CN114092494A - 一种基于超像素和全卷积神经网络的脑部mr图像分割方法 - Google Patents
一种基于超像素和全卷积神经网络的脑部mr图像分割方法 Download PDFInfo
- Publication number
- CN114092494A CN114092494A CN202111427359.3A CN202111427359A CN114092494A CN 114092494 A CN114092494 A CN 114092494A CN 202111427359 A CN202111427359 A CN 202111427359A CN 114092494 A CN114092494 A CN 114092494A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- pixel
- layer
- image
- prediction result
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003709 image segmentation Methods 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 24
- 210000004556 brain Anatomy 0.000 title claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 73
- 230000004927 fusion Effects 0.000 claims abstract description 27
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 101100280824 Xenopus laevis fcn1-b gene Proteins 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 208000003174 Brain Neoplasms Diseases 0.000 claims 2
- 238000012545 processing Methods 0.000 abstract description 5
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于超像素和全卷积神经网络的脑部MR图像分割方法,该方法包括:第一,采用简单线性迭代聚类算法(Simple Linear Iterative Clustering,SLIC)对源图像进行预处理,获得超像素分割结果;第二,构建基于加权融合的全卷积神经网络(Fully Convolutional Neural Network Based on Weighted Fusion,FCN‑WF),在不同路径的上采样过程中,对不同图像层进行加权融合,从而获得不同的分割结果;第三,设计基于多数投票规则的像素分类方法,通过比较不同分割结果中像素的分类标签,对歧义像素进行重新划分,获得最终的细化分割结果。本发明所述方法通过超像素分割提高后续处理的运行效率,并采用加权融合方式,保留更多的边缘细节信息,实现脑部MR图像的细化分割。通过像素重新划分规则,提高图像分割的准确度。实验结果表明,所述基于超像素和全卷积神经网络的脑部MR图像分割方法能够实现准确的分割。
Description
技术领域
本发明属于图像分割领域,具体地讲,设计一种基于超像素和全卷积神经网络的图像分割方法,实现对脑部MR图像的准确分割。
背景技术
我们所熟知的许多图像分割算法都是对像素进行操作的,在分割过程中把图像当成一个二维矩阵进行数据处理,没有考虑像素之间的空间组织关系,这就导致算法处理效率过低。超像素是指具有相似纹理、颜色、亮度等特征的相邻像素构成的图像块。它利用像素之间特征的相似程度将像素分组,可以获取图像的冗余信息,在很大程度上降低了后续图像处理任务的复杂度。超像素分割算法因为其独有的特点使其应用范围极为广泛,在众多的图像分割算法中有着重要地位。随着近年来对超像素研究的不断深入,出现了许多优秀的超像素生成算法,这些算法主要可以分为两大类,一种是基于图论的方法,另一种是基于梯度下降的方法。其中基于图论的方法是把图像转化为带权无向图,接着对生成的图按照一定的规则划分子图,划分的标准就是让子图内的相似性最大,而子图间的相似性最小。本质上就是移除带权无向图中特定的边,从而产生符合要求的子图。基于梯度的方法本质上是对像素点进行聚类,接着进行不断地迭代,直到符合要求为止,产生的类簇就是超像素。超像素分割算法普遍存在超像素数量、紧密度与分割质量、算法实用性之间相互制约的问题,对于具有精细结构的目标也很难精准分割出来。传统的图像分割算法都是利用颜色、纹理和亮度等低级的语义信息来分割图像,运行的速度快、复杂度较低同时也能够保持良好的边缘信息。