CN114049939A - 一种基于UNet-GAN网络的肺炎CT图像生成方法 - Google Patents
一种基于UNet-GAN网络的肺炎CT图像生成方法 Download PDFInfo
- Publication number
- CN114049939A CN114049939A CN202111415446.7A CN202111415446A CN114049939A CN 114049939 A CN114049939 A CN 114049939A CN 202111415446 A CN202111415446 A CN 202111415446A CN 114049939 A CN114049939 A CN 114049939A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- pneumonia
- net
- model
- 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
- 206010035664 Pneumonia Diseases 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims description 23
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000003707 image sharpening Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 230000001172 regenerating effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 208000025721 COVID-19 Diseases 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (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)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于UNet‑GAN网络的肺炎CT图像生成方法。属于计算机视觉技术领域,本发明中生成式对抗网络包括生成器和判别器两个主体;首先使用现有新冠肺炎公开数据集图像,并对数据集进行预处理操作;其次建立U‑Net和DCGAN联合的卷积神经网络,改进后的U‑Net嵌入DCGAN的生成器部分,实现真实图像分析再生成的过程,DCGAN中的判别结构实现网络判别真实图像与生成图像的过程;然后将训练数据输入搭建的生成对抗网络,使模型能够产生与真实图片相似的高质量图像;最后将真实图像输入训练好的网络,得到所需的肺炎CT图像。本发明新生成的图像能够更清晰的保留样本图像中小目标的特征信息,提升图像生成质量和网络收敛速度,为广大网络模型训练提供数据。
Description
技术领域
本发明属于计算机视觉技术领域,涉及一种基于UNet-GAN网络的肺炎CT图像生成方法。
背景技术
现有技术中,神经网络训练需要大量数据集,但是因为医疗图像的私密性,新冠肺炎公开的检测数据集少之又少。利用深度卷积生成式对抗网络对图像进行生成是解决该问题切实可行的办法。目前也有其他医学影像数据扩充方法,如专利号为CN201910028616.2提出的算法,其训练步骤复杂,网络训练时间较长。
生成式对抗网络(Generative Adversarial Networks)又称为GAN网络,它主要由生成器和判别器两部分组成。生成器是一个上采样结构,它的的作用是将输入的随机噪声z,经过反卷积生成一个与真实图像相似的图像,然后将生成图像与真实的图像一起输入到判别器。判别器是一个下采样结构,对输入的两种图片进行判断,并通过判断的结果输出相应概率。如果判断为真实图像,则输出概率结果为1;如果判断为直接生成图像,则概率输出为0。当生成器与判别器之间互相抗衡,判别器的输出概率达到0.5时,判别器无法判断真假,模型达到最优。
通常网络模型对大尺度的物体识别更准确,大尺度物体一般来讲分别率高,局部信息清晰,即使在深层卷积过程中,依然保留丰富的特征。而小目标物体分辨率低,在深层卷积过程中,随着高层特征的提取,局部信息逐渐边缘化,导致小目标特征表达能力弱。因此模型能够敏感的提取小目标特征尤为重要。当前因为检测算法采样率过大、感受野过大、空间与语义存在矛盾,这非常不利于小目标的检测,严重影响了判别准确性。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明目的是提供了一种基于UNet-GAN网络的肺炎CT图像生成方法。
