CN114494952A - 一种基于感知损失的乳腺mri影像时间序列生成方法 - Google Patents
一种基于感知损失的乳腺mri影像时间序列生成方法 Download PDFInfo
- Publication number
- CN114494952A CN114494952A CN202210058765.5A CN202210058765A CN114494952A CN 114494952 A CN114494952 A CN 114494952A CN 202210058765 A CN202210058765 A CN 202210058765A CN 114494952 A CN114494952 A CN 114494952A
- Authority
- CN
- China
- Prior art keywords
- loss
- sequence
- image
- network
- perception
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000008447 perception Effects 0.000 title claims abstract description 33
- 210000000481 breast Anatomy 0.000 title claims description 13
- 238000002595 magnetic resonance imaging Methods 0.000 title description 21
- 210000005075 mammary gland Anatomy 0.000 claims abstract description 14
- 230000000694 effects Effects 0.000 claims abstract description 11
- 210000000115 thoracic cavity Anatomy 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 206010006187 Breast cancer Diseases 0.000 claims description 12
- 208000026310 Breast neoplasm Diseases 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000003042 antagnostic effect Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 3
- 206010028980 Neoplasm Diseases 0.000 abstract description 9
- 238000011156 evaluation Methods 0.000 abstract description 9
- 239000002872 contrast media Substances 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 4
- 238000013535 dynamic contrast enhanced MRI Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 210000004881 tumor cell Anatomy 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 2
- 230000004663 cell proliferation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 230000035755 proliferation Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 206010064390 Tumour invasion Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000000890 antigenic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009400 cancer invasion Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 229940039231 contrast media Drugs 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000762 glandular Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 230000011278 mitosis Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G06T5/90—
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30068—Mammography; Breast
Abstract
