CN114219814A - 一种基于深度水平集学习的视杯视盘分割方法 - Google Patents

一种基于深度水平集学习的视杯视盘分割方法 Download PDF

Info

Publication number
CN114219814A
CN114219814A CN202111292511.1A CN202111292511A CN114219814A CN 114219814 A CN114219814 A CN 114219814A CN 202111292511 A CN202111292511 A CN 202111292511A CN 114219814 A CN114219814 A CN 114219814A
Authority
CN
China
Prior art keywords
level set
neural network
optic
cup
shaped neural
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
Application number
CN202111292511.1A
Other languages
English (en)
Inventor
吴庆耀
陈健
谢方圆
尹鹏帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202111292511.1A priority Critical patent/CN114219814A/zh
Publication of CN114219814A publication Critical patent/CN114219814A/zh
Pending legal-status Critical Current

Links

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
    • G06T7/12—Edge-based segmentation
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Eye Examination Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度水平集学习的视杯视盘分割方法，包括以下步骤：S1、将眼底图像输入U型神经网络中，U型神经网络输出图像中每一个像素的水平集函数值，相应的零水平集是目标物体的轮廓；S2、使用水平集损失函数计算U型神经网络的输出与真实标注之间的误差并更新U型神经网络参数，该损失函数中引入了轮廓长度约束和区域一致性约束，使神经网络能够习得满足先验知识的水平集；S3、训练两个U型神经网络分别对视盘和视杯进行分割。本发明实现了高精度的视杯视盘分割方法，能够有效应用于自动诊断视网膜疾病。

