CN114202545A - 一种基于UNet++的低级别胶质瘤图像分割方法 - Google Patents
一种基于UNet++的低级别胶质瘤图像分割方法 Download PDFInfo
- Publication number
- CN114202545A CN114202545A CN202010875513.2A CN202010875513A CN114202545A CN 114202545 A CN114202545 A CN 114202545A CN 202010875513 A CN202010875513 A CN 202010875513A CN 114202545 A CN114202545 A CN 114202545A
- Authority
- CN
- China
- Prior art keywords
- unet
- low
- segmentation
- image
- glioma
- 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 29
- 238000003709 image segmentation Methods 0.000 title claims abstract description 18
- 208000030173 low grade glioma Diseases 0.000 title claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 56
- 208000032612 Glial tumor Diseases 0.000 claims abstract description 38
- 206010018338 Glioma Diseases 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 206010028980 Neoplasm Diseases 0.000 abstract description 6
- 230000003902 lesion Effects 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 14
- 238000013507 mapping Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 208000003174 Brain Neoplasms Diseases 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 238000007619 statistical 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供一种基于UNet++的低级别胶质瘤图像分割方法，属于医学图像处理领域。本发明分割方法的步骤包括：首先使用低级别胶质瘤MRI图像和标记好的分割掩膜构建网络的训练集，然后根据构建的训练集对UNet++卷积神经网络进行训练，最后用训练好的UNet++卷积神经网络对实际肿瘤数据进行分割。该方法通过使用密集跳跃连接来融合深层特征和浅层特征，网络分割结果准确率高，抗噪性好，并且缩短了训练时间。与基于U‑Net的分割模型进行对比，在低级别胶质瘤MRI图像分割问题上的相似度效果有了很大的提升。能够辅助医师快速，精确地识别肿瘤病灶组织并给出诊断建议。
Description
技术领域
本发明属于医学图像处理领域，具体涉及一种基于UNet++的低级别胶质瘤图像分割方法。
背景技术
如今，医学图像处理已逐渐发展为一个重要的研究领域。利用计算机图像处理技术对二维切片图像进行分析和处理，实现对肿瘤病变区的分割提取，可以辅助医生进行临床分析，从而提高医疗诊断的准确性和可靠性。胶质瘤患者就诊时最常做的检查是磁共振成像(MRI)。核磁共振成像可产生高质量无损伤和无颅骨伪影的脑影像，是临床医学研究脑部组织结构的主要影像学工具和脑肿瘤诊疗的主要技术手段。由于成像技术限制和影像采集过程环境因素等影响，仍导致MRI脑影像存在运动伪影和噪声的情况。
在脑肿瘤分割技术发展初期，多使用无监督分割。无监督分割通过计算机对图像进行集聚统计分析，是一种无先验图像的分割技术。后来随着机器学习的发展，出现了大量用传统机器学习处理脑肿瘤的分割算法,比如支持向量机 (SVM),条件随机场(CRF)和随机森林(RF)等。2013年，卷积神经网络(CNN) 作为最流行的深度学习技术之一，在各个应用场景中得到了广泛的应用，成为计算机视觉领域中领先的机器学习工具。2014年，JonathanLong等人提出的Fully convolutional network，采用已有的较优图像分类网络，例如AlexNet，作为网络的编码器模块，并增加了带有转置卷积层的解码器模块，实现端到端的训练，解决了像素级图像分割任务。