但是在实际应用中,图像中的内容可能比较复杂,具有比较大的差异性,这就造成了使用传统分割方法效果不理想的现象。近年来随着深度学习不断地发展,其已经应用到各个领域之中,取得了十分显著的研究成果,而人工神经网络在图像分割中的应用,使图像分割的效果得到了更进一步的提升。FCN网络模型是十分经典的图像语义分割网络模型之一,后续的许多网络模型都是在该网络基础上进行改进的。FCN是把CNN最后的全连接层使用卷积层代替,其最大的特点就是可以接受任意尺寸的输入图像,通过反卷积操作对最后一个卷积层的特征图进行上采样,使它恢复到输入图像相同的尺寸,从而实现了端到端的语义分割。基于FCN的分割缺少空间信息的考虑,且存在着训练数据较多,计算成本高的问题。对于医学图像而言,纹理、颜色等特征信息较少,分界线不明显,这些因素都会对分割效果造成影响。
发明内容
本发明的目的在于克服现有技术的不足,构建同时考虑全局特征和局部细节信息的全卷积神经网络,通过多数投票规则实现像素的重新划分,提出一种基于超像素和全卷积神经网络的脑部MR图像分割方法,提高脑部MR图像分割的准确度,其分割结果优于其他分割方法。
为了实现上述目的,本发明所采用的技术方案是:
一种基于超像素和全卷积神经网络的脑部MR图像分割方法,其关键步骤包括:
步骤一,采用简单线性迭代聚类算法对源图像进行预处理,获得超像素分割结果;
步骤二,构建基于加权融合的全卷积神经网络,在不同路径的上采样过程中,对不同图像层进行加权融合,从而获得不同的分割结果;
步骤三,设计基于多数投票规则的像素分类方法,通过比较不同分割结果中像素的分类标签,对歧义像素进行重新划分,获得最终的细化分割结果。
步骤一所述的采用简单线性迭代聚类算法,算法描述为:
其中,表示像素p与像素q的灰度距离,表示像素p与像素q的空间距离,m和S表示两个参数,用于平衡灰度距离和空间距离,m的取值范围为[1, 40]。
在步骤二中,构建基于加权融合的全卷积神经网络,在不同路径的上采样过程中,对不同图像层进行加权融合,构建方式为:
通过构建5条不同的网络路径,获得5种包含不同信息量的图像分割结果;
第一条路径中,对第五层的池化层执行32倍反卷积,获得分割结果FCN-32s;
第二条路径中,对第五层的预测结果进行2倍上采样与第四层的预测结果进行加权融合(权值均为1/2),获得分割结果FCN-16s;
第三条路径中,对第五层的预测结果进行4倍上采样,对第四层的预测结果进行2倍上采样,二者与第三层的预测结果进行加权融合(权值均为1/3),获得分割结果FCN-8s;
第四条路径中,对第五层的预测结果进行8倍上采样,对第四层的预测结果进行4倍上采样,对第三层的预测结果进行2倍上采样,三者与第二层的预测结果进行加权融合(权值均为1/4),获得分割结果FCN-4s;
第五条路径中,对第五层的预测结果进行16倍上采样,对第四层的预测结果进行8倍上采样,对第三层的预测结果进行4倍上采样,对第二层的预测结果进行2倍上采样,四者与第一层的预测结果进行加权融合(权值均为1/5),获得分割结果FCN-2s;
在步骤三中,设计基于多数投票规则的像素分类方法,通过比较不同分割结果中像素的分类标签,对歧义像素进行重新划分,方法描述如下:
对于源图像I中的像素p,如果p在所有不同的分割结果R k ()中均被划分到了同一区域,则该像素无需进行重新划分,其分类标签为。如果像素p在不同分割结果中被划分到了不同的区域,即像素p的分类标签是有歧义的,则像素p的最终分类标签将根据p本身的灰度值及分割结果R k 中p所属区域m内的像素灰度均值确定。
本发明提出方法的主要优点有:(1)采用简单线性迭代聚类算法,对源图像进行超像素分割,提高后续处理的运行效率;(2)构建基于加权融合的全卷积神经网络,在不同路径的上采样过程中,对不同图像层进行加权融合,同时考虑像素的全局特征和局部细节信息;(3)设计基于多数投票规则的像素分类方法,对类标签有歧义的像素进行重新划分,提高图像分割的准确度。
附图说明
图1是本发明基于超像素和全卷积神经网络的脑部MR图像分割方法的流程图;
图2是本发明提出的基于加权融合的全卷积神经网络模型;
图3是本发明基于超像素和全卷积神经网络的脑部MR图像分割方法获得的图像分割结果与其他分割结果的对比示例。
具体实施方式
下面结合附图对本发明进行详细说明,以便本领域的技术人员更好地理解本发明。需要指出的是,在不脱离本发明核心思想的前提下,本领域的技术人员可以对本发明做出一些改进,这些都属于本发明的保护范围。
如图1所示,本发明提供一种基于超像素和全卷积神经网络的脑部MR图像分割方法,包括如下步骤:
步骤一,采用简单线性迭代聚类算法对源图像进行超像素分割,算法描述为:
步骤二,构建基于加权融合的全卷积神经网络,在不同路径的上采样过程中,对不同图像层进行加权融合,构建方式为:
通过构建5条不同的网络路径,获得5种包含不同信息量的图像分割结果。
