CN114049339B - 一种基于卷积神经网络的胎儿小脑超声图像分割方法 - Google Patents
一种基于卷积神经网络的胎儿小脑超声图像分割方法 Download PDFInfo
- Publication number
- CN114049339B CN114049339B CN202111381985.3A CN202111381985A CN114049339B CN 114049339 B CN114049339 B CN 114049339B CN 202111381985 A CN202111381985 A CN 202111381985A CN 114049339 B CN114049339 B CN 114049339B
- Authority
- CN
- China
- Prior art keywords
- model
- fcrb
- module
- net
- segmentation
- 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.)
- Active
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20081—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30044—Fetus; Embryo
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明提出一种基于卷积神经网络的胎儿小脑超声图像分割方法,包括如下步骤:处理数据集,将数据集按照8:2的比例随机划分为训练集和测试集,并进行图像增强;搭建FCRB‑U‑Net网络模型,采用全连接残差模块替代双卷积操作,并在有效注意力模块的监督下提取图像特征,在解码器端添加特征重用模块,实现深层特征的传播与复用;在训练集上,对FCRB‑U‑Net进行训练,执行分割任务并生成分割模型;在测试集上测试模型,根据测试的结果,选择出性能最优的模型为最终模型,并保存下来。本发明能够提取到更加全面、有效的特征,引入少量的参数即可较高的提升模型性能,快速准确的分割出胎儿小脑,可以辅助医生诊断。
Description
技术领域
本发明涉及医学图像分析和人工智能技术领域,具体的说是一种基于卷积神经网络的胎儿小脑的超声图像分割方法。
背景技术
中枢神经系统畸形在全球每年出生人口中都占据了不容小觑的比例,严重影响了人类下一代的健康安全和素质水平。提高胎儿中枢神经系统先天畸形的检出率及其早期诊断对于优生优育、提高人口素质有重要意义,其中胎儿小脑发育情况的检测是产前检查必不可少的一部分,小脑发育不良(小脑体积减小),是一种常见但不具有特异度的神经影像学表现,被广泛的用于医师评估胎儿发育状况,为诊断先天性畸形提供依据。因此,对胎儿小脑的精确定位和分割在临床诊断中具有十分重要的意义。
传统的图像分割方法主要有区域生长法、阈值法、图割法等。常见的阈值法有Otsu阈值化算法、自适应阈值法等。Moltz等人通过阈值法对CT图像中的肝脏肿瘤部分进行分割,该方法实现简单,但是分割出的效果有待提升。随着新样本的增多,之前的传统方法可能会失效,需要借助深度学习的图像处理技术来处理、分析大量的图像样本。近年来出现了FCN、ternausnet、SegNet和U-Net等经典的神经网络模型被广泛用于图像分割,其中U-Net由于其在医学图像处理分析时表现出的良好性能,而成为医学图像分割中最具代表性的监督分割方法之一。U-Net运用了大量的卷积操作来提取特征,但是,在卷积的过程中,随着网络层数加深,伴随着语义信息丢失的问题,使得网络并不能够提取全面的图像特征,大大影响了得到的预测图像的精度。
发明内容
本发明的目的是为了解决卷积过程中语义信息的丢失的问题,提出一种基于卷积神经网络的胎儿小脑超声图像分割方法,即FCRB-U-Net,充分利用卷积前后以及过程中的语义信息,提取更加全面、有效的图像特征,提高网络分割的精度与效率。
为达到上述目的,本发明采用如下技术方案予以实现。
一种基于卷积神经网络的胎儿小脑超声图像分割方法,包括以下步骤:
步骤一:收集样本,标注标签,按照8:2的比例将数据集随机分为训练集和测试集。为了解决医学图像数据集过小的问题,通过随机裁剪、水平翻转、旋转等方式来进行数据增强;
步骤二:搭建FCRB-U-Net网络模型,采用全连接残差块FCRB替代双卷积,并在有效注意力模块ECA的监督下提取图像特征,在解码器端添加特征重用模块FRM,实现深层特征在浅层特征中的传播;
步骤三:在训练集上,对FCRB-U-Net进行训练,执行分割任务并生成分割模型;
步骤四:在测试集上测试模型,根据测试的结果,选择出性能最优模型为最终模型,将其用于图像的分割。
进一步的,步骤一中所述的数据增强的具体内容和方法为:
(1)为了避免图像尺寸变换而导致信息丢失,采用随机裁剪,直接裁剪出固定大小的影像输入网络;
(2)影像中的目标结构可能处于任意位置,因此取概率p为0.5随机抽取训练数据进行上下、左右翻转;
(3)采用高斯模糊的方式对样本进行增强,缓解伪影和信号振幅等因素对准确分割目标结构的干扰。
进一步的,步骤二中所述的FCRB-U-Net结构为:
