CN114066846A - 一种基于深度学习的ctp非急性闭塞缺血评估方法和系统 - Google Patents
一种基于深度学习的ctp非急性闭塞缺血评估方法和系统 Download PDFInfo
- Publication number
- CN114066846A CN114066846A CN202111352708.XA CN202111352708A CN114066846A CN 114066846 A CN114066846 A CN 114066846A CN 202111352708 A CN202111352708 A CN 202111352708A CN 114066846 A CN114066846 A CN 114066846A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- ctp
- input
- medical image
- encoder
- 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
- 230000001154 acute effect Effects 0.000 title claims abstract description 18
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 208000028867 ischemia Diseases 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000013473 artificial intelligence Methods 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 description 7
- 208000006011 Stroke Diseases 0.000 description 6
- 230000001684 chronic effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000302 ischemic effect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 206010008089 Cerebral artery occlusion Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 206010069729 Collateral circulation Diseases 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 208000023516 stroke disease Diseases 0.000 description 1
- 230000009861 stroke prevention Effects 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深度学习的CTP非急性闭塞缺血评估方法和评估系统,在全卷积神经网络中建立多个输入通道,为每个编码器设定权重系数,通过进行模型训练确定最终的编码器权重系数集,从而实现了对CTP为代表的医学影像的自动分割和识别,实现了自动识别脑卒中医学影像中关键区域的自动识别和分割。
Description
技术领域
本发明涉及医学影像的人工智能处理领域,尤其涉及一种基于深度学习的CTP非急性闭塞缺血评估方法和系统。
背景技术
脑动脉闭塞诊治是中国脑卒中防治工作的重中之重,脑卒中已经成为国人的第一位死亡及致残原因。缺血性卒中是我国境内的一种常见卒中疾病,占全部卒中病人的80%。脑动脉闭塞的诊断、评价和治疗决策与医生经验及专业知识等有关,预后与决策均依赖医生的经验,没有客观的标准可循。
本发明基于包括核心梗死区、缺血半暗带的组织学评价;包括大血管病变情况、侧支循环等的血管影像学评价;以及包括斑块易损性评价的斑块影像学评价作为基础,通过在全卷积神经网络中建立多个输入通道进行训练和推理,实现了对CTP为代表的医学影像的自动分割和识别,实现了自动识别脑卒中医学影像中关键区域的自动识别和分割。
发明内容
本发明提出了一种基于深度学习的CTP非急性闭塞缺血评估方法,分为训练阶段和推理阶段,所述推理阶段使用在训练阶段确定参数的人工智能模型对输入图像进行分析判断,其特征在于,所述训练阶段包括:
S11:收集同一病患的医学影像数据;
S12:对所收集的医学影像数据进行尺寸标准化;
S13:对尺寸标准化后的医学影像进行人工标注,得出评估及分割结果;
S14:提取医学影像特征,并形成参数图;
S15:将标准化后的医学影像和形成的参数图分不同通道输入进人工智能网络,输出推理结果;
S16:输出的推理结果与人工标注的结果进行比较,根据比较结果调整人工智能网络中各编码器的权重系数,确定最优的权重系数集。
所述推理阶段包括:
S21:收集同一病患相同病灶在不同时间段内的医学影像数据;
S22:提取所有医学影像特征,并形成参数图;