Description

一种基于深度水平集学习的视杯视盘分割方法
技术领域
本发明属于医学图像分割技术领域，具体涉及一种基于深度水平集学习的视杯视盘分割方法。
背景技术
在临床医学上，医生往往通过评估视神经乳头区域(Optic Nerve Head，ONH)的结构变化来诊断视网膜疾病。一种普遍使用的ONH评估方法是垂直杯盘比，即垂直视杯直径与垂直视盘直径之比。由于手动诊断非常耗时，且需要训练有素的医生，因而自动视杯和视盘分割技术引起了人们的广泛研究。传统的水平集方法将图像中目标物体的轮廓用高维曲面(即水平集函数)的零水平集来间接表达，之后可以通过水平集函数的演变来模拟轮廓的运动到最合适的位置(通常是梯度最大的位置)。水平集方法可以方便地附加先验信息，例如形状、区域和边缘，但其仅考虑图像强度信息，缺少捕获现实世界物体外观特征变化的能力，泛化能力较差而且需要人工调整较多参数。近年来，卷积神经网络特别是U-Net由于其强大的泛化和特征学习能力已成功用于医学图像分割，但它们一般将分割视为逐像素分类问题。对于视杯视盘的分割任务，虽然也可以使用通用的分割网络，但是无法充分利用视杯或视盘的形状结构先验知识。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提出一种基于深度水平集学习的视杯视盘分割方法，结合了水平集和神经网络的优势。
为了达到上述目的，本发明采用以下技术方案：
一种基于深度水平集学习的视杯视盘分割方法，包括以下步骤：
S1、将多张数据集中的眼底图像输入到U型神经网络中进行训练，U型神经网络输出图像中每一个像素点的水平集函数值，相应的零水平集是目标物体的轮廓；
S2、使用水平集损失函数计算U型神经网络的输出与真实标注之间的误差并更新U型神经网络参数，该损失函数中引入了轮廓长度约束和区域一致性约束，使神经网络能够习得满足先验知识的水平集；
S3、重复执行步骤S1至步骤S2，直到数据集中的所有眼底图像都参与了这一周期的训练；
S4、重复步骤S3，直至U型神经网络训练达到预设周期，最终得到一个训练好的用于分割视杯的U型神经网络；
S5、使用真实的视盘标注重复步骤S4一次，得到一个训练好的用于分割视盘的U型神经网络；
S6、使用训练好的两个U型神经网络对新的眼底图像分别进行视杯和视盘分割，分割后的结果可用于测量垂直视杯直径与垂直视盘直径以及计算垂直杯盘比来诊断视网膜疾病。
进一步的，步骤S1具体为：
S11、眼底图像输入U型神经网络，经过U型神经网络得到一张32维的特征图，特征图中每个32维的特征向量通过1×1卷积映射为输出结果；
S12、将U型神经网络输出结果视为一个水平集函数；
S13、取U型神经网络输出的水平集函数的零水平集作为分割的边界。
进一步的，U型神经网络具体为：
U型神经网络包括编码器和解码器；
编码器包括6个模块，每个模块包括两个或三个卷积层，每个卷积层后设一个ReLU层和窗口大小为2×2最大池化操作；
解码器包括5个模块，每个模块包括本身体征图的空间上采样，并与来自相应路径的特征图使用跳跃链接进行链接，然后接两个卷积层和一个ReLU层；其中，空间上采样的因子为2。
进一步的，步骤S12中，将U型神经网络输出结果视为一个水平集函数，该水平接函数具体为：
Figure BDA0003335367520000031
其中，Ω为图像区域；ω为前景区域，即目标对象区域；
Figure BDA0003335367520000032
是ω的边界，
Figure BDA0003335367520000033
是指像素(x，y)与边界
Figure BDA0003335367520000034
之间的最小欧几里得距离。
进一步的，步骤S13具体为：
取U型神经网络输出的水平集函数φ(x，y)的零水平集作为分割的边界C：
C：φ(x，y)＝0。
进一步的，步骤S2中，使用水平集损失函数计算网络的输出与真实标注之间的误差并更新网络参数，该损失函数中引入了轮廓长度约束和区域一致性约束，该水平集损失函数具体为：
Llevelset＝α1Lφ+α2LH(φ)+α3Length(C)+α4[∫Ω|H(φ(x，y))-c1|2H(φ(x，y))dxdy+∫Ω|H(φ(x，y))-c2|2(1-H(φ(x，y)))dxdy]
其中，αi，i＝1，2，3，4是每一项的权重系数，H(z)是近似的Heaviside函数：
Figure BDA0003335367520000035
其中，∈是描述近似程度的超参数。
进一步的，在水平集损失函数Llevelset中，Lφ约束水平集φ(x，y)的形状：
Lφ＝∫Ω|φgt(x，y)-φpre(x，y)|2dxdy
LH(φ)约束前景区域ω的形状：
LH(φ)＝∫Ω|H(φgt(x，y))-H(φpre(x，y))|2dxdy
Length(C)限制曲线C的平滑度：
Figure BDA0003335367520000041
其中，分布导数是狄拉克三角函数δ(z)是H(z)的分布导数：
Figure BDA0003335367520000042
最后两部分强制在ω内部和外部输出响应一致，常数c1和c2分别是ω内部区域和外部区域的平均像素值，分别描述两个区域的图像强度：
Figure BDA0003335367520000043
Figure BDA0003335367520000044
进一步的，训练U型神经网络，初始学习率设置为0.001；
使用梯度下降的方法更新网络的参数。