本发明涉及一种基于感知损失的乳腺MRI影像时间序列生成方法，可以实现仅仅使用S0蒙片序列来生成增强影像序列，病人无需注射造影剂。在传统生成对抗网络的基础上加入感知损失，使生成的影像序列的纹理细节部分更加清晰、肿块部位对比度提升，提升医生诊断甚至人工智能对肿瘤的自动分类准确率，方法包括：采集乳腺MRI影像；对采集到的影像序列做预处理，分割乳腺和胸腔得到病人的乳腺区域；将预处理后的影像数据输入到加入感知损失的生成对抗网络中；通过PSNR和SSIM评价指标评估生成的影像序列的效果；通过对Ki‑67任务的分类。本发明弥补目前影像序列不足或者序列缺失的问题，解决患者因特殊原因无法注射造影剂进而无法获得增强影像序列的情况。
Description
技术领域
本发明涉及一种基于感知损失的乳腺MRI影像时间序列生成方法，属于图像处理技术领域。
背景技术
随着医学影像的发展，医学影像在临床上起着越来越重要的作用，对患者的诊断和治疗有很大的帮助。医学影像能够反映患者的病理和肿瘤位置等信息，专业医师可以通过分析医学影像的相关信息对患者组织器官的发病情况进行诊断。乳腺DCE-MRI影像序列分为S0蒙片序列和增强序列，医学中增强序列的获取需要对患者注射造影剂。然而，在影像获取时部分患者由于特殊原因无法注射造影剂，进而无法获取增强影像序列，而且在实际医学影像的成像过程中，会出现时间分辨率较低以及时间序列缺失等问题。
目前，使用GAN生成医学影像数据在图像生成领域中出现大量工作，可以解决诸如数据稀缺和类别不平衡等问题，但没有人将时间序列的生成应用到乳腺癌的影像生成领域，而且现阶段很多使用GAN生成的医学影像数据的纹理、病变等部分的细节信息不够清晰，这大大增加了后续医师的诊断或者人工智能诊断的难度。
发明内容
本发明的目的针对上述问题，提供一种基于感知损失的乳腺MRI影像时间序列生成方法。在原始生成对抗网络中加入由ResNet50网络结构计算的感知损失，使得生成的影像序列细节纹理部分更加清晰。再利用加入感知损失的生成对抗网络生成乳腺MRI影像的增强序列，利用增强前S0的影像来生成增强后的序列，实现乳腺MRI影像时间序列上的超分辨。
为实现上述目的，本发明的技术方案是：
一种基于感知损失的乳腺MRI影像时间序列生成方法，包括以下步骤：
步骤一：获取乳腺癌病人的医学影像数据，对乳腺MRI影像增强前和增强后的序列做分割处理，并通过分割技术去除病人的胸腔和皮肤，进而得到病人的乳腺影像数据；
步骤二：首先，将分割后的数据按照7∶3划分为训练集和测试集。然后，对训练集的样本数据做数据增强以及样本均衡处理，通过旋转和镜像操作，对训练集进行扩增。
步骤三：对经典的生成对抗网络的网络结构以及损失函数进行改进，在原有结构基础上加入ResNet50卷积神经网络用来计算感知损失，同时将计算得到的感知损失结合网络原有的GAN损失以及L1损失，得到三个损失函数的总损失作为新模型的损失函数，在模型训练过程中进行迭代更新。
步骤四：将生成对抗网络加入感知损失前后生成的增强影像序列以及由插值生成的增强影像序列分别与原始的增强影像序列进行对比分析。通过SSIM、PSNR指标来评估生成对抗网络以及插值所生成的增强影像序列的效果。
步骤五：对乳腺癌的Ki-67高低表达指标做分类处理，通过对原始的MRI增强影像序列和生成对抗网络生成的MRI增强影像序列分类效果的对比，进一步验证本发明的有效性以及实用性。
与现有技术相比，本发明的有益效果在于：
本发明涉及的基于感知损失的乳腺MRI影像时间序列生成方法，来实现乳腺MRI影像时间序列生成的技术，并且利用迁移学习策略的提出在生成对抗网络中加入感知损失来提升生成图像的纹理细节信息，使生成的图像质量更好。能够解决现阶段因特殊原因病人无法注射造影剂，从而无法获取增强序列，以及增强序列不足甚至缺失等问题，从而帮助医生甚至人工智能做出更准确的判断。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的乳腺癌MRI影像分割胸腔和皮肤的过程；
图2为本发明实施例提供的分割后的乳腺癌MRI影像数据预处理流程图；
图3为本发明实施例提供的改进后的生成对抗网络模型图；
图4为本发明实施例提供的插值生成的序列、原始生成对抗网络生成的序列以及加入感知损失后生成对抗网络生成的序列的PSNR指标评估图；
图5为本发明实施例提供的插值生成的序列、原始生成对抗网络生成的序列以及加入感知损失后生成对抗网络生成的序列的SSIM指标评估图；
图6为本发明实施例提供的Ki-67任务上，原始序列和生成对抗网络生成的影像序列分类效果的AUC曲线图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清晰、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于感知损失的乳腺MRI影像时间序列生成方法，包括以下步骤：
步骤一：获取乳腺MRI影像数据
本次研究所采用的医学影像用德国西门子3.0T的MRI扫描设备，采用专用的8通道双乳房线圈。所有乳腺MRI检查均采用俯卧位，DCE-MRI包括1例对比增强前序列，即蒙片系列(S0序列)和5例对比增强后序列(S1～S5)的双侧矢状面图像，采用脂肪抑制T1加权三维序列。然后，对采集的乳腺癌原始影像数据做分割处理，去除皮肤和胸腔。
具体操作步骤如下：
对于浙江省中医院的DCE-MRI原始影像每个序列一般有144张切片。根据病理报告和影像，标注出含肿瘤的腺体区域。采用人工方法选取每个序列肿瘤最大径及其上下扩张2cm的切片进行分割，原始影像图片矩阵为448×448，去除皮肤和胸腔以及大量黑色区域部分，在保证其像素分辨率不变的情况下将其变成224×224矩阵。以一个病人的一个序列为例，其影像序列具体分割过程如图1所示。
步骤二：对分割后的影像数据做预处理