第一条路径中,对第五层的池化层执行32倍反卷积,获得分割结果FCN-32s;
第二条路径中,对第五层的预测结果进行2倍上采样与第四层的预测结果进行加权融合(权值均为1/2),获得分割结果FCN-16s;
第三条路径中,对第五层的预测结果进行4倍上采样,对第四层的预测结果进行2倍上采样,二者与第三层的预测结果进行加权融合(权值均为1/3),获得分割结果FCN-8s;
第四条路径中,对第五层的预测结果进行8倍上采样,对第四层的预测结果进行4倍上采样,对第三层的预测结果进行2倍上采样,三者与第二层的预测结果进行加权融合(权值均为1/4),获得分割结果FCN-4s;
第五条路径中,对第五层的预测结果进行16倍上采样,对第四层的预测结果进行8倍上采样,对第三层的预测结果进行4倍上采样,对第二层的预测结果进行2倍上采样,四者与第一层的预测结果进行加权融合(权值均为1/5),获得分割结果FCN-2s;
步骤三,设计基于多数投票规则的像素分类方法,通过比较不同分割结果中像素的分类标签,对歧义像素进行重新划分,方法描述如下:
对于源图像I中的像素p,如果p在所有不同的分割结果R k ()中均被划分到了同一区域,则该像素无需进行重新划分,其分类标签为。如果像素p在不同分割结果中被划分到了不同的区域,即像素p的分类标签是有歧义的,则像素p的最终分类标签将根据p本身的灰度值及分割结果R k 中p所属区域m内的像素灰度均值确定。
本实施例中,图2是本发明提出的基于加权融合的全卷积神经网络模型,其输入为源图像,输出为5种不同的分割结果。
图3是本发明基于超像素和全卷积神经网络的脑部MR图像分割方法获得的图像分割结果与其他分割算法获得的分割结果的对比示例,共包括两组图像((I)和(II))。其中,第(II)组中源图像是在第(I)组中源图像上添加高斯噪声N(0, 0.001)获得的。图3(a)是脑部MR源图像,图3(b)-(f)是不同分割算法获得的分割结果。从图中可以看出,本发明获得的分割结果具有清晰的边缘,能够很好地保留源图像中组织区域的结构信息和更多的细节信息,优于其他分割结果。此外,本发明能够有效地避免噪声的影响。
表1为图3中不同分割算法的准确度评价结果。其中,最优评价结果用粗体标出。从表中可以看出,本发明获得的分割结果在准确度上优于其他分割算法,从客观角度验证了上述主观评价。
表1 图3分割结果的准确度评价
测试图像 | 本发明 | DCE | HL-IIMT | IIMT | Otsu |
(I) | 0.9593 | 0.9156 | 0.8532 | 0.8165 | 0.8021 |
(II) | 0.8447 | 0.8321 | 0.7529 | 0.7345 | 0.7300 |
Claims (4)
1.一种基于超像素和全卷积神经网络的脑部MR图像分割方法,其特征在于,通过如下步骤实现:
步骤一,采用简单线性迭代聚类算法对源图像进行预处理,获得超像素分割结果;
步骤二,构建基于加权融合的全卷积神经网络,在不同路径的上采样过程中,对不同图像层进行加权融合,从而获得不同的分割结果;
步骤三,设计基于多数投票规则的像素分类方法,通过比较不同分割结果中像素的分类标签,对歧义像素进行重新划分,获得最终的细化分割结果。
3.根据权利要求2所述的一种基于超像素和全卷积神经网络的脑肿瘤图像分割方法,其特征在于,在步骤二中,构建基于加权融合的全卷积神经网络,在不同路径的上采样过程中,对不同图像层进行加权融合,构建方式为:
通过构建5条不同的网络路径,获得5种包含不同信息量的图像分割结果;
第一条路径中,对第五层的池化层执行32倍反卷积,获得分割结果FCN-32s;
第二条路径中,对第五层的预测结果进行2倍上采样与第四层的预测结果进行加权融合(权值均为1/2),获得分割结果FCN-16s;
第三条路径中,对第五层的预测结果进行4倍上采样,对第四层的预测结果进行2倍上采样,二者与第三层的预测结果进行加权融合(权值均为1/3),获得分割结果FCN-8s;
第四条路径中,对第五层的预测结果进行8倍上采样,对第四层的预测结果进行4倍上采样,对第三层的预测结果进行2倍上采样,三者与第二层的预测结果进行加权融合(权值均为1/4),获得分割结果FCN-4s;
第五条路径中,对第五层的预测结果进行16倍上采样,对第四层的预测结果进行8倍上采样,对第三层的预测结果进行4倍上采样,对第二层的预测结果进行2倍上采样,四者与第一层的预测结果进行加权融合(权值均为1/5),获得分割结果FCN-2s。
4.根据权利要求3所述的一种基于超像素和全卷积神经网络的脑肿瘤图像分割方法,其特征在于,在步骤三中,设计基于多数投票规则的像素分类方法,通过比较不同分割结果中像素的分类标签,对歧义像素进行重新划分,方法描述如下:
对于源图像I中的像素p,如果p在所有不同的分割结果R k ()中均被划分到了同一区域,则该像素无需进行重新划分,其分类标签为,如果像素p在不同分割结果中被划分到了不同的区域,即像素p的分类标签是有歧义的,则像素p的最终分类标签将根据p本身的灰度值及分割结果R k 中p所属区域m内的像素灰度均值确定;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111427359.3A CN114092494A (zh) | 2021-11-29 | 2021-11-29 | 一种基于超像素和全卷积神经网络的脑部mr图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111427359.3A CN114092494A (zh) | 2021-11-29 | 2021-11-29 | 一种基于超像素和全卷积神经网络的脑部mr图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114092494A true CN114092494A (zh) | 2022-02-25 |
Family
ID=80305233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111427359.3A Pending CN114092494A (zh) | 2021-11-29 | 2021-11-29 | 一种基于超像素和全卷积神经网络的脑部mr图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114092494A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115019045A (zh) * | 2022-06-24 | 2022-09-06 | 哈尔滨工业大学 | 一种基于多成分邻域的小数据甲状腺超声图像分割方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709924A (zh) * | 2016-11-18 | 2017-05-24 | 中国人民解放军信息工程大学 | 基于深度卷积神经网络和超像素的图像语义分割方法 |
CN107016677A (zh) * | 2017-03-24 | 2017-08-04 | 北京工业大学 | 一种基于fcn和cnn的云图分割方法 |
CN107424159A (zh) * | 2017-07-28 | 2017-12-01 | 西安电子科技大学 | 基于超像素边缘和全卷积网络的图像语义分割方法 |
CN107749061A (zh) * | 2017-09-11 | 2018-03-02 | 天津大学 | 基于改进的全卷积神经网络脑肿瘤图像分割方法及装置 |
US20180307911A1 (en) * | 2017-04-21 | 2018-10-25 | Delphi Technologies, Llc | Method for the semantic segmentation of an image |
CN110349170A (zh) * | 2019-07-13 | 2019-10-18 | 长春工业大学 | 一种全连接crf级联fcn和k均值脑肿瘤分割算法 |
CN111489357A (zh) * | 2019-01-29 | 2020-08-04 | 广州市百果园信息技术有限公司 | 一种图像分割方法、装置、设备及存储介质 |
AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
-
2021
- 2021-11-29 CN CN202111427359.3A patent/CN114092494A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709924A (zh) * | 2016-11-18 | 2017-05-24 | 中国人民解放军信息工程大学 | 基于深度卷积神经网络和超像素的图像语义分割方法 |
CN107016677A (zh) * | 2017-03-24 | 2017-08-04 | 北京工业大学 | 一种基于fcn和cnn的云图分割方法 |
US20180307911A1 (en) * | 2017-04-21 | 2018-10-25 | Delphi Technologies, Llc | Method for the semantic segmentation of an image |
CN107424159A (zh) * | 2017-07-28 | 2017-12-01 | 西安电子科技大学 | 基于超像素边缘和全卷积网络的图像语义分割方法 |
CN107749061A (zh) * | 2017-09-11 | 2018-03-02 | 天津大学 | 基于改进的全卷积神经网络脑肿瘤图像分割方法及装置 |