S23:将标准化后的医学影像和形成的参数图分不同通道输入进人工智能网络,输出推理结果。
进一步的,训练阶段中,人工标注后的医学影像需转化为二值图。
进一步的,训练阶段中,人工标注后的二值图中,人工标注的分割区域为二值图的前景。
进一步的,在训练阶段中,收集同一患者不同阶段和/或不同类型的医学影像分别进行人工标注,比较不同时间段医学影像的标注内容,对标注结果进行调整。
进一步的,在训练和推理阶段中,针对每张医学影像形成至少一张参数图。
进一步的,当生成的参数图数量小于人工智能网络输入通道数量时,在缺失输入的通道中输入一张空白图片。
本发明还提供了一种基于深度学习的CTP非急性闭塞缺血评估系统,包括a)获取医学影像的图像获取模块和b)智能神经网络,所述智能神经网络包括提取图像特征的编码器、识别和分割图像特征的解码器,其特征在于:
所述编码器的输出被输送到神经网络中的所有各级其他编码器的输入中。
进一步的,所述医学影像的特征参数图也同时作为初始信息,被输入到各级编码器中。
进一步的,每层编码器包含多个输入通道,每一输入通道的输入为本通道上一层的输出和本层前一通道的输出相加。
进一步的,每一层解码器的输入为本层最后一级编码器的输出。
上述基于深度学习的CTP非急性闭塞缺血评估方法和系统,基于多通道输入和全卷积人工智能网络,实现了对慢性脑卒中患者医学影像,尤其是CTP或DWI影像中各种关键区域的自动评估和分割。
附图说明
图1为本发明一个实施例的流程示意图;
图2为本发明一个实施例的人工智能神经网络结构图;
图3为本发明一个实施例的系统工作流程图。
具体实施方式
本发明提出的一种基于深度学习的CTP非急性闭塞缺血评估方法和系统,能够对慢性卒中患者的医学影像数据中提取出特征,分别进行非活性组织(NVT)的标注,根据患者的CTP参数图,由医生标注出相对缺血区(RIR),将两次DWI的不匹配区域作为高风险组织(TAR),从而获得分割的标注数据。
在本发明的一个实施例中,根据处理需求和硬件处理能力,构建空白的人工智能神经网络,并基于同一患者两次随访获得的DWI数据对人工智能神经网络进行训练。所述人工智能神经网络选用了全连接的DenseUnet分割网络,并构建了多个输入通道。训练完成后,向人工智能网络输入CTP图像的CBF、CBV、MTT和TMax参数图,经人工智能网络推理判断后,输出对NVT、RIR和TAR区域的检测和标注分割结果。
如图2所示,本实施例中,构建了4层4通道的编码器和解码器结构。在编码器中,分别为4个通道设置4个输入端口,分别输入由CTP数据提取出的CBF、CBV、MTT和TMax参数图。如果需要输入的4种参数图中缺失1种或几种,则可以向缺失参数图的通道输入1张空白图像。所有参数图逐张输入网络后,逐层进行卷积处理。
如图2所示,本实施例中,4层的卷积模块的结构相同。卷积核采用3*3卷积核,卷积过程中进行了池化操作、dropout操作、normalization操作和激活操作。其中,池化操作的步长为2。在进行池化后,还可以进行Dropout操作和normalization操作。每条通道中,上一层编码器的输出除了正常发送给下一层编码器外,还同时发送给本通道内其他所有下层编码器,也同时发送给右侧相邻通道的其他所有下层编码器中。输入经过4次卷积后,在人工智能网络的最底层使用concat函数进行了连接。并将concat的结果经过一次卷积后,作为最底层解码器的输入。
所述concat函数可根据数据处理需要进行选择。
如图2所示,解码器采用了传统的反卷积结构,4层反卷积解码器结构相同,反卷积步长为2。最底层解码器的输出在经过采样率为2的上采样后,与上层编码器输出相加,作为后续层级解码器的输入。在本实施例中,由下至上的前3层解码器的反卷积的卷积核依次为256、128和64个,最上层经过32个卷积核的反卷积后,使用了softmax函数进行激活。激活后经过分段化,形成与输入图像尺寸相同的二值图像,图像中的前景部分即为分割结果。
在训练阶段中,首先收集临床诊断为慢性闭塞的患者的CTP和/或DWI随访数据,对所获得的影像数据进行图像尺寸标准化处理。本实施例中,一致化采样率为512*512。经过对原始影像数据标准化处理后,人工比对同一患者两次不同时间点随访的DWI数据,在参考病历的基础上对动脉瘤形态进行分析比对,做出对非活性组织(NVT)的标注。同时,以患者CTP参数图为依据,人工标注出相对缺血区(RIR)。将两次DWI数据中的不匹配区域标注为高风险组织(TAR)进行分割,从而获得分割的标注数据。统一分割标注结果后,将标注的影像进行二值化处理。其中,标注结果在二值化图像中以前景表示。
完成对随访数据的标注工作后,分别提取随访数据的参数图,按照网络输入的要求,分别把参数图输入前述搭建的人工智能网络中,由人工智能网络进行推理运算并输出结果。
在本实施例中,所述基于深度学习的CTP非急性闭塞缺血评估系统中还包括了检测模块,所述检测模块根据损失函数对训练阶段的输出的分割结果与人工标注的分割结果进行比较判断。
在本实施例中,采用了Dice函数作为损失函数,对机器学习输出的推理运算分割结果和人工标注的分割结果进行比较和判断,从而确定人工智能网络的超参数,完成对人工智能网络的训练。
本实施例中所使用的Dice函数为:
在推理阶段中,图像获取模块在获取患者的随访数据后,按照人工智能网络中不同通道的输入要求,分别提取随访数据的CBF、CBV、MTT和TMax参数图,按照图2或图3所示的输入要求,分别输入各通道对应的参数图,由人工智能网络依据训练阶段确定的超参数进行推理,推理输出结果即为带有分割区域前景,且尺寸与输入相同的二值图像。
以上对本发明所提供的一种基于高分辨率医学影像的卒中分类系统和分类方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,本说明书内容不应理解为对本发明技术方案的限制。
Claims (10)
1.一种基于深度学习的CTP非急性闭塞缺血评估方法,分为训练阶段和推理阶段,所述推理阶段使用在训练阶段确定参数的人工智能模型对输入图像进行分析判断,其特征在于,所述训练阶段包括:
S11:收集同一病患的医学影像数据;
S12:对所收集的医学影像数据进行尺寸标准化;
S13:对尺寸标准化后的医学影像进行人工标注,得出评估及分割结果;
S14:提取医学影像特征,并形成参数图;
S15:将标准化后的医学影像和形成的参数图分两个通道输入进人工智能网络,输出推理结果;
S16:输出的推理结果并与人工标注的结果进行比较,根据比较结果调整人工智能网络中各编码器的权重系数,确定最优的权重系数集。
所述推理阶段包括:
S21:收集同一病患相同病灶在不同时间段内的医学影像数据;
S22:提取所有医学影像特征,并形成参数图;
S23:将标准化后的医学影像和形成的参数图分两个通道输入进人工智能网络,输出推理结果。
2.根据权利要求1所述的基于深度学习的CTP非急性闭塞缺血评估方法,其特征在于,训练阶段中,人工标注后的医学影像需转化为二值图。
3.根据权利要求2所述的基于深度学习的CTP非急性闭塞缺血评估方法,其特征在于,训练阶段中,人工标注后的二值图中,人工标注的分割区域为二值图的前景。
4.根据权利要求3所述的基于深度学习的CTP非急性闭塞缺血评估方法,其特征在于,在训练阶段中,收集同一患者不同阶段和/或不同类型的医学影像分别进行人工标注,比较不同时间段医学影像的标注内容,对标注结果进行调整。
5.根据权利要求4所述的基于深度学习的CTP非急性闭塞缺血评估方法,其特征在于,在训练和推理阶段中,针对每张医学影像形成至少一张参数图。
6.根据权利要求4所述的基于深度学习的CTP非急性闭塞缺血评估方法,其特征在于,当生成的参数图数量小于人工智能网络输入通道数量时,在缺失输入的通道中输入一张空白图片。
7.一种基于深度学习的CTP非急性闭塞缺血评估系统,包括a)获取医学影像的图像获取模块和b)智能神经网络,所述智能神经网络包括提取图像特征的编码器、识别和分割图像特征的解码器,其特征在于:
所述编码器的输出被输送到神经网络中的所有各级其他编码器的输入中。
8.根据权利要求7所述的基于深度学习的CTP非急性闭塞缺血评估系统,其特征在于,所述医学影像的参数图也同时作为初始信息,被输入到各级编码器中。
9.根据权利要求8所述的基于深度学习的CTP非急性闭塞缺血评估系统,其特征在于,每层编码器包含多个输入通道,每一输入通道的输入为本通道上一层的输出和本层前一通道的输出相加。
10.根据权利要求9所述的基于深度学习的CTP非急性闭塞缺血评估系统,其特征在于,每一层解码器的输入为本层最后一级编码器的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111352708.XA CN114066846A (zh) | 2021-11-16 | 2021-11-16 | 一种基于深度学习的ctp非急性闭塞缺血评估方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111352708.XA CN114066846A (zh) | 2021-11-16 | 2021-11-16 | 一种基于深度学习的ctp非急性闭塞缺血评估方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114066846A true CN114066846A (zh) | 2022-02-18 |
Family
ID=80272615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111352708.XA Pending CN114066846A (zh) | 2021-11-16 | 2021-11-16 | 一种基于深度学习的ctp非急性闭塞缺血评估方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114066846A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663651A (zh) * | 2022-03-24 | 2022-06-24 | 北京安德医智科技有限公司 | 一种根据颅内cta图像识别血管闭塞状态的方法和装置 |
CN114862823A (zh) * | 2022-05-26 | 2022-08-05 | 同心医联科技(北京)有限公司 | 区域分割方法及装置 |