同年Ian J.Goodfellow等提出GAN，一个通过对抗过程生成模型的新框架，使网络框架不再完全依赖数据量和标签。2015年，Ronneberger等人通过扩大网络解码器模块的容量来改进全卷积架构。他们提出了U-Net架构，它包括一个可以捕获上下文信息的编码器和一个能够实现精确定位的解码器。但U-Net的集联操作将高分辨率特征映射从编码器与相应解码器上采样得到的特征映射相连接，导致语义上不同的特征映射融合，造成低级特征和高级特征之间存在语义鸿沟，未能达到最好的预测效果。
目前在胶质瘤分割中存在两个问题，第一，由于成像技术的限制造成的光照和阴影，以及脑肿瘤图像数据有限且类别不平衡等问题，精确标注图像较少，如何解决这些问题以提高网络模型的抗噪性和泛化能力。第二，脑瘤的空间位置和形状尺寸复杂多变，不同患者之间存在较大差异，以及正常组织和病变组织的结构存在较大差异等原因，在面对这些复杂的情况时，如何更加快速精准、高效智能化的肿瘤分割。
在目前的医学分割领域，最常用的深度学习框架是采用编码器解码器结构的 U-Net网络，网络经过四次降采样(最大池化)，四次上采样(转置卷积)，得到最终的分割结果。U-Net中的编码器部分把图像分解为不同层次的特征映射，在四次下采样后，取一半卷积核进行上采样，再剪切对应下采样层的特征映射，和上采样得到的特征映射拼接在一起。特征映射的拼接操作可以恢复部分在上采样的过程中丢失的语义特征，从而保证分割的精度。
但U-Net中简单的拼接操作会使编码器得到的特征映射与解码器中得到的特征映射直接级联，导致语义上不同的特征映射融合，造成低级特征和高级特征之间存在语义鸿沟，不能达到高精度的医学分割。
发明内容
为解决上述技术问题，本发明以低级别胶质瘤的分割作为研究方向，提出一种基于UNet++的低级别胶质瘤分割方法。本发明方法从肿瘤MRI图像里自动学习病灶特征，实现了对低级别胶质瘤MRI图像的分割，相比于现有U-Net技术本发明的分割结果更为准确。在UNet++中，将U-Net中简单的跳跃连接(拼接)改为密集跳跃连接，融合编码器网络的高分辨率特征映射和相应的解码器网络中语义丰富的特征映射，从而使网络可以更有效地捕获目标肿瘤的细粒度细节。
基于上述问题，本发明提供了一种基于UNet++的低级别胶质瘤图像分割方法，
所述分割方法的步骤包括：
S1、获取低级别胶质瘤MRI图像和已标注的对应分割掩膜图像；
S2、构建低级别胶质瘤图像的训练集、验证集和测试集；划分后的训练集包括分割掩膜以及经过灰度归一化和数据增强处理后的低级别胶质瘤图像数据；
S3、构建UNet++卷积神经网络模型，所述UNet++卷积神经网络模型包括编码器结构、解码器结构和密集跳跃连接结构；
S4、利用低级别胶质瘤图像作为训练集训练已构建的UNet++卷积神经网络，生成网络模型，并利用低级别胶质瘤图像的测试集图像数据对模型效果进行评估；
S5、利用训练好的UNet++网络模型对待测的低级别胶瘤样本图像进行分割并取得分割结果。
进一步的，所述步骤S2的训练集、验证集和测试集的构建过程为：对数据集里的图像进行灰度归一化，将训练集、验证集和测试集按照约7:2:1的比例进行划分，将其中2828张已经标记好的低级别胶质瘤的MRI图像和对应的分割掩膜作为训练集样本，并对原始训练数据分别做水平和垂直镜像变换以及旋转变换来扩充训练集。
进一步的，所述步骤S3里所述的UNet++卷积神经网络模型分为5层结构，自上到下，将编码器特征与下一层编码器上采样特征进行融合；融合后的模块输出继续与下一层相应模块上采样特征再融合，直至循环到模块下一层没有对应的上采样模块为止；所述网络模型一共采用15个节点，每个节点使用2个尺寸为3*3步长为1的卷积核，每个卷积层后接Leaky-Rule和一个批规范化(BN)层，以提高网络性能。
本发明的有益效果是：
本发明提供的一种基于UNet++的低级别胶质瘤图像分割方法，使用UNet++ 卷积神经网络建立一个端到端的胶质瘤分割模型，通过使用密集跳跃连接来融合深层特征和浅层特征，网络分割结果准确率高，抗噪性好，并且缩短了训练时间，提高了检测效率。与基于U-Net的分割模型进行对比，在低级别胶质瘤 MRI图像分割问题上的相似度效果有了很大的提升。
附图说明
图1为本发明提供的一种基于UNet++的低级别胶质瘤图像分割方法的流程图；
图2为本发明提供的一种基于UNet++的低级别胶质瘤图像分割方法的网络模型结构图；
图3为本发明提供的一种基于UNet++的低级别胶质瘤图像分割方法的密集跳跃连接结构图；
图4为本发明提供的一种基于UNet++的低级别胶质瘤图像分割方法的无病灶低级别胶质瘤MRI切片图；
图5为图4切片图对应的分割掩膜图；
图6为采用U-Net网络模型对图4切片的分割结果图；
图7为采用本发明UNet++的低级别胶质瘤图像分割方法对图4的分割结果图；
图8为本发明提供的一种基于UNet++的低级别胶质瘤图像分割方法的有病灶低级别胶质瘤MRI切片图；
图9为图8切片图对应的异常分割掩膜图；
图10为采用U-Net网络模型对图8切片的分割结果图；
图11为采用本发明UNet++的低级别胶质瘤图像分割方法对图8的分割结果图；
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示，本发明的一种基于UNet++的低级别胶质瘤图像分割方法，所述分割方法的步骤包括：