由于使用的乳腺MRI影像的数据量偏少，而且数据存在样本不均衡现象，所以我们需要对分割后的乳腺影像数据做数据增强和数据均衡处理，具体过程如图2所示。首先，将数据集按照7∶3的比例，随机划分为训练集和测试集。在对数据集进行扩充时，仅对训练集做扩充处理，测试集数据保持不变。其次，对于训练集中样本不均衡问题，选择使用欠采样的方法，即对样本量少的样本，选取其肿瘤最大径及其上下4张切片，相应的6个序列做相同处理。对样本量大的样本，选取其肿瘤最大径及其上下2张切片，相应的6个序列也做相同处理。对于数量偏少的问题，我们选择使用数据增强的方法，即对经过样本均衡处理后的影像数据，进行旋转和镜像处理，来达到扩充样本的目的。最后，对于Ki-67高低表达任务，共使用257例病人数据。训练集共179例，其中低表达57例，高表达122例，经过数据均衡和数据扩充处理后，低表达800张影像，高表达840张影像；测试集共78例，低表达24例，高表达54例，低表达300张影像，高表达346张影像。
步骤三：生成对抗网络加入感知损失
GAN模型的生成器使用的是U-Net网络，判别器采用的是PatchGAN网络，感知损失采用的是ResNet50网络，GAN模型的网络结构如图3所示。模型训练的参数迭代过程中，先固定生成器G，训练判别器D，使得判别器可以准确区分出真假数据，即对真实数据的输出概率为1，生成数据的输出概率为0，从而最大化log(D(x))。然后，固定判别器D，训练生成器G，使得生成器生成的数据经判别器判断后得出的概率尽可能接近1，从而最小化log(1-D(G(z)))。
在计算损失的时候，为了更加关注纹理细节信息，采用在模型损失计算时加入感知损失的方式来提升生成图片的细节信息。在优化生成器G的过程中，用到的损失函数包含三部分，即原始GAN损失(LGAN(G，D))、L1损失(LL1(G))、感知损失(Lper(G))三个损失函数。其中，Lper(G)损失是通过ResNet50网络得到的。具体计算过程为，首先通过ResNet50各卷积层可以获得增强序列以及生成对抗网络生成的增强序列各特征层对应的特征图。其次，分别计算选中的特征层对应的特征图的损失。最后，将所有选中的特征层对应的特征图的损失加到一起，即为感知损失。
ResNet50分为5个阶段，其中Stage0的结构比较简单，只是对输入数据做预处理，后4个Stage都由Bottleneck组成，结构较为相似。Stage1包含3个Bottleneck，其余3个Stage分别包含4、6、3个Bottleneck。本发明选择使用Stage4的后3个Bottleneck和Stage5的3个Bottleneck，共6张特征图来计算感知损失(Lper(G))。感知损失的损失函数计算公式如式1所示。
其中，s0，sn分别为影像数据的蒙片序列S0和增强影像序列，n表示增强序列的序列号，取1，2，3，4，5分别代表S1、S2、S3、S4、S5序列。CNN为卷积神经网络，输出为输入图片的特征图。m表示第几张特征图，本发明共选取6张特征图来计算感知损失，
将感知损失加入到生成对抗网络的损失函数中，得到改进后的生成多抗网络损失函数，如式2所示。
其中，γ1、γ2、γ3是三个损失函数的权重参数，取值分别为0.25、0.25、0.5。
LGAN(G，D)是生成对抗网络的经典损失函数，如式3所示。
LL1(G)是L1损失，如式4所示。
改进后的生成对抗网络模型训练时的训练参数如表1所示。
表1 GAN模型的训练参数
| batch_size | 32 |
| epoch | 200 |
| lr | 0.0002 |
| lr_decay_iters | 50 |
| crop_size | 256 |
| save_epoch_freq | 5 |
| lambda_11 | 100 |
步骤四：模型结果评估
将生成对抗网络加入感知损失前后生成的增强影像序列以及由插值生成的增强影像序列进行对比分析，通过SSIM、PSNR指标来评估生成对抗网络以及插值所生成的增强影像序列的效果。
(1)峰值信噪比(Peak Signal Ratio，PSNR)
PSNR是目前应用最广泛的评价指标，度量的是重建图像与原图像之间的像素差值。PSNR单位为dB，其公式如式5所示。
其中，Peak为像素最大值，对于不同图片，如果采样间隔为8，则Peak为255。如果采样间隔为n，则Peak为2n-1。从PSNR和MSE的关系可以看出，MSE值越小意味着PSNR的值越高。所以PSNR值越高，表示图像重建的效果越好。
(2)结构相似性(Structural Similarity，SSIM)
SSIM通过从图像的亮度、对比度及结构三个方面进行整合计算来比较重建图像与原图像的相似程度。SSIM取值介于0和1之间，越接近1，说明图像的相似度越高。SSIM计算公式如式6所示。
其中，μx和μy分别表示重构图像和原图像的像素平均值，σx和σy分别表示重构图像和原图像的像素方差，σxy表示协方差，C1和C2都为常数。
插值、原始生成对抗网络以及加入感知损失的生成对抗网络的PSNR和SSIM评估指标的评估结果如图4和图5所示。其中，Interpolation表示插值方法、GAN表示未加入感知损失的原始GAN、Per_VGG16和Per_ResNet50分别表示在不使用迁移学习策略的情况下，基于VGG16网络和ResNet50网络计算感知损失的结果、Per_VGG16_t和Per_ResNet50_t分别表示使用迁移学习策略的结果。
由图4和图5可知，插值的方法效果最差，而且相对不稳定，不加感知损失的GAN模型效果次之，加入感知损失的GAN模型效果最好。其中，基于ResNet50网络的感知损失模块，经迁移学习来计算得到的PSNR和SSIM评估效果最好，分别为35.92、0.989。
步骤五：Ki-67任务分类结果评估