CN118412098A (zh) * | 2024-04-12 | 2024-07-30 | 中国人民解放军海军军医大学第一附属医院 | 用于颅内大血管闭塞性卒中血栓的医学影像处理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787918A (zh) * | 2014-12-22 | 2016-07-20 | 深圳先进技术研究院 | 一种急性缺血性卒中磁共振图像分析处理方法 |
CN109242863A (zh) * | 2018-09-14 | 2019-01-18 | 北京市商汤科技开发有限公司 | 一种缺血性脑卒中图像区域分割方法及装置 |
CN110689544A (zh) * | 2019-09-06 | 2020-01-14 | 哈尔滨工程大学 | 一种遥感图像细弱目标分割方法 |
CN111160346A (zh) * | 2018-11-07 | 2020-05-15 | 电子科技大学 | 基于三维卷积的缺血性脑卒中分割系统 |
US20200294241A1 (en) * | 2019-03-12 | 2020-09-17 | The General Hospital Corporation | Automatic segmentation of acute ischemic stroke lesions in computed tomography data |
CN111862136A (zh) * | 2020-06-22 | 2020-10-30 | 南开大学 | 基于卷积神经网络的多模态核磁影像缺血性脑卒中病变分割方法 |
CN113256748A (zh) * | 2020-02-13 | 2021-08-13 | 脑玺(上海)智能科技有限公司 | 基于脑血管ct影像的图像处理方法及图像处理装置 |
-
2021
- 2021-11-16 CN CN202111352708.XA patent/CN114066846A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787918A (zh) * | 2014-12-22 | 2016-07-20 | 深圳先进技术研究院 | 一种急性缺血性卒中磁共振图像分析处理方法 |
CN109242863A (zh) * | 2018-09-14 | 2019-01-18 | 北京市商汤科技开发有限公司 | 一种缺血性脑卒中图像区域分割方法及装置 |
CN111160346A (zh) * | 2018-11-07 | 2020-05-15 | 电子科技大学 | 基于三维卷积的缺血性脑卒中分割系统 |
US20200294241A1 (en) * | 2019-03-12 | 2020-09-17 | The General Hospital Corporation | Automatic segmentation of acute ischemic stroke lesions in computed tomography data |
CN110689544A (zh) * | 2019-09-06 | 2020-01-14 | 哈尔滨工程大学 | 一种遥感图像细弱目标分割方法 |
CN113256748A (zh) * | 2020-02-13 | 2021-08-13 | 脑玺(上海)智能科技有限公司 | 基于脑血管ct影像的图像处理方法及图像处理装置 |
CN111862136A (zh) * | 2020-06-22 | 2020-10-30 | 南开大学 | 基于卷积神经网络的多模态核磁影像缺血性脑卒中病变分割方法 |
Non-Patent Citations (6)
Title |
---|
JOSE DOLZ 等: "IVD-Net: Intervertebral Disc Localization and Segmentation in MRI with a Multi-modal UNet", 《COMPUTATIONAL METHODS AND CLINICAL APPLICATIONS FOR SPINE IMAGING》 * |
RYAN A. RAVA等: "Investigation of convolutional neural networks using multiple computed tomography perfusion maps to identify infarct core in acute ischemic stroke patients", 《JOURNAL OF MEDICAL IMAGING》 * |
X. LI 等: "H-DenseUNet: Hybrid Densely Connected UNet for Liver and Tumor Segmentation From CT Volumes", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
丁里 等: "脑 CT 灌注图像匹配技术在缺血性卒中的应用研究", 《转化医学杂志》 * |