S1、获取低级别胶质瘤MRI图像和已标注的对应分割掩膜图像；
S2、构建低级别胶质瘤图像的训练集、验证集和测试集；划分后的训练集包括分割掩膜以及经过灰度归一化和数据增强处理后的低级别胶质瘤图像数据；
S3、构建UNet++卷积神经网络模型，所述UNet++卷积神经网络模型包括编码器结构、解码器结构和密集跳跃连接结构；
S4、利用低级别胶质瘤图像作为训练集训练已构建的UNet++卷积神经网络，生成网络模型，并利用低级别胶质瘤图像的测试集图像数据对模型效果进行评估；
S5、利用训练好的UNet++网络模型对待测的低级别胶瘤样本图像进行分割并取得分割结果。
如图1所示，所述步骤S2的训练集、验证集和测试集的构建过程为：对数据集里的图像进行灰度归一化，将训练集、验证集和测试集按照约7:2:1的比例进行划分，将其中2828张已经标记好的低级别胶质瘤的MRI图像和对应的分割掩膜作为训练集样本，并对原始训练数据分别做水平和垂直镜像变换以及旋转变换来扩充训练集。
如图2所示，所述步骤S3里所述的UNet++卷积神经网络模型分为5层结构，自上到下，将编码器特征与下一层编码器上采样特征进行融合；融合后的模块输出继续与下一层相应模块上采样特征再融合，如此循环到模块下一层没有对应的上采样模块为止；所述网络模型一共采用15个节点，每个节点使用2个尺寸为3*3步长为1的卷积核，每个卷积层后接Leaky-Rule和一个批规范化(BN)层以提高网络性能。
如图3所示，单个节点的输出结果为：
xi,j表示当前节点，即特征提取模块的输出，i表示编码器下采样的层序，j表示同一层的模块序号，j＝0表示编码器特征提取模块，H(·)表示特征提取模块的卷积操作，U(·)表示上采样操作，[]表示密集跳跃连里的特征通道连接。综上所述，每个模块的输出如下公式所述：
所述网络采用Dice系数损失函数作为损失函数，如下公式所示：
YGT表示胶质瘤标注，YP表示预测结果，
表示第b张图像的分割标注，
表示第b张图像的预测概率，N表示批次大小。
本发明使用UNet++卷积神经网络建立一个端到端的胶质瘤分割模型，通过使用密集跳跃连接来融合深层特征和浅层特征，网络分割结果准确率高，抗噪性好，并且缩短了训练时间，提高了检测效率。为验证本算法在低级别胶质瘤分割问题上的相似度效果的提升，采用Dice系数进行对比，Dice系数是一种评估相似度的函数，通常用于计算两个样本的相似度或者重叠度。计算结果表明：U-Net的分割模型的Dice系数为0.8521，本发明的UNet++网络模型Dice 系数为0.8910，UNet++网络模型相比于U-Net的分割模型在胶质瘤图像分割上 Dice系数提高了3.89％。
根据获取的无病灶低级别胶质瘤MRI图像(如图4所示)，将基于U-Net网络实现的分割网络所得到的结果(图6所示)与异常分割掩膜(图5所示)对比，可知结果存在误分割的情况，UNet++网络将U-Net的中的简单拼接改为密集跳跃连接，融合了编码器网络的高分辨率特征映射和对应的解码器网络中语义丰富的特征映射，使得到分使割结果(如图6所示)更加准确，避免了误分割的情况。根据获取的有病灶低级别胶质瘤MRI图像(如图8所示)，将基于U-Net网络实现的分割网络所得到的结果(如图10所示)与异常分割掩膜(如图9所示)对比，结果并不准确，UNet++网络将U-Net的中的简单拼接改为密集跳跃连接，避免了语义上不同的特征映射融合而导致的低级特征和高级特征之间的语义鸿沟，使分割结果(如图11所示)边缘更加清晰，更加准确地反映了了病灶的位置尺寸，便于辅助医师进行诊断。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改，等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (3)
1.一种基于UNet++的低级别胶质瘤图像分割方法，其特征在于：所述分割方法的步骤包括：
S1、获取低级别胶质瘤MRI图像和已标注的对应分割掩膜图像；
S2、构建低级别胶质瘤图像的训练集、验证集和测试集；划分后的训练集包括分割掩膜以及经过灰度归一化和数据增强处理后的低级别胶质瘤图像数据；
S3、构建UNet++卷积神经网络模型，所述UNet++卷积神经网络模型包括编码器结构、解码器结构和密集跳跃连接结构；
S4、利用低级别胶质瘤图像作为训练集训练已构建的UNet++卷积神经网络，生成网络模型，并利用低级别胶质瘤图像的测试集图像数据对模型效果进行评估；
S5、利用训练好的UNet++网络模型对待测的低级别胶瘤样本图像进行分割并取得分割结果。
2.根据权利要求1所述的一种基于UNet++的低级别胶质瘤图像分割方法，其特征在于：
所述步骤S2的训练集、验证集和测试集的构建过程为：对数据集里的图像进行灰度归一化，将训练集、验证集和测试集按照约7:2:1的比例进行划分，将其中2828张已经标记好的低级别胶质瘤的MRI图像和对应的分割掩膜作为训练集样本，并对原始训练数据分别做水平和垂直镜像变换以及旋转变换来扩充训练集。
3.根据权利要求1所述的一种基于UNet++的低级别胶质瘤图像分割方法，其特征在于：