FCRB-U-Net选用U-Net作为骨干网络,采用一种全连接的残差模块(FullyConnected Residual Block,FCRB),来替换原来双卷积,弥补卷积过程中有效信息的丢失,来获得更丰富的语义信息;在每一个FCRB模块后添加有效注意力模块(Efficient ChannelAttention,ECA),来增强有效特征信息的提取,抑制无效特征信息;在解码器端增加特征重用模块(Feature Reuse Module,FRM),实现深层信息的传播与复用。对于输入的超声胎儿小脑图像,使用FCRB-U-Net进行特征提取以及还原,最终输出模型对目标结构的预测图。该网络模型的训练方案是采用二元交叉熵函数作为损失函数进行训练的。
其中,所述FCRB-U-Net中的全连接的残差模块FCRB的结构为:
利用残差的思想,将原始的数据与经过一次3*3卷积提取到的语义信息,以及经过两次3*3的得到的特征信息在归一化和使用Relu函数激活后,按w1:w2:w3的比例相加起来,实现深层特征和浅层特征高度结合,也不放弃中层信息。此处,w1、w2和w3都设置为1。
所述FCRB-U-Net中有效注意力模块ECA的结构为:
首先对输入的特征,使用全局平均池化聚合成通道描述向量,其公式为:
其中,vc∈RC×1,uc代表通道c上的局部特征,HW分别表示输入特征的高和宽;其次,为了避免多层感知机产生大量的参数,有效注意力模块使用一维卷积对特征向量进行计算,使用核为3,步长为1,padding为1的卷积滑动计算;最后由Sigmoid函数将得到的向量概率化,与输入的特征点乘进行加权,得到输出特征。有效注意力模块具体定义为公式:
其中,w1D表示核为3的一维卷积,σ表示非线性Sigmoid函数。
所述FCRB-U-Net中特征重用模块FRM的结构为:
将FCRB-U-Net网络中第五层、第六层、第七层、第八层经过有效注意力模块加强之后的结果分别上采样到相同的大小,即512*512,维度数分别变换为c1、c2、c3、c4,这里c1、c2、c3、c4分别取6、10、16、32,再将它们与第九层的相连,第九层维度为64,相连之后总维度为128。同时,为了防止过拟合,提高分割模型的泛化能力,在解码器网络中进行卷积操作后,加入了批量归一化(BN)。
本发明的优点和有益效果是:
(1)采用全连接残差块FCRB,弥补U-Net双卷积过程中特征信息的丢失,帮助模型提取更加全面的特征信息;
(2)嵌入有效注意力模块ECA,来抑制无关信息,强调有效特征信息的提取,帮助网络提取更有效的特征信息;
(3)解码器段加入特征重用模块FRM,实现深层信息的传播与复用,使得网络获得了更好的分割精度与性能;
(4)提出的FCRB-U-Net胎儿小脑超声图像分割技术,引入少量的参数即可较高的提升模型性能,快速准确的分割出胎儿小脑,可以帮助医生观察胎儿小脑的发育情况,提高医生的工作效率和诊断的准确性,降低漏诊率、误诊率。
附图说明
图1为本发明的流程图。
图2为FCRB-U-Net的结构图。
图3为全连接残差模块FCRB的结构图。
图4为有效注意力模块ECA的结构图。
图5为特征重用模块FRM的结构图。
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。
图1是本发明方法的流程图,包括以下步骤:
步骤一:收集样本,标注标签,按照8:2的比例将数据集随机分为训练集和测试集。为了解决医学数据集过小的问题,通过随机裁剪、水平翻转、旋转等方式来进行数据增强。
步骤二:搭建FCRB-U-Net网络模型,采用全连接残差块FCRB替代双卷积,并在有效注意力模块ECA的监督下提取图像特征,在解码器端添加特征重用模块FRM,实现深层特征在浅层特征中的传播与复用;
步骤三:在训练集上,对FCRB-U-Net进行训练,执行分割任务并生成分割模型。
步骤四:在测试集上测试模型,根据测试的结果,选择出性能最优模型为最终模型,并保存。
其中,步骤一中所述的数据增强特征的具体内容和方法为:
(1)为了避免图像尺寸变换而导致信息丢失,采用随机裁剪,直接裁剪出固定大小的影像输入网络;
(2)影像中的目标结构可能处于任意位置,因此取概率p为0.5随机抽取训练数据进行上下、左右翻转;(3)采用高斯模糊的方式对样本进行增强,缓解伪影和信号振幅等因素对准确分割目标结构的干扰。
如图2所示,步骤二中的FCRB-U-Net结构为:
FCRB-U-Net选用U-Net作为骨干网络,采用一种全连接的残差模块(FullyConnected Residual Block,FCRB),来替换原来的双卷积,弥补卷积过程中有效信息的丢失,来获得更全面、更丰富的语义信息;在每一个FCRB模块后添加有效注意力模块(Efficient Channel Attention,ECA),增强有效特征信息的提取,抑制无效特征信息;在解码器端增加特征重用模块(Feature Reuse Module,FRM),实现深层信息的传播与复用。对于输入的超声胎儿小脑图像,使用FCRB-U-Net进行特征提取以及还原,最终输出模型对目标结构的预测图。该网络模型的训练方案是采用二元交叉熵函数作为损失函数进行训练的。