向永嘉 等: "基于 DenseUnet 模型的核磁共振图像下肛提肌的自动分割", 《第三军医大学学报》 * |
高琛: "基于深度学 习 的缺血性脑卒中病灶分割的研究", 《中国优秀博硕士学位论文全文数据库》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663651A (zh) * | 2022-03-24 | 2022-06-24 | 北京安德医智科技有限公司 | 一种根据颅内cta图像识别血管闭塞状态的方法和装置 |
CN114862823A (zh) * | 2022-05-26 | 2022-08-05 | 同心医联科技(北京)有限公司 | 区域分割方法及装置 |
CN114862823B (zh) * | 2022-05-26 | 2024-02-13 | 同心医联科技(北京)有限公司 | 区域分割方法及装置 |
CN118412098A (zh) * | 2024-04-12 | 2024-07-30 | 中国人民解放军海军军医大学第一附属医院 | 用于颅内大血管闭塞性卒中血栓的医学影像处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886273B (zh) | 一种cmr图像分割分类系统 | |
CN114066846A (zh) | 一种基于深度学习的ctp非急性闭塞缺血评估方法和系统 | |
CN109410194B (zh) | 一种基于深度学习的食管癌病理图像处理方法 | |
Abbas et al. | DenseHyper: an automatic recognition system for detection of hypertensive retinopathy using dense features transform and deep-residual learning | |
CN110348541A (zh) | 眼底血管图像分类方法、装置、设备及存储介质 | |
CN110751636B (zh) | 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法 | |
CN115205300A (zh) | 基于空洞卷积和语义融合的眼底血管图像分割方法与系统 | |
CN112950644B (zh) | 基于深度学习的新生儿大脑图像分割方法及模型构建方法 | |
CN111340773B (zh) | 一种视网膜图像血管分割方法 | |
CN114708258B (zh) | 一种基于动态加权注意力机制的眼底图像检测方法及系统 | |
CN116758336A (zh) | 一种基于人工智能的医学图像智能分析系统 | |
Huo et al. | Tongue shape classification integrating image preprocessing and convolution neural network | |
Manikandan et al. | Segmentation and Detection of Pneumothorax using Deep Learning | |
Chakour et al. | Blood vessel segmentation of retinal fundus images using dynamic preprocessing and mathematical morphology | |
Aris et al. | Analysis of distance transforms for watershed segmentation on chronic leukaemia images | |
CN114067156A (zh) | 一种基于高分辨率医学影像的卒中分类系统和分类方法 | |
CN113450305B (zh) | 医疗图像的处理方法、系统、设备及可读存储介质 | |
CN106846301B (zh) | 视网膜图像分类方法及装置 | |
Maheswari et al. | A survey on computer algorithms for retinal image preprocessing and vessel segmentation | |
KR20210050790A (ko) | 딥러닝 기반의 아밀로이드 양성 반응을 나타내는 퇴행성 뇌질환 이미지 분류 장치 및 방법 | |
CN114066850A (zh) | 一种基于分类框架的图像二值化方法 | |
CN112967269A (zh) | 一种基于ct图像的肺结节识别方法 | |
Wang et al. | Vision Transformer-based Classification Study of Intracranial Hemorrhage | |
CN115965626B (zh) | 一种基于人工智能算法的医学图像处理方法及系统 | |
CN116740203B (zh) | 用于眼底相机数据的安全存储方法 |
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 |