CN111489357A (zh) * | 2019-01-29 | 2020-08-04 | 广州市百果园信息技术有限公司 | 一种图像分割方法、装置、设备及存储介质 |
CN110349170A (zh) * | 2019-07-13 | 2019-10-18 | 长春工业大学 | 一种全连接crf级联fcn和k均值脑肿瘤分割算法 |
AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
Non-Patent Citations (2)
Title |
---|
杨金鑫;杨辉华;李灵巧;潘细朋;刘振丙;周洁茜;: "结合卷积神经网络和超像素聚类的细胞图像分割方法", 计算机应用研究, no. 05, 14 June 2017 (2017-06-14) * |
毋立芳;贺娇瑜;简萌;邹蕴真;赵铁松;: "局部聚类分析的FCN-CNN云图分割方法", 软件学报, no. 04, 4 December 2017 (2017-12-04) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115019045A (zh) * | 2022-06-24 | 2022-09-06 | 哈尔滨工业大学 | 一种基于多成分邻域的小数据甲状腺超声图像分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563902B (zh) | 一种基于三维卷积神经网络的肺叶分割方法及系统 | |
CN107194872B (zh) | 基于内容感知深度学习网络的遥感图像超分辨率重建方法 | |
CN106940816B (zh) | 基于3d全卷积神经网络的ct图像肺结节检测系统 | |
CN113313164B (zh) | 一种基于超像素分割与图卷积的数字病理图像分类方法及系统 | |
CN111489357A (zh) | 一种图像分割方法、装置、设备及存储介质 | |
CN112862792B (zh) | 一种用于小样本图像数据集的小麦白粉病孢子分割方法 | |
CN112257753B (zh) | 基于偏微分算子的广义等变卷积网络模型的图像分类方法 | |
CN103049340A (zh) | 基于纹理上下文约束的视觉词汇的图像超分辨率重建方法 | |
CN115205672A (zh) | 一种基于多尺度区域注意力的遥感建筑物语义分割方法及系统 | |
CN112884758A (zh) | 一种基于风格迁移方法的缺陷绝缘子样本生成方法及系统 | |
Rios et al. | Feature visualization for 3D point cloud autoencoders | |
CN112634438A (zh) | 基于对抗网络的单帧深度图像三维模型重建方法及装置 | |
Wei et al. | A-ESRGAN: Training real-world blind super-resolution with attention U-Net Discriminators | |
Zhu et al. | Pyramid nerf: Frequency guided fast radiance field optimization | |
Li et al. | Robust blood cell image segmentation method based on neural ordinary differential equations | |
CN113591614B (zh) | 一种基于紧邻空间特征学习的遥感影像道路提取方法 | |
CN114092494A (zh) | 一种基于超像素和全卷积神经网络的脑部mr图像分割方法 | |
CN114359269A (zh) | 基于神经网络的虚拟食品盒缺陷生成方法及系统 | |
CN117115563A (zh) | 基于区域语义感知的遥感土地覆盖分类方法及系统 | |
Luo et al. | A fast denoising fusion network using internal and external priors | |
CN116109656A (zh) | 一种基于无监督学习的交互式图像分割方法 | |
CN115457050A (zh) | 一种基于超像素的古代壁画图像优化分割方法及系统 | |
CN115713624A (zh) | 一种增强遥感影像多尺度特征的自适应融合语义分割方法 | |
Chen et al. | Application of optimized convolution neural network model in mural segmentation | |
CN115018864A (zh) | 基于自适应预处理的三阶段肝脏肿瘤图像分割方法 |
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 |