Ki-67是一种抗原蛋白，它的功能与细胞有丝分裂密切相关，在细胞增殖过程中是不可缺少的。利用Ki-67进行抗原检测，可以评价肿瘤细胞的增殖活性，故可以把Ki-67看作一种判断肿瘤侵袭能力的指标，在乳腺癌中是判断恶性肿瘤细胞增殖活性最可靠的指标之一。2011年《St.Gallen早期乳腺癌国际专家共识》提出将14％作为Ki-67指数高低的界限值。当Ki-67指数小于14％时为低表达，大于14％时为高表达。Ki-67反映肿瘤细胞的增殖活性，若是高表达则表明肿瘤细胞的增殖能力和侵袭能力强，恶性程度高，预后较差。Ki-67是影响乳腺癌预后的重要因素，故我们将乳腺癌的Ki-67高低表达的判断作为预测任务。
本发明使用基于ResNet50网络的感知损失模块来计算生成对抗网络的感知损失，使用生成对抗网络生成增强影像序列，并将生成的增强影像序列用于Ki-67分类任务，划分5次数据集，5次结果各指标的平均值如表2所示，生成对抗网络生成的序列和原始序列的AUC曲线如图6所示，通过表2可以发现，加入感知损失的生成对抗网络生成的影像序列的分类效果要明显好于原始影像序列。
表2 Ki-67分类任务原始序列与生成序列指标对比
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。
Claims (6)
1.一种基于感知损失的乳腺MRI影像时间序列生成方法，其特征在于：包括以下步骤：
步骤一、获取乳腺癌病人的医学影像数据，对乳腺MRI影像增强前和增强后的序列做分割处理，通过分割去除病人的胸腔和皮肤，得到病人的乳腺影像数据集；
步骤二、将分割后的数据集按照7：3随机划分为训练集和测试集，对训练集的样本数据做数据增强以及样本均衡处理，通过旋转和镜像操作，对训练集进行扩增；
步骤三、对生成对抗网络的网络结构以及损失函数进行改进，在原有结构基础上加入ResNet50卷积神经网络用来计算感知损失，同时将计算得到的感知损失结合网络原有的GAN损失以及L1损失，得到三个损失函数的总损失作为新模型的损失函数，在模型训练过程中进行迭代更新；
步骤四、将生成对抗网络加入感知损失前后生成的增强影像序列以及由插值生成的增强影像序列分别与原始的增强影像序列进行对比分析，通过结构相似性、峰值信噪比指标来评估生成对抗网络以及插值所生成的增强影像序列的效果；
步骤五、对乳腺癌的Ki-67高低表达指标做分类处理。
2.根据权利要求1所述的一种基于感知损失的乳腺MRI影像时间序列生成方法，其特征在于：所述步骤二中在对数据集进行扩充时，仅对训练集做扩充处理。
3.根据权利要求1或2所述的一种基于感知损失的乳腺MRI影像时间序列生成方法，其特征在于：所述步骤三具体包括通过ResNet50各卷积层获得增强序列以及生成对抗网络生成的增强序列各特征对应的特征图，分别计算选中的特征层对应的特征图的损失，将所有选中的特征层对应的特征图的损失加到一起，得到感知损失；
感知损失的损失函数计算公式如式1所示：
其中，s0,sn分别为影像数据的蒙片序列S0和增强影像序列，n表示增强序列的序列号，取1，2，3，4，5分别代表S1、S2、S3、S4、S5序列，CNN为卷积神经网络，输出为输入图片的特征图，m表示第几张特征图。
4.根据权利要求3所述的一种基于感知损失的乳腺MRI影像时间序列生成方法，其特征在于：所述步骤三中GAN损失为(LGAN(G,D))，LGAN(G,D)是生成对抗网络的经典损失函数，如式3所示：
L1损失是LL1(G)，如式4所示：
5.根据权利要求4所述的一种基于感知损失的乳腺MRI影像时间序列生成方法，其特征在于：所述步骤三中将感知损失结合网络原有的GAN损失以及L1损失加入到生成对抗网络的损失函数中，得到改进后的生成多抗网络损失函数，如式2所示。
6.根据权利要求1或2所述的一种基于感知损失的乳腺MRI影像时间序列生成方法，其特征在于：所述步骤四中包括以下步骤：
步骤(4-1)：峰值信噪比
使用峰值信噪比度量的是重建图像与原图像之间的像素差值，PSNR单位为dB，其公式如式5所示：
其中，Peak为像素最大值；
步骤(4-2)：结构相似性
结构相似性通过从图像的亮度、对比度及结构三个方面进行整合计算来比较重建图像与原图像的相似程度，结构相似性计算公式如式6所示：
其中，μx和μy分别表示重构图像和原图像的像素平均值，σx和σy分别表示重构图像和原图像的像素方差，σxy表示协方差，C1和C2都为常数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210058765.5A CN114494952B (zh) | 2022-01-19 | 一种基于感知损失的乳腺mri影像时间序列生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210058765.5A CN114494952B (zh) | 2022-01-19 | 一种基于感知损失的乳腺mri影像时间序列生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114494952A true CN114494952A (zh) | 2022-05-13 |
| CN114494952B CN114494952B (zh) | 2024-04-23 |
Family
ID=
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116543166A (zh) * | 2023-07-04 | 2023-08-04 | 北京科技大学 | 一种早期脑部肿瘤分割方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030161443A1 (en) * | 2002-02-28 | 2003-08-28 | The Board Of Trustees Of The University Of Illinois | Methods and apparatus for fast divergent beam tomography |