技术方案:本发明所述的一种基于UNet-GAN网络的肺炎CT图像生成方法,具体操作步骤如下:
(1)、使用现有新冠肺炎公开数据集图像,并对数据集进行预处理操作;
(2)、根据改进的U-Net和GAN网络结构搭建训练模型;
(3)、训练生成对抗网络模型,将肺炎CT图像分批次送入搭建好的模型,并设置参数,生成质量多样性不同的数据;
(4)、将肺炎真实图像输入训练好的模型,最终得到生成的肺炎图像。
进一步的,在步骤(1)中,所述对数据集进行预处理操作具体是:
首先,对图像进行平移、裁剪、旋转及翻转扩充数据样本;
然后,对样本进行灰度处理及图像锐化,从而增强图像中病灶明暗对比度。
进一步的,在步骤(2)中,所述改进的U-Net和GAN网络结构具体是:
GAN网络结构中的生成器模型采用改进的U-Net网络,对U-Net添加残差结构和多尺度特征融合;
网络结构中的判别器模型包括五层卷积层和一个全局池化层,尺度大小顺次为三个5*5,两个3*3卷积层,最后一层的输出结果是尺度为1*1的一个概率值。
进一步的,所述对U-Net添加残差结构具体是:改进的U-Net网络下采样是一个的标准块和三个残差块连接的结构,所述标准块是由两个3*3的卷积核叠加而成,残差块是在一个3*3卷积核的两侧各添加一个1*1大小的卷积核,并在输入端和输出端连接一个1*1的卷积核;上采样是由两个残差块和一个标准块构成。
进一步的,所述添加的多尺度特征融合具体是:生成器模型将上采样、下采样过程中对应尺度的特征图跳跃连接,并对前三个卷积层的输出特征图进行上采样,步长分别为1,2,4的分数卷积,与最后一层反卷积得到的特征图进行融合。
进一步的,在步骤(3)中,所述将肺炎CT图像分批次送入搭建好的模型设置参数具体是:设置网络训练批量处理数为20,初始学习率为0.0004,动量优化值为0.8,迭代次数为10000。
所述U-Net在医学图像分割等方面具有更优越的性能,对医学图像处理更精细,在图像分析重建、图像翻译算法、高分辨率图像生成等方面都有使用到U-Net与GAN网络结合的思想,选用U-Net网络作为模型生成器更合适肺炎CT图像的重建。
有益效果:本发明与现有技术相比,本发明的特点:1、使用改进的U-Net网络,在原有网络的基础上,添加残差块,避免了深层卷积使得小目标信息丢失的缺点、解决了模型的退化问题;多尺度特征融合将局部信息与全局信息融合,便于图像更完整的恢复;将GAN网络中的生成器用改进的U-Net替换,使得输入生成器的预训练数据更具图像特征因素,有利于维持模型稳定,加快网络收敛。本发明采用改进的U-Net与GAN相结合的思想,可以使网络更好的学习目标图像的不同特征区域的特性,改善深层卷积小目标特征丢失、特征间信息不联系和GAN网络模型不收敛等问题,取得相对较好的成果。相较原始的模型,改进后的模型收敛速度有所提升,生成图像的精度大大提高;2、本发明在每一次卷积层后都接入了批量归一化层,BN层规范网络的数据分布,加速模型学习效率,降低不同参数大小对网络的影响,增强网络泛化能力,缓解梯度消失问题;3、本发明的生成器模型提升了肺炎CT的图像生成效果,为网络的良好训练奠定基础。
附图说明
图1是本发明中改进的U-Net网络模型;
图2是本发明中改进的生成式对抗网络;
图3是本发明中改进的生成式对抗网络结构示意图;
图4是covid-19的原始CT图像;
图5是covid-19的模型生成CT图像;
图6是本发明的操作流程图。
具体实施方式
以下结合附图和具体实施例,对本发明做出进一步说明。
如图所述,本发明所述的一种基于UNet-GAN网络的肺炎CT图像生成方法,具体操作步骤如下:
(1)、使用现有新冠肺炎公开数据集图像,并对数据集进行预处理操作;
(2)、根据改进的U-Net和GAN网络结构搭建训练模型;
(3)、训练生成对抗网络模型,将肺炎CT图像分批次送入搭建好的模型,并设置参数,生成质量多样性不同的数据;
(4)、将肺炎真实图像输入训练好的模型,最终得到生成的肺炎图像。
进一步的,在步骤(1)中,所述对数据集进行预处理操作具体是:
首先,对图像进行平移、裁剪、旋转及翻转扩充数据样本;
然后,对样本进行灰度处理及图像锐化,从而增强图像中病灶明暗对比度。
进一步的,在步骤(2)中,所述改进的U-Net和GAN网络结构具体是:
GAN网络结构中的生成器模型采用改进的U-Net网络,对U-Net添加残差结构和多尺度特征融合;
网络结构中的判别器模型包括五层卷积层和一个全局池化层,尺度大小顺次为三个5*5,两个3*3卷积层,最后一层的输出结果是尺度为1*1的一个概率值。