如图3所示,所述FCRB-U-Net中的全连接的残差模块FCRB的结构为:
利用残差的思想,将原始的数据与经过一次3*3卷积提取到的语义信息,以及经过两次3*3的得到的特征信息在归一化和使用Relu函数激活后,按w1:w2:w3的比例相加起来,实现深层特征和浅层特征高度结合,也不放弃中层信息。此处,w1、w2和w3都设置为1。
如图4所示,本文发明所述FCRB-U-Net中有效注意力模块ECA的结构为:
首先对输入的特征,使用全局平均池化聚合成通道描述向量,其公式为:
其中,vc∈RC×1,uc代表通道c上的局部特征,HW分别表示输入特征的高和宽;其次,为了避免多层感知机产生大量的参数,有效注意力模块使用一维卷积对特征向量进行计算,使用核为3,步长为1,padding为1的卷积滑动计算;最后由Sigmoid函数将得到的向量概率化,与输入的特征点乘进行加权,得到输出特征。有效注意力模块具体定义为公式:
其中,w1D表示核为3的一维卷积,σ表示非线性Sigmoid函数。
如图2所示,所述FCRB-U-Net中特征重用模块FRM的结构为:
将FCRB-U-Net网络中第五层、第六层、第七层、第八层经过有效注意力模块加强之后的结果分别上采样到相同的大小,即512*512,维度数分别变换为c1、c2、c3、c4,这里c1、c2、c3、c4分别取6、10、16、32,再将它们与第九层的相连,第九层维度为64,相连之后总维度为128。同时,为了防止过拟合,提高分割模型的泛化能力,在解码器网络中进行卷积操作后,加入了批量归一化(BN)。
实施例
下面通过在自建数据集上进行实验实例阐述本发明的具体实施方式:
(1)处理数据集:收集样本,标注标签,按照8:2的比例将数据集随机分为训练集和测试集。然后,对所有数据进行适当裁剪,来去除患者的个人信息;并且,对数据进行增强:(a)为了避免图像尺寸变换而导致信息丢失,采用随机裁剪,直接裁剪出固定大小的影像输入网络,这里固定大小为512*512;(b)影像中的目标结构可能处于任意位置,因此取概率p为0.5随机抽取训练数据进行上下、左右翻转;(c)采用高斯模糊的方式对样本进行增强,缓解伪影和信号振幅等因素对准确分割目标结构的干扰。
(2)搭建FCRB-U-Net模型,并在测试集上采用二元交叉熵函数作为损失函数来训练模型。
(3)在测试集上测试训练好的模型,根据测试的结果,寻找出性能最优的那一个模型为最终的模型,将其用于图像的分割。
(4)将本方法和经典的图像分割算法进行比较,结果如表1所示:
通过与其他方法的比较,本方法的各项性能指标明显高于U-Net和FCN8s。
表1语义分割模型实验结果比较(%)
如图5所示,U-Net和FCN8s对胎儿超声图像进行分割得到的结果存在目标区域误判、缺失的问题,而本发明中FCRB-U-Net能够准确判断出胎儿小脑的位置,其分割出的目标区域的面积、轮廓也最接近真值,可以验证本发明所提出的方法性能有明显提升。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于卷积神经网络的胎儿小脑超声图像分割方法,其特征在于,包括以下步骤:
步骤一:收集样本,标注标签,按照8:2的比例将数据集随机划分为训练集和测试集;通过随机裁剪、旋转、翻转和高斯模糊的方式来进行数据增强,解决医学数据集过小问题;
步骤二:搭建FCRB-U-Net网络模型,采用全连接残差模块替代双卷积操作,并在有效注意力模块的监督下提取图像特征,在解码器端添加特征重用模块,实现深层特征的传播与复用;
所述的FCRB-U-Net网络模型的结构为:
FCRB-U-Net选用U-Net作为骨干网络,采用一种全连接的残差模块FCRB,来替换原来的双卷积,弥补卷积过程中有效信息的丢失,获得更丰富、更全面的语义信息;在每一个FCRB模块后添加有效注意力模块ECA,来增强有效特征信息的提取,抑制无效特征信息;在解码器端增加特征重用模块FRM,实现深层信息的传播与复用;对于输入的超声胎儿小脑图像,使用FCRB-U-Net进行特征提取以及还原,最终输出模型对目标结构的预测图;该网络模型的训练方案是采用二元交叉熵函数作为损失函数进行训练的;
其中,所述全连接的残差模块FCRB的结构为:
利用残差的思想,将原始的数据与经过一次3*3卷积提取到的语义信息,以及经过两次3*3卷积得到的特征信息在归一化和使用Relu函数激活后,按w1:w2:w3的比例相加起来,实现深层特征和浅层特征高度结合,也不放弃中层信息;此处,w1、w2和w3都设置为1;
所述有效注意力模块ECA的结构为:
首先对输入的特征,使用全局平均池化聚合成通道描述向量,其公式为:
其中,vc∈RC×1,uc代表通道c上的局部特征,H、W分别表示输入特征的高和宽;其次,为了避免多层感知机产生大量的参数,有效注意力模块使用一维卷积对特征向量进行计算,使用核为3,步长为1,padding为1的卷积滑动计算;最后由Sigmoid函数将得到的向量概率化,与输入的特征点乘进行加权,得到输出特征;有效注意力模块具体定义为公式:
其中,w1D表示核为3的一维卷积,σ表示非线性Sigmoid函数;
所述特征重用模块FRM的结构为:
将FCRB-U-Net网络中第五层、第六层、第七层、第八层经过有效注意力模块加强之后的结果分别上采样到相同的大小,即512*512,维度数分别变换为c1、c2、c3、c4,这里c1、c2、c3、c4分别取6、10、16、32,再将它们与第九层的相连,第九层维度为64,相连之后总维度为128;同时,为了防止过拟合,提高分割模型的泛化能力,在解码器网络中进行卷积操作后,加入批量归一化;
步骤三:在训练集上,对FCRB-U-Net进行训练,执行分割任务并生成分割模型;
步骤四:在测试集上测试模型,根据测试的结果,选择出性能最优的模型为最终模型,并保存下来将其用于图像的分割。
2.根据权利要求1所述的基于卷积神经网络的胎儿小脑超声图像分割方法,其特征在于,步骤一中所述的数据增强的具体内容和方法为:
(1)采用随机裁剪,直接裁剪出固定大小的影像输入网络;
(2)影像中的目标结构可能处于任意位置,因此取概率p为0.5随机抽取训练数据进行上下、左右翻转;
(3)采用高斯模糊的方式对胎儿超声图像进行增强,缓解伪影和信号振幅因素对准确分割目标结构的干扰。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111381985.3A CN114049339B (zh) | 2021-11-22 | 2021-11-22 | 一种基于卷积神经网络的胎儿小脑超声图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111381985.3A CN114049339B (zh) | 2021-11-22 | 2021-11-22 | 一种基于卷积神经网络的胎儿小脑超声图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114049339A CN114049339A (zh) | 2022-02-15 |
CN114049339B true CN114049339B (zh) | 2023-05-12 |
Family
ID=80210401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111381985.3A Active CN114049339B (zh) | 2021-11-22 | 2021-11-22 | 一种基于卷积神经网络的胎儿小脑超声图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114049339B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115471734B (zh) * | 2022-09-23 | 2023-04-25 | 中国农业大学 | 木质包装ippc标识的辩伪方法、装置及服务器 |
CN116392166B (zh) * | 2023-03-07 | 2024-02-23 | 广州市妇女儿童医疗中心 | 一种孕囊及胚芽自动测量方法、系统、装置及介质 |
CN117618026A (zh) * | 2023-11-27 | 2024-03-01 | 广东工业大学 | 一种应用于超声图像的胎儿头围测量方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021184817A1 (zh) * | 2020-03-16 | 2021-09-23 | 苏州科技大学 | 一种医学图像中肝脏及其病灶分割的方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977793B (zh) * | 2019-03-04 | 2022-03-04 | 东南大学 | 基于变尺度多特征融合卷积网络的路侧图像行人分割方法 |
CN110874842B (zh) * | 2019-10-10 | 2022-04-29 | 浙江大学 | 一种基于级联残差全卷积网络的胸腔多器官分割方法 |
CN111161271A (zh) * | 2019-12-31 | 2020-05-15 | 电子科技大学 | 一种超声图像分割方法 |
CN111768420A (zh) * | 2020-07-03 | 2020-10-13 | 中国科学院微小卫星创新研究院 | 一种细胞图像分割模型 |
CN113096070A (zh) * | 2021-03-09 | 2021-07-09 | 山西三友和智慧信息技术股份有限公司 | 一种基于MA-Unet的图像分割方法 |
CN113554669B (zh) * | 2021-07-28 | 2023-05-12 | 哈尔滨理工大学 | 一种改进注意力模块的Unet网络脑肿瘤MRI图像分割方法 |
-
2021
- 2021-11-22 CN CN202111381985.3A patent/CN114049339B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021184817A1 (zh) * | 2020-03-16 | 2021-09-23 | 苏州科技大学 | 一种医学图像中肝脏及其病灶分割的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114049339A (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114049339B (zh) | 一种基于卷积神经网络的胎儿小脑超声图像分割方法 | |