进一步的，步骤S4中，U型神经网络具体训练100个周期后停止训练，学习率每30个周期衰减为原来的十分之一。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明将神经网络的输出视为一个水平集函数，可以添加一些约束以使预测的水平集满足某些特征，进而提高视杯和视盘分割的准确率。在添加长度约束后，分割的视盘或视杯区域的边界通常比较光滑，避免出现严重不规则的形状；在添加区域约束后，神经网络对视盘或视杯区域内部的像素响应一致，避免分割出现孔洞。
附图说明
图1是本发明方法的流程图；
图2是实施例中U型神经网络的输入图像；
图3是视杯视盘的真实标注图像；
图4是本发明中训练好的两个U型神经网络对输入图像分别进行视杯和视盘分割后整合的结果；
图5a是本发明中U型神经网络输出的水平集函数切面；
图5b是本发明中U型神经网络输出的水平集函数的示意图；
图6是本发明所使用的U型神经网络的架构图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
如图1所示，本发明，一种基于深度水平集学习的视杯视盘分割方法，包括以下步骤：
S1、将多张数据集中的眼底图像输入到U型神经网络中进行训练，U型神经网络输出图像中每一个像素点的水平集函数值，相应的零水平集是目标物体的轮廓；具体包括：
S11、眼底图像输入U型神经网络，经过U型神经网络得到一张32维的特征图，特征图中每个32维的特征向量通过1×1卷积映射为输出结果；
如图2所示，为U型神经网络的输入图像；如图6所示，为本实施例中使用到的U型神经网络的示意图，U型神经网络具体包括编码器和解码器；
编码器包括6个模块，每个模块包括两个或三个卷积层，每个卷积层后设一个ReLU层和窗口大小为2×2最大池化操作；
解码器包括5个模块，每个模块包括本身体征图的空间上采样，并与来自相应路径的特征图使用跳跃链接进行链接，然后接两个卷积层和一个ReLU层；其中，空间上采样的因子为2。
S12、将U型神经网络输出结果视为一个水平集函数，具体为：
Figure BDA0003335367520000061
其中，Ω为图像区域；ω为前景区域，即目标对象区域；
Figure BDA0003335367520000062
是ω的边界，
Figure BDA0003335367520000063
是指像素(x，y)与边界
Figure BDA0003335367520000064
之间的最小欧几里得距离。
如图5a和图5b所示，为本实施例输出的水平集函数示意图，一张图像中目标物体边界上的像素点的水平集函数值为0，目标物体边界内的像素点的水平集函数值为正数，目标物体边界外的像素点的水平集函数值为负数，某一像素点的水平集函数值的绝对值表示该像素点距离目标物体边界的最小欧几里得距离。
S13、取U型神经网络输出的水平集函数φ(x，y)的零水平集作为分割的边界C：
C：φ(x，y)＝0。
S2、使用水平集损失函数计算U型神经网络的输出与真实标注之间的误差并更新U型神经网络参数；该损失函数中引入了轮廓长度约束和区域一致性约束，使神经网络能够习得满足先验知识的水平集；如图3所示，为视杯视盘的真实标注图像。
在本实施例中，使用梯度下降的方法更新网络的参数，初始学习率设置为0.001；该水平集损失函数具体为：
Llevelset＝α1Lφ+α2LH(φ)+α3Length(C)+α4[∫Ω|H(φ(x，y))-c1|2H(φ(x，y))dxdy+∫ΩH(φ(x，y))-c2|2(1-H(φ(x，y)))dxdy]
其中，αi，i＝1，2，3，4是每一项的权重系数，H(z)是近似的Heaviside函数：
Figure BDA0003335367520000071
其中，∈是描述近似程度的超参数。
在水平集损失函数Llevelset中，Lφ约束水平集φ(x，y)的形状：
Lφ＝∫Ω|φgt(x，y)-φpre(x，y)|2dxdy
LH(φ)约束前景区域ω的形状：
LH(φ)＝∫Ω|H(φgt(x，y))-H(φpre(x，y))|2dxdy
Length(C)限制曲线C的平滑度：
Figure BDA0003335367520000072
其中，分布导数是狄拉克三角函数δ(z)是H(z)的分布导数：
Figure BDA0003335367520000073
最后两部分强制在ω内部和外部输出响应一致，常数c1和c2分别是ω内部区域和外部区域的平均像素值，分别描述两个区域的图像强度：
Figure BDA0003335367520000074
Figure BDA0003335367520000075
S3、重复执行步骤S1至步骤S2，直到数据集中的所有眼底图像都参与了这一周期的训练；
S4、重复步骤S3，直至U型神经网络训练达到100个周期后停止训练，学习率每30个周期衰减为原来的十分之一，最终得到一个训练好的用于分割视杯的U型神经网络；
S5、使用真实的视盘标注重复步骤S4一次，得到一个训练好的用于分割视盘的U型神经网络；
S6、使用训练好的两个U型神经网络对新的眼底图像分别进行视杯和视盘分割，分割后的结果可用于测量垂直视杯直径与垂直视盘直径以及计算垂直杯盘比来诊断视网膜疾病。
如图4所示，本发明中训练好的两个神经网络对输入图像(如图2所示)分别进行视杯和视盘分割后整合的结果，中心黑色实线所包围的椭圆区域为网络分割得到的视杯区域，黑色虚线所包围的椭圆区域为网络分割得到的视盘区域。
本发明所提出的方法结合了水平集和神经网络的优势：首先，该方法将一张眼底图像输入到一个神经网络中，网络输出图像中每一个像素的水平集函数值；其次，该方法使用水平集损失函数计算网络的输出与真实标注之间的误差并更新网络参数，该损失函数中引入了轮廓长度约束和区域一致性约束；最后，该方法训练两个网络分别对视盘和视杯进行分割。本发明实现了高精度的视杯视盘分割方法，能够有效应用于自动诊断视网膜疾病。