进一步的,所述对U-Net添加残差结构具体是:改进的U-Net网络下采样是一个的标准块和三个残差块连接的结构,所述标准块是由两个3*3的卷积核叠加而成,残差块是在一个3*3卷积核的两侧各添加一个1*1大小的卷积核,并在输入端和输出端连接一个1*1的卷积核;上采样是由两个残差块和一个标准块构成。
进一步的,所述添加的多尺度特征融合具体是:生成器模型将上采样、下采样过程中对应尺度的特征图跳跃连接,并对前三个卷积层的输出特征图进行上采样,步长分别为1,2,4的分数卷积,与最后一层反卷积得到的特征图进行融合。
进一步的,在步骤(3)中,所述将肺炎CT图像分批次送入搭建好的模型设置参数具体是:设置网络训练批量处理数为20,初始学习率为0.0004,动量优化值为0.8,迭代次数为10000。
具体的,基于U-Net网络在医学图像处理中优越的性能,选择U-Net网络作为基础网络,针对小目标信息易丢失的问题,在原有网络的基础上,对U-Net添加残差块和多尺度特征融合,避免了深层卷积使得小目标信息丢失的缺点、解决模型深层网络的退化问题,改进后的U-Net网络结构如图1。
同时将改进的U-Net网络嵌入到GAN网络中,作为GAN网络的生成器部分,这样使得输入生成器部分的预训练数据带有肺炎病灶特征因素,有利于维持模型稳定,加快网络收敛,并且提升了生成图像的真实效果,改进后的GAN模型示意图如图2。
一种基于UNet-GAN网络的肺炎CT图像生成模型,包括生成器模型和判别器模型;所述生成器模型采用改进的U-Net网络,生成器模型是对U-NET添加残差结构和多尺度融合改进而来的,首先由一个标准块连接三个残差块进行下采样,然后用两个残差块和一个标准块进行上采样,并且将上、下采样过程中同尺寸的特征跳跃连接;下采样过程中标准块是由两个3*3的卷积核叠加而成,残差块是在一个3*3卷积核的两侧各添加一个1*1大小的卷积核的基础上,在输入端和输出端连接一个1*1的卷积核;上采样是由两个残差块和一个标准块构成,并将前三个卷积操作块的输出特征图分别进行步长为为1,2,4的分数卷积进行上采样,与最后的特征图进行融合。
所述判别器模型包括五层卷积层和一个全局池化层,前三层卷积均采用尺度大小为5*5的卷积核,第四、五层为3*3的卷积核。
所述生成器模型在改进的U-Net网络中每一个3*3卷积层后接入BN层和ReLU激活函数。
进一步的,所述判别器模型在每一层卷积层后添加BN层和LeakyRelu激活函数。
其具体步骤:
首先获取covid-19-CT相关数据集,对训练数据进行图像增强、统一缩放,将训练数据转换成适于网络读取的形式;其次建立U-Net和DCGAN联合的卷积神经网络,改进后的U-Net嵌入DCGAN的生成器部分,实现真实图像分析再生成的过程,DCGAN中的判别结构实现网络判别真实图像与生成图像的过程;然后将训练数据输入搭建的生成对抗网络,通过不断地迭代优化网络结构参数,使模型能够产生与真实图片相似的高质量图像;最后将真实图像输入训练好的网络,得到所需要的肺炎CT图像;
一、首先获取covid-19-CT相关数据集,对训练数据进行图像增强、统一缩放,将训练数据转换成适于网络读取的形式;
二、通过在U-Net网络上添加残差结构和多尺度特征融合得到改进的U-Net,并将改进的U-Net作为DCGAN网络的生成器部分,在前文叙述中相应位置加入BN层和激活函数,在pytorch框架下搭建生成对抗网络模型;
三、将处理后的covid-19CT图像作为输入,首先训练D,使目标函数logD(x)+log(1-D(G(Z))的值达到最大,然后保持D不变,训练G使logD(G(z))的值达到最大,重复D和G的训练,迭代过程中将损失函数的结果反馈给网络,利用Adam优化器优化网络参数,直到G和D达到纳什平衡;
四、将covid-19的测试样本输入训练好的GAN网络,得到最终的covid-19CT生成图像。
本发明中,步骤一中对CT图像进行平移、裁剪、旋转、翻转,扩充样本图像;利用平均值法对图像进行灰度处理,增强图像高频增量,减少图像的模糊,对图像进行锐化,进行图像增强增加病灶明暗对比度,使病灶更清晰;原始图像如图4。
步骤二中搭建GAN网络,使用残差结构,U-Net网络的下采样由一个的标准块和三个残差块组成,标准块是由两个3*3的卷积核叠加而成,残差块是在一个3*3卷积核的两侧各添加一个1*1大小的卷积核的基础上,在输入端和输出端连接一个1*1的卷积核;上采样是由两个残差块和一个标准块构成;残差块由原来的两个3*3卷积核叠加变换为在一个3*3卷积核的两侧各添加一个1*1大小的卷积核,并在输入端和输出端连接一个1*1的卷积核。本发明在试验过程中输入网络的病灶图片统一为256*256大小,残差结构在实施卷积操作时,新结构中第一个1*1卷积层降低特征图的通道数,减少卷积过程的计算量,第二个1*1卷积层还原特征图的维度,保留特征图的精度,预防了深层卷积造成的模型退化问题。