Wu et al. | Jcs: An explainable covid-19 diagnosis system by joint classification and segmentation | |
Shamshad et al. | Transformers in medical imaging: A survey | |
Soudani et al. | An image-based segmentation recommender using crowdsourcing and transfer learning for skin lesion extraction | |
CN109636805B (zh) | 一种基于分类先验的宫颈图像病变区域分割装置及方法 | |
Li et al. | Automatic recognition and classification system of thyroid nodules in CT images based on CNN | |
CN115601602A (zh) | 癌症组织病理图像分类方法、系统、介质、设备及终端 | |
Fan et al. | Cancer survival prediction from whole slide images with self-supervised learning and slide consistency | |
Zheng et al. | Generative adversarial network with multi-branch discriminator for imbalanced cross-species image-to-image translation | |
CN113421240A (zh) | 一种基于超声自动乳腺全容积成像的乳腺分类方法及装置 | |
Zhang et al. | Multi-scale feature pyramid fusion network for medical image segmentation | |
Praveen et al. | Chronic kidney disease prediction using ML-based Neuro-Fuzzy model | |
CN112085742B (zh) | 一种基于上下文注意力的nafld超声视频诊断方法 | |
Zhang et al. | Multi-point attention-based semi-supervised learning for diabetic retinopathy classification | |
Sun et al. | ASU-Net: U-shape adaptive scale network for mass segmentation in mammograms | |
CN113012164A (zh) | 基于聚合层间信息的U-Net肾脏肿瘤图像分割方法、设备及存储介质 | |
CN116341620A (zh) | 基于ERetinaNet的高效神经网络架构方法及系统 | |
Iqbal et al. | LDMRes-Net: Enabling real-time disease monitoring through efficient image segmentation | |
CN115760769A (zh) | 一种基于改进cnn的乳腺病理图像分类方法 | |
Abbasi et al. | LMBiS-Net: A Lightweight Multipath Bidirectional Skip Connection based CNN for Retinal Blood Vessel Segmentation | |
Li et al. | Real-time polyp detection for colonoscopy video on CPU | |
CN114298957A (zh) | 一种乳腺钼靶图像病灶的分类方法、系统及存储介质 | |
Essaf et al. | Review on deep learning methods used for computer-aided lung cancer detection and diagnosis | |
Reza | Covid-19 detection in chest X-ray through random forest classifier using a hybridization of deep CNN and DWT optimized features | |
CN112037237B (zh) | 一种图像处理方法、装置、计算机设备及介质 |
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 |