所述步骤S3里所述的UNet++卷积神经网络模型分为5层结构，自上到下，将编码器特征与下一层编码器上采样特征进行融合；融合后的模块输出继续与下一层相应模块上采样特征再融合，直至循环到模块下一层没有对应的上采样模块为止；所述网络模型一共采用15个节点，每个节点使用2个尺寸为3*3步长为1的卷积核，每个卷积层后接Leaky-Rule和一个批规范化层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010875513.2A CN114202545A (zh) | 2020-08-27 | 2020-08-27 | 一种基于UNet++的低级别胶质瘤图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010875513.2A CN114202545A (zh) | 2020-08-27 | 2020-08-27 | 一种基于UNet++的低级别胶质瘤图像分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114202545A true CN114202545A (zh) | 2022-03-18 |
Family
ID=80644094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010875513.2A Pending CN114202545A (zh) | 2020-08-27 | 2020-08-27 | 一种基于UNet++的低级别胶质瘤图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114202545A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115115648A (zh) * | 2022-06-20 | 2022-09-27 | 北京理工大学 | 一种结合UNet和体绘制先验知识的脑组织分割方法 |
| CN115187577A (zh) * | 2022-08-05 | 2022-10-14 | 北京大学第三医院（北京大学第三临床医学院） | 一种基于深度学习的乳腺癌临床靶区自动勾画方法和系统 |
| CN116363161A (zh) * | 2023-06-02 | 2023-06-30 | 清华大学 | 一种水泥水化图像多类别分割方法和装置 |
| CN116452600A (zh) * | 2023-06-15 | 2023-07-18 | 上海蜜度信息技术有限公司 | 实例分割方法、系统、模型训练方法、介质及电子设备 |
| GB2621332A (en) * | 2022-08-08 | 2024-02-14 | Twinn Health Ltd | A method and an artificial intelligence system for assessing an MRI image |
| CN117893499A (zh) * | 2024-01-15 | 2024-04-16 | 北京弗莱特智能软件开发有限公司 | 一种医学影像分割模型的训练方法及计算机设备 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110120033A (zh) * | 2019-04-12 | 2019-08-13 | 天津大学 | 基于改进的U-Net神经网络三维脑肿瘤图像分割方法 |
-
2020
- 2020-08-27 CN CN202010875513.2A patent/CN114202545A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110120033A (zh) * | 2019-04-12 | 2019-08-13 | 天津大学 | 基于改进的U-Net神经网络三维脑肿瘤图像分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| ZONGWEI ZHOU, ET AL: "UNet++: A Nested U-Net Architecture for Medical Image Segmentation", 《DEEP LEARNING IN MEDICAL IMAGE ANALYSIS AND MULTIMODAL LEARNING FOR CLINICAL DECISION SUPPORT》, 20 September 2018 (2018-09-20), pages 3 - 11, XP047491930, DOI: 10.1007/978-3-030-00889-5_1 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115115648A (zh) * | 2022-06-20 | 2022-09-27 | 北京理工大学 | 一种结合UNet和体绘制先验知识的脑组织分割方法 |