步骤二中使用多尺度特征融合将网络标准块和前两个残差块的输出特征图进行分数卷积上采样,分别采用步长为为1,2,4的反卷积,然后与最后一层标准块输出的特征图进行融合,这样图像的浅层特征信息得以保留,局部信息与深层学习到的全局信息得以融合,可以改善各个特征图之间信息不联系的问题。
步骤三中设置网络训练批量处理数为20,学习率为0.0004,动量优化值为0.8,迭代次数为10000;优化器选用Adam优化器。
另外,在每一次下采样的卷积层后添加BN层,添加BN层可以加快网络训练速度,避免网络的梯度消失或爆炸。本发明再每一次卷积层后都接入了批量归一化层,BN层使网络的数据分布更均匀,加速模型学习效率,降低不同参数大小对网络的影响,增强网络泛化能力,缓解梯度消失问题。
肺炎CT图像的判别器包括五层卷积层和一个全局池化层,尺度大小顺次为三个5*5,两个3*3卷积层,最后一层的输出结果是尺度为1*1的一个概率值。
本次实施例采用的硬件系统为Windows10,处理器为Intel(R)Core(TM)i5-1035G1CPU@1.00GHz 1.19GHz,机带RAM为16G,软件操作环境为Pycharm,编程语言python3.7,采用Pytorch框架。
本发明采用残差结构和多尺度特征融合两种机制,可以加速训练时的梯度流动,加快收敛,使网络不会像卷积块那样不断卷积导致信息丢失过于严重,解决了梯度弥散和网络退化的问题;同时将局部信息与深层学习到的全局信息进行融合,解决了深层卷积使小目标特征信息丢失的问题,更便于认识到病灶特征。经实验,本发明时间成本有所减少,生成效果有所改善,模型生成图像如图5。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (6)
1.一种基于UNet-GAN网络的肺炎CT图像生成方法,其特征在于,具体操作步骤如下:
(1)、使用现有新冠肺炎公开数据集图像,并对数据集进行预处理操作;
(2)、根据改进的U-Net和GAN网络结构搭建训练模型;
(3)、训练生成对抗网络模型,将肺炎CT图像分批次送入搭建好的模型,并设置参数,生成质量多样性不同的数据;
(4)、将肺炎真实图像输入训练好的模型,最终得到生成的肺炎图像。
2.根据权利要求1所述的一种基于UNet-GAN网络的肺炎CT图像生成方法,其特征在于,
在步骤(1)中,所述对数据集进行预处理操作具体是:
首先,对图像进行平移、裁剪、旋转及翻转扩充数据样本;
然后,对样本进行灰度处理及图像锐化,从而增强图像中病灶明暗对比度。
3.根据权利要求1所述的一种基于UNet-GAN网络的肺炎CT图像生成方法,其特征在于,
在步骤(2)中,所述改进的U-Net和GAN网络结构具体是:
GAN网络结构中的生成器模型采用改进的U-Net网络,对U-Net添加残差结构和多尺度特征融合;
网络结构中的判别器模型包括五层卷积层和一个全局池化层,尺度大小顺次为三个5*5,两个3*3卷积层,最后一层的输出结果是尺度为1*1的一个概率值。
4.根据权利要求3所述的一种基于UNet-GAN网络的肺炎CT图像生成方法,其特征在于,
所述对U-Net添加残差结构具体是:改进的U-Net网络下采样是一个的标准块和三个残差块连接的结构,所述标准块是由两个3*3的卷积核叠加而成,残差块是在一个3*3卷积核的两侧各添加一个1*1大小的卷积核,并在输入端和输出端连接一个1*1的卷积核;上采样是由两个残差块和一个标准块构成。
5.根据权利要求3所述的一种基于UNet-GAN网络的肺炎CT图像生成方法,其特征在于,
所述添加的多尺度特征融合具体是:生成器模型将上采样、下采样过程中对应尺度的特征图跳跃连接,并对前三个卷积层的输出特征图进行上采样,步长分别为1,2,4的分数卷积,与最后一层反卷积得到的特征图进行融合。
6.根据权利要求1所述的一种基于UNet-GAN网络的肺炎CT图像生成方法,其特征在于,
在步骤(3)中,所述将肺炎CT图像分批次送入搭建好的模型设置参数具体是:设置网络训练批量处理数为20,初始学习率为0.0004,动量优化值为0.8,迭代次数为10000。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111415446.7A CN114049939A (zh) | 2021-11-25 | 2021-11-25 | 一种基于UNet-GAN网络的肺炎CT图像生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111415446.7A CN114049939A (zh) | 2021-11-25 | 2021-11-25 | 一种基于UNet-GAN网络的肺炎CT图像生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114049939A true CN114049939A (zh) | 2022-02-15 |