还需要说明的是，在本说明书中，诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种基于深度水平集学习的视杯视盘分割方法，其特征在于，包括以下步骤：
S1、将多张数据集中的眼底图像输入到U型神经网络中进行训练，U型神经网络输出图像中每一个像素点的水平集函数值，相应的零水平集是目标物体的轮廓；
S2、使用水平集损失函数计算U型神经网络的输出与真实标注之间的误差并更新U型神经网络参数，该损失函数中引入了轮廓长度约束和区域一致性约束，使神经网络能够习得满足先验知识的水平集；
S3、重复执行步骤S1至步骤S2，直到数据集中的所有眼底图像都参与了这一周期的训练；
S4、重复步骤S3，直至U型神经网络训练达到预设周期，最终得到一个训练好的用于分割视杯的U型神经网络；
S5、使用真实的视盘标注重复步骤S4一次，得到一个训练好的用于分割视盘的U型神经网络；
S6、使用训练好的两个U型神经网络对新的眼底图像分别进行视杯和视盘分割，分割后的结果可用于测量垂直视杯直径与垂直视盘直径以及计算垂直杯盘比来诊断视网膜疾病。
2.根据权利要求1所述的一种基于深度水平集学习的视杯视盘分割方法，其特征在于，步骤S1具体为：
S11、眼底图像输入U型神经网络，经过U型神经网络得到一张32维的特征图，特征图中每个32维的特征向量通过1×1卷积映射为输出结果；
S12、将U型神经网络输出结果视为一个水平集函数；
S13、取U型神经网络输出的水平集函数的零水平集作为分割的边界。
3.根据权利要求2所述的一种基于深度水平集学习的视杯视盘分割方法，其特征在于，U型神经网络具体为：
U型神经网络包括编码器和解码器；
编码器包括6个模块，每个模块包括两个或三个卷积层，每个卷积层后设一个ReLU层和窗口大小为2×2最大池化操作；
解码器包括5个模块，每个模块包括本身体征图的空间上采样，并与来自相应路径的特征图使用跳跃链接进行链接，然后接两个卷积层和一个ReLU层；其中，空间上采样的因子为2。
4.根据权利要求2所述的一种基于深度水平集学习的视杯视盘分割方法，其特征在于，步骤S12中，将U型神经网络输出结果视为一个水平集函数，该水平接函数具体为：
Figure FDA0003335367510000021
其中，Ω为图像区域；ω为前景区域，即目标对象区域；
Figure FDA0003335367510000022
是ω的边界，
Figure FDA0003335367510000023
是指像素(x，y)与边界
Figure FDA0003335367510000024
之间的最小欧几里得距离。
5.根据权利要求4所述的一种基于深度水平集学习的视杯视盘分割方法，其特征在于，步骤S13具体为：
取U型神经网络输出的水平集函数φ(x，y)的零水平集作为分割的边界C：
C：φ(x，y)＝0。
6.根据权利要求5所述的一种基于深度水平集学习的视杯视盘分割方法，其特征在于，步骤S2中，使用水平集损失函数计算网络的输出与真实标注之间的误差并更新网络参数，该损失函数中引入了轮廓长度约束和区域一致性约束，该水平集损失函数具体为：
Llevelset＝α1Lφ+α2LH(φ)+α3Length(C)+α4[∫Ω|H(φ(x，y))-c1|2H(φ(x，y))dxdy+∫Ω|H(φ(x，y))-c2|2(1-H(φ(x，y)))dxdy]
其中，αi，i＝1，2，3，4是每一项的权重系数，H(z)是近似的Heaviside函数：
Figure FDA0003335367510000025
其中，∈是描述近似程度的超参数。
7.根据权利要求6所述的一种基于深度水平集学习的视杯视盘分割方法，其特征在于，在水平集损失函数Llevelset中，Lφ约束水平集φ(x，y)的形状：
Lφ＝∫Ω|φgt(x，y)-φpre(x，y)|2dxdy
LH(φ)约束前景区域ω的形状：
LH(φ)＝∫Ω|H(φgt(x，y))-H(φpre(x，y))|2dxdy
Length(C)限制曲线C的平滑度：
Figure FDA0003335367510000031
其中，分布导数是狄拉克三角函数δ(z)是H(z)的分布导数：
Figure FDA0003335367510000032
最后两部分强制在ω内部和外部输出响应一致，常数c1和c2分别是ω内部区域和外部区域的平均像素值，分别描述两个区域的图像强度：
Figure FDA0003335367510000033
Figure FDA0003335367510000034
8.根据权利要求1所述的一种基于深度水平集学习的视杯视盘分割方法，其特征在于，训练U型神经网络，初始学习率设置为0.001；
使用梯度下降的方法更新网络的参数。
9.根据权利要求1所述的一种基于深度水平集学习的视杯视盘分割方法，其特征在于，步骤S4中，U型神经网络具体训练100个周期后停止训练，学习率每30个周期衰减为原来的十分之一。
CN202111292511.1A 2021-11-03 2021-11-03 一种基于深度水平集学习的视杯视盘分割方法 Pending CN114219814A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111292511.1A CN114219814A (zh) 2021-11-03 2021-11-03 一种基于深度水平集学习的视杯视盘分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111292511.1A CN114219814A (zh) 2021-11-03 2021-11-03 一种基于深度水平集学习的视杯视盘分割方法

