
5.根据权利要求4所述的一种基于改进型U-net网络的医学图像分割方法,其特征在于,所述上采样卷积路径包括:对所述inception模块的输出结果进行第一反卷积;将所述第一反卷积的输出结果与所述inception模块中所述3*3最大池化和1*1卷积的结果进行融合,得到第一融合结果;
对所述第一融合结果依次进行3*3卷积、dropout操作、3*3卷积和第二反卷积;将所述第二反卷积的输出结果与所述inception模块中所述1*1卷积的结果进行融合,得到第二融合结果;
对所述第二融合结果依次进行3*3卷积、dropout操作、3*3卷积和第三反卷积;将所述第三反卷积的输出结果与所述下采样卷积路径中所述3*3卷积的结果进行融合,得到第三融合结果;
对所述第三融合结果依次进行3*3卷积、dropout操作、3*3卷积和第四反卷积;将所述第四反卷积的输出结果与所述下采样卷积路径中第一个最大池化的结果进行融合,得到第四融合结果;
对所述第四融合结果依次进行3*3卷积、dropout操作、3*3卷积、第五反卷积和1*1卷积,得到所述医学图像分割结果。
6.根据权利要求1所述的一种基于改进型U-net网络的医学图像分割方法,其特征在于:所述预处理对所述医学图像进行归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111215394.9A CN114022486B (zh) | 2021-10-19 | 2021-10-19 | 一种基于改进型U-net网络的医学图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111215394.9A CN114022486B (zh) | 2021-10-19 | 2021-10-19 | 一种基于改进型U-net网络的医学图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114022486A true CN114022486A (zh) | 2022-02-08 |
CN114022486B CN114022486B (zh) | 2024-07-23 |
Family
ID=80056445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111215394.9A Active CN114022486B (zh) | 2021-10-19 | 2021-10-19 | 一种基于改进型U-net网络的医学图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114022486B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570431A (zh) * | 2019-09-18 | 2019-12-13 | 东北大学 | 一种基于改进的卷积神经网络的医学图像分割方法 |
CN111681252A (zh) * | 2020-05-30 | 2020-09-18 | 重庆邮电大学 | 一种基于多路径注意力融合的医学图像自动分割方法 |
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 |
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 |
CN113344933A (zh) * | 2021-06-01 | 2021-09-03 | 电子科技大学 | 一种基于多层次特征融合网络的腺体细胞分割方法 |
CN113393469A (zh) * | 2021-07-09 | 2021-09-14 | 浙江工业大学 | 基于循环残差卷积神经网络的医学图像分割方法和装置 |
-
2021
- 2021-10-19 CN CN202111215394.9A patent/CN114022486B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570431A (zh) * | 2019-09-18 | 2019-12-13 | 东北大学 | 一种基于改进的卷积神经网络的医学图像分割方法 |
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 |
CN111681252A (zh) * | 2020-05-30 | 2020-09-18 | 重庆邮电大学 | 一种基于多路径注意力融合的医学图像自动分割方法 |
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 |
CN113344933A (zh) * | 2021-06-01 | 2021-09-03 | 电子科技大学 | 一种基于多层次特征融合网络的腺体细胞分割方法 |
CN113393469A (zh) * | 2021-07-09 | 2021-09-14 | 浙江工业大学 | 基于循环残差卷积神经网络的医学图像分割方法和装置 |
Non-Patent Citations (4)
Title |
---|
CHRISTIAN SZEGEDY等: "Going Deeper with Convolutions", 《COMPUTER VISION AND PATTERN RECOGNITION》, 17 September 2014 (2014-09-17), pages 2 - 6 * |
NARINDER SINGH PUNN 等: "Inception U-Net Architecture for Semantic Segmentation to Identify Nuclei in Microscopy Cell Images", 《ACM JOURNALS》, 17 February 2020 (2020-02-17) * |
李大湘;张振;: "基于改进U-Net视网膜血管图像分割算法", 光学学报, no. 10, 25 May 2020 (2020-05-25) * |
郭瑞琦;王明泉;张俊生;张曼;张馨心;: "基于U-Net卷积神经网络的轮毂缺陷分割", 自动化与仪表, no. 04, 25 April 2020 (2020-04-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN114022486B (zh) | 2024-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112541503B (zh) | 基于上下文注意力机制和信息融合的实时语义分割方法 | |
CN107564025B (zh) | 一种基于深度神经网络的电力设备红外图像语义分割方法 | |
CN110689544A (zh) | 一种遥感图像细弱目标分割方法 | |
CN110363182A (zh) | 基于深度学习的车道线检测方法 | |
CN114708255B (zh) | 一种基于TransUNet模型的多中心儿童X线胸片图像肺部分割方法 | |
CN108388904B (zh) | 一种基于卷积神经网络和协方差张量矩阵的降维方法 | |
CN110223304A (zh) | 一种基于多路径聚合的图像分割方法、装置和计算机可读存储介质 | |
CN111461025A (zh) | 一种自主进化的零样本学习的信号识别方法 | |
CN115761735A (zh) | 一种基于自适应伪标签纠正的半监督语义分割方法 | |
CN113971735A (zh) | 一种深度图像聚类方法、系统、设备、介质及终端 | |
CN116342624A (zh) | 一种结合特征融合与注意力机制的脑肿瘤图像分割方法 | |
CN114332047B (zh) | 一种表面缺陷检测模型的构建方法及其应用 | |
CN115862103A (zh) | 一种小样本人脸识别方法及系统 | |
CN115082500A (zh) | 基于多尺度与局部特征引导网络的角膜神经纤维分割方法 | |
CN114022486A (zh) | 一种基于改进型U-net网络的医学图像分割方法 | |
CN113920421A (zh) | 一种快速分类的全卷积神经网络模型 | |
CN109508639A (zh) | 基于多尺度带孔卷积神经网络的道路场景语义分割方法 | |
CN112070019A (zh) | 一种人脸识别方法、装置、电子设备和存储介质 | |
CN115761229A (zh) | 一种基于多分类器的图像语义分割方法 | |
CN114997210A (zh) | 一种基于深度学习的机器异响识别检测方法 | |
CN115423788A (zh) | 一种基于深度学习的消化道识别系统及方法 | |
CN114140827A (zh) | 一种基于U-Net网络模型的孔洞识别方法及系统 | |
CN113674284A (zh) | 曲线分割网络、分割方法及采用该网络的图像分割方法 | |
CN112967232A (zh) | 基于图卷积的胃癌病理图像分割网络结构 | |
CN116309601B (zh) | 基于Lite-EDNet的皮革缺陷实时检测方法 |
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 |