| CN115187577A (zh) * | 2022-08-05 | 2022-10-14 | 北京大学第三医院（北京大学第三临床医学院） | 一种基于深度学习的乳腺癌临床靶区自动勾画方法和系统 |
| GB2621332A (en) * | 2022-08-08 | 2024-02-14 | Twinn Health Ltd | A method and an artificial intelligence system for assessing an MRI image |
| GB2621332B (en) * | 2022-08-08 | 2024-09-11 | Twinn Health Ltd | A method and an artificial intelligence system for assessing an MRI image |
| CN116363161A (zh) * | 2023-06-02 | 2023-06-30 | 清华大学 | 一种水泥水化图像多类别分割方法和装置 |
| CN116363161B (zh) * | 2023-06-02 | 2023-08-01 | 清华大学 | 一种水泥水化图像多类别分割方法和装置 |
| CN116452600A (zh) * | 2023-06-15 | 2023-07-18 | 上海蜜度信息技术有限公司 | 实例分割方法、系统、模型训练方法、介质及电子设备 |
| CN116452600B (zh) * | 2023-06-15 | 2023-10-03 | 上海蜜度信息技术有限公司 | 实例分割方法、系统、模型训练方法、介质及电子设备 |
| CN117893499A (zh) * | 2024-01-15 | 2024-04-16 | 北京弗莱特智能软件开发有限公司 | 一种医学影像分割模型的训练方法及计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113870258B (zh) | 一种基于对抗学习的无标签胰腺影像自动分割系统 | |
| CN114202545A (zh) | 一种基于UNet++的低级别胶质瘤图像分割方法 | |
| CN113674253B (zh) | 基于U-Transformer的直肠癌CT影像自动分割方法 | |
| CN110889853B (zh) | 基于残差-注意力深度神经网络的肿瘤分割方法 | |
| CN109949276B (zh) | 一种于改进SegNet分割网络的淋巴结检测方法 | |
| CN110889852B (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
| CN109242860B (zh) | 基于深度学习及权重空间集成的脑肿瘤图像分割方法 | |
| CN112150428A (zh) | 一种基于深度学习的医学图像分割方法 | |
| CN111429473B (zh) | 基于多尺度特征融合的胸片肺野分割模型建立及分割方法 | |
| WO2022121100A1 (zh) | 一种基于darts网络的多模态医学图像融合方法 | |
| CN114119516B (zh) | 基于迁移学习和级联自适应空洞卷积的病毒病灶分割方法 | |
| CN112766377B (zh) | 左心室磁共振影像智能分类方法、装置、设备和介质 | |
| CN111951288A (zh) | 一种基于深度学习的皮肤癌病变分割方法 | |
| CN112396605B (zh) | 网络训练方法及装置、图像识别方法和电子设备 | |
| CN112884788B (zh) | 基于丰富上下文网络的视杯视盘分割方法及成像方法 | |
| CN114266786A (zh) | 基于生成对抗网络的胃病变分割方法及系统 | |
| CN113643261B (zh) | 一种基于频率注意网络的胸肺部疾病诊断方法 | |
| CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
| CN116563533A (zh) | 基于目标位置先验信息的医学图像分割方法及系统 | |
| CN112164447B (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN117635625A (zh) | 基于自动数据增强策略和多注意力辅助UNet的胰腺肿瘤分割方法 | |
| CN113269774A (zh) | 一种mri图像的帕金森病分类及标注病灶区域的方法 | |
| CN112750131A (zh) | 基于尺度和序列关系的骨盆核磁共振图像肌肉骨骼分割方法 | |
| CN117151162A (zh) | 基于自监督与专家门控的跨解剖区域器官增量分割方法 | |
| CN116228732A (zh) | 一种乳腺癌分子分型预测方法、系统、介质、设备及终端 |
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 |