Publications (1)

Publication Number Publication Date
CN114219814A true CN114219814A (zh) 2022-03-22

Family

ID=80696619

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111292511.1A Pending CN114219814A (zh) 2021-11-03 2021-11-03 一种基于深度水平集学习的视杯视盘分割方法

Country Status (1)

Country Link
CN (1) CN114219814A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116580194A (zh) * 2023-05-04 2023-08-11 山东省人工智能研究院 融合几何信息的软注意力网络的血管分割方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109598733A (zh) * 2017-12-31 2019-04-09 南京航空航天大学 基于深度全卷积神经网络的视网膜眼底图像分割方法
CN112884788A (zh) * 2021-03-08 2021-06-01 中南大学 基于丰富上下文网络的视杯视盘分割方法及成像方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109598733A (zh) * 2017-12-31 2019-04-09 南京航空航天大学 基于深度全卷积神经网络的视网膜眼底图像分割方法
CN112884788A (zh) * 2021-03-08 2021-06-01 中南大学 基于丰富上下文网络的视杯视盘分割方法及成像方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
尹鹏帅等: "Deep level set learning for optic disc and cup segmentation", 《WEB OF SCIENCE》, 27 August 2021 (2021-08-27), pages 330 - 341, XP086814192, DOI: 10.1016/j.neucom.2021.08.102 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116580194A (zh) * 2023-05-04 2023-08-11 山东省人工智能研究院 融合几何信息的软注意力网络的血管分割方法
CN116580194B (zh) * 2023-05-04 2024-02-06 山东省人工智能研究院 融合几何信息的软注意力网络的血管分割方法

Similar Documents

Publication Publication Date Title
CN111815574B (zh) 一种基于粗糙集神经网络的眼底视网膜血管图像分割方法
CN109584254B (zh) 一种基于深层全卷积神经网络的心脏左心室分割方法
CN109191476B (zh) 基于U-net网络结构的生物医学图像自动分割新方法
CN107644420B (zh) 基于中心线提取的血管图像分割方法、核磁共振成像系统
CN112132817B (zh) 一种混合注意力机制的眼底图像视网膜血管分割方法
CN107369160B (zh) 一种oct图像中脉络膜新生血管分割算法
US8938113B2 (en) Adaptive visualization for direct physician use
CN110309853B (zh) 基于变分自编码器的医学图像聚类方法
CN107766874B (zh) 一种超声容积生物学参数的测量方法及测量系统
CN107680110B (zh) 基于统计形状模型的内耳三维水平集分割方法
CN106920227A (zh) 基于深度学习与传统方法相结合的视网膜血管分割方法
CN109658423B (zh) 一种彩色眼底图的视盘视杯自动分割方法
CN110555836A (zh) 一种超声图像中胎儿标准切面的自动识别方法和系统
CN113781640A (zh) 基于弱监督学习的三维人脸重建模型建立方法及其应用
CN108764342B (zh) 一种对于眼底图中视盘和视杯的语义分割方法
JP2019192215A (ja) 深層学習を用いた網膜層の３ｄ定量解析
CN109102512B (zh) 一种基于dbn神经网络的mri脑肿瘤图像分割方法
CN113011340B (zh) 一种基于视网膜图像的心血管手术指标风险分类方法及系统
CN114972362A (zh) 一种基于RMAU-Net网络的医学图像自动分割方法与系统
CN113160392B (zh) 基于深度神经网络的光学建筑目标三维重建方法
CN112768065B (zh) 一种基于人工智能的面瘫分级诊断方法、装置
CN104318565B (zh) 基于等梯度距离的双向区域增长的视网膜血管分割交互式方法
CN112950631A (zh) 基于显著图约束和x光头颅定位侧位图像的年龄估计方法
CN114648806A (zh) 一种多机制自适应的眼底图像分割方法
CN110992309B (zh) 基于深层信息传递网络的眼底图像分割方法

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