Family
ID=80211012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111415446.7A Pending CN114049939A (zh) | 2021-11-25 | 2021-11-25 | 一种基于UNet-GAN网络的肺炎CT图像生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114049939A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512182A (zh) * | 2022-09-26 | 2022-12-23 | 中国人民解放军总医院第一医学中心 | 一种基于聚焦学习的ct血管造影智能成像方法 |
-
2021
- 2021-11-25 CN CN202111415446.7A patent/CN114049939A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512182A (zh) * | 2022-09-26 | 2022-12-23 | 中国人民解放军总医院第一医学中心 | 一种基于聚焦学习的ct血管造影智能成像方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111524135B (zh) | 基于图像增强的输电线路细小金具缺陷检测方法及系统 | |
CN111652321B (zh) | 一种基于改进yolov3算法的海上船舶检测方法 | |
CN110189255B (zh) | 基于两级检测的人脸检测方法 | |
CN111325236B (zh) | 一种基于卷积神经网络的超声图像分类方法 | |
CN111553858B (zh) | 基于生成对抗网络的图像修复方法、系统及其应用 | |
CN110119753B (zh) | 一种重构纹理识别岩性的方法 | |
CN112116605A (zh) | 一种基于集成深度卷积神经网络的胰腺ct图像分割方法 | |
AU2022237329A1 (en) | High resolution neural rendering | |
CN113298718A (zh) | 一种单幅图像超分辨率重建方法及系统 | |
CN112288714B (zh) | 基于深度学习的硬件木马检测方法 | |
CN112381916A (zh) | 一种利用二维薄片图像的数字岩心三维结构重建方法 | |
CN115578406B (zh) | 基于上下文融合机制的cbct颌骨区域分割方法及系统 | |
CN112017161A (zh) | 一种基于中心点回归的肺结节检测方法和检测装置 | |
CN114897782B (zh) | 基于生成式对抗网络的胃癌病理切片图像分割预测方法 | |
CN114049939A (zh) | 一种基于UNet-GAN网络的肺炎CT图像生成方法 | |
CN112381845B (zh) | 岩心图像生成方法、模型训练方法及装置 | |
CN117593275A (zh) | 一种医学图像分割系统 | |
CN115661340B (zh) | 一种基于源信息融合的三维点云上采样方法与系统 | |
CN116542924A (zh) | 一种前列腺病灶区域检测方法、装置及存储介质 | |
CN116563636A (zh) | 一种合成孔径雷达图像生成方法及系统 | |
CN115719310A (zh) | 一种眼底图像数据集的预处理方法及眼底图像训练模型 | |
CN113011564A (zh) | 一种基于对抗生成网络的唇形转正方法 | |
CN111080588A (zh) | 基于多尺度神经网络的快速胎儿mr图像大脑提取方法 | |
CN114463332B (zh) | 用于跨数据源医学图像分割的无监督域适应方法及系统 | |
CN117152441B (zh) | 一种基于跨尺度解码的生物图像实例分割方法 |
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 |