| CN109342981A (zh) * | 2018-09-20 | 2019-02-15 | 上海东软医疗科技有限公司 | 一种基于epi序列的动态成像方法和装置 |
| CN111223113A (zh) * | 2020-01-07 | 2020-06-02 | 宁波大学 | 基于双重密集上下文感知网络的核磁共振海马体分割算法 |
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030161443A1 (en) * | 2002-02-28 | 2003-08-28 | The Board Of Trustees Of The University Of Illinois | Methods and apparatus for fast divergent beam tomography |
| CN109342981A (zh) * | 2018-09-20 | 2019-02-15 | 上海东软医疗科技有限公司 | 一种基于epi序列的动态成像方法和装置 |
| CN111223113A (zh) * | 2020-01-07 | 2020-06-02 | 宁波大学 | 基于双重密集上下文感知网络的核磁共振海马体分割算法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116543166A (zh) * | 2023-07-04 | 2023-08-04 | 北京科技大学 | 一种早期脑部肿瘤分割方法及系统 |
| CN116543166B (zh) * | 2023-07-04 | 2023-09-05 | 北京科技大学 | 一种早期脑部肿瘤分割方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111539930B (zh) | 基于深度学习的动态超声乳腺结节实时分割与识别的方法 | |
| CN110889853B (zh) | 基于残差-注意力深度神经网络的肿瘤分割方法 | |
| CN110889852A (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
| CN109919254B (zh) | 乳腺密度分类方法、系统、可读存储介质和计算机设备 | |
| CN115496771A (zh) | 一种基于脑部三维mri图像设计的脑肿瘤分割方法 | |
| CN111340825A (zh) | 一种纵膈淋巴结分割模型的生成方法及系统 | |
| FR2942669A1 (fr) | Methodes de segmentation d'images et de detection de structures particulieres. | |
| CN116188452A (zh) | 医学图像层间插值及三维重建方法 | |
| CN112329871A (zh) | 一种基于自校正卷积与通道注意力机制的肺结节检测方法 | |
| CN110021022A (zh) | 一种基于深度学习的甲状腺核医学图像诊断方法 | |
| CN114359629A (zh) | 一种基于深度迁移学习的肺炎x胸片分类识别方法 | |
| Marusina et al. | Automatic analysis of medical images based on fractal methods | |
| CN115018863A (zh) | 基于深度学习的图像分割方法及装置 | |
| CN113989551A (zh) | 一种基于改进ResNet网络的阿尔茨海默病分类方法 | |
| CN109215035B (zh) | 一种基于深度学习的脑部mri海马体三维分割方法 | |
| Panda et al. | A 3D wide residual network with perceptual loss for brain MRI image denoising | |
| CN113808085A (zh) | 脑部ct图像的分割模型的训练方法、分割方法和训练装置 | |
| CN110992312B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
| CN114494952B (zh) | 一种基于感知损失的乳腺mri影像时间序列生成方法 | |
| CN114494952A (zh) | 一种基于感知损失的乳腺mri影像时间序列生成方法 | |
| Guo et al. | Thyroid nodule ultrasonic imaging segmentation based on a deep learning model and data augmentation | |
| CN115797308A (zh) | 一种基于dce-mri的乳腺肿瘤分割方法 | |
| CN114972266A (zh) | 基于自注意机制和稳定学习的淋巴瘤超声图像语义分割方法 | |
| CN114723937A (zh) | 一种基于核磁共振影像的血管周围间隙分类方法及系统 | |
| CN112132790A (zh) | Dac-gan模型构建方法及在乳腺mr图像中的应用 |
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 | ||
| GR01 | Patent grant |