CN114565624A - 基于多期立体图元生成器的肝脏病灶分割的图像处理方法 - Google Patents
基于多期立体图元生成器的肝脏病灶分割的图像处理方法 Download PDFInfo
- Publication number
- CN114565624A CN114565624A CN202210207797.7A CN202210207797A CN114565624A CN 114565624 A CN114565624 A CN 114565624A CN 202210207797 A CN202210207797 A CN 202210207797A CN 114565624 A CN114565624 A CN 114565624A
- Authority
- CN
- China
- Prior art keywords
- phase
- period
- primitive
- stereo
- features
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 27
- 210000004185 liver Anatomy 0.000 title claims abstract description 19
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 230000003902 lesion Effects 0.000 claims abstract description 10
- 239000010410 layer Substances 0.000 claims description 15
- 239000011229 interlayer Substances 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 210000001367 artery Anatomy 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000000819 phase cycle Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000002872 contrast media Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 229920001184 polypeptide Polymers 0.000 description 2
- 102000004196 processed proteins & peptides Human genes 0.000 description 2
- 108090000765 processed proteins & peptides Proteins 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 230000009278 visceral effect 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
- G06T7/10—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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T2207/20—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
- G06T2207/30056—Liver; Hepatic
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多期立体图元生成器的肝脏病灶分割的图像处理方法，利用多期信息和立体信息将多期CT序列特征编码成若干图元，将这些图元输入到Transformer模型中学习跨期特征。具体地，首先提取图像特征，利用CNN提取多期CT序列的特征；然后利用多期立体图元生成器为每一层CT图像生成多期立体图元；接着将所有CT图像的图元拼接起来输入到Transformer中学习多期特征；最后利用解码器将多期特征还原为最终分割。本发明基于多期立体图元生成器将非对齐多期CT序列编码为若干图元，不仅显著提高了肝脏病灶分割的准确度，还降低了显存使用消耗。
Description
技术领域
本发明属于图像处理和深度学习领域，尤其涉及一种基于多期立体图元生成器的肝脏病灶分割的图像处理方法。
背景技术
立体上下文对基于CT图像的肝脏病灶分割是至关重要的。肝脏的病灶往往需要借助造影剂的增强，才能清晰准确地判断病灶的边界和种类。在注射造影剂之前，会先扫描腹部产生一个CT图像的序列，这一序列称之为平扫期(plain phase)。在注射造影剂之后，在两个特定的时间段内，造影剂会随着血液分别流过静脉和动脉，在这两个时间段内分别进行扫描，产生两个CT图像的序列：静脉期(arterial phase)，动脉期(portal phase)。在实际操作中会由于病人的移动，呼吸，内脏运动和一些技术原因，导致图像内容在三个序列中并不是像素级对齐的。这给多期上下文和立体上下文的利用带来了困难。
针对多期上下文的结合，目前较为简单的方法是在输入阶段将多期的2D图像直接拼接或者利用注意力机制进行筛选。如(C.Sun,S.Guo,H.Zhang,et al.,“Automaticsegmentation of liver tumors from multiphase contrast-enhanced CT imagesbased on FCNs,”in Artificial intelligence in medicine.2017,pp.58-66.)(F.Ouhmich,V.Agnus,V.Noblet,et al.,“Liver tissue segmen-tation in multiphaseCT scans using cascaded convolutional neu-ral networks,”in Int J CARS14.2019,pp.1275–1284.Available:https://doi.org/10.1007/s11548-019-01989-z)(R.Hasegawa,Y.Iwamoto,L.Lin,et al.,“Automatic Segmentation of Liver Tumor inMultiphase CT Images by Mask R-CNN,”in 2020 IEEE 2nd Global Conference onLife Sciences and Technologies(LifeTech).2020,pp.231-234.Available:https://doi.org/10.1007/s11548-019-01989-z)等。但是这些2D模型都忽略了3D信息，导致模型的分割准确率不高。
另外一种思路是利用3D卷积来捕捉3D信息，如(J.Dolz,et al.,“HyperDense-Net:A Hyper-Densely Connected CNN for Multi-Modal Image Segmentation,”in IEEETransactions on Medical Imaging,vol.38,no.5,pp.1116-1126,May 2019,doi:10.1109/TMI.2018.2878669.)和(A T Q,B X W,Cf C,et al.M3Net:A multi-scalemulti-view framework for multi-phase pancreas segmentation based on cross-phase non-local attention-ScienceDirect[J].2021.)等，但是前者需要将CT切成较小的数据块，这限制了模型的感受野。后者在压缩3D信息的时候不断的抛弃最外两层，会失去较多的3D信息。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于多期立体图元生成器的肝脏病灶分割的图像处理方法。本发明的核心技术是将多期上下文对齐之后并融合产生多期特征，并进一步从多期特征中提取立体特征。
本发明的目的是通过以下技术方案来实现的：一种基于多期立体图元生成器的肝脏病灶分割的图像处理方法，包括如下步骤：
(1)对待预测的CT序列的动脉期上下文Xa和静脉期上下文Xv进行预处理，使其符合网络的输入要求；
(2)利用CNN网络，提取动脉期上下文Xa和静脉期上下文Xv的高层次特征，动脉期特征fa和静脉期特征fv，以及对应的低层次特征
和
(3)利用多期立体图元生成器，为动脉期上下文Xa和静脉期上下文Xv的特征fa和fv的每一层CT图像，生成动脉期图元Ta和静脉期图元Tv；
(4)将步骤(3)中的动脉期图元Ta和静脉期图元Tv拼接后，分别与特征fa和fv，输入到Transformer中，生成对应的多期特征fm,a和fm,v；
(5)利用图元融合器，将步骤(4)中的多期特征fm,a和fm,v，分别与步骤(2)中对应的上下文特征fa和fv融合；再将两个图元融合器的输出，分别与步骤(2)中的特征fa和步骤(2)中的特征fv相加，得到对应的融合特征Fa和Fv；
(6)使用解码器，将融合后的融合特征Fa和Fv，分别解码为动脉期和静脉期的肝脏病灶分割。
进一步地，步骤(3)包括如下子步骤：
(3.1)利用全局层注意力，计算步骤(2)中高层次特征fa和fv互相之间的全局层间特征
和
(3.2)利用全局空间注意力，计算步骤(2)中高层次特征fa和fv互相之间的全局空间特征
和
(3.3)利用局部注意力，计算步骤(2)中特征fa和fv互相之间的局部特征la和lv；
(3.4)将步骤(3.1)得到的全局层间特征、步骤(3.2)得到的全局空间特征、步骤(3.3)得到的局部特征以及步骤(2)中对应的CT序列特征，融合起来，生成跨期序列特征pa和pv；
(3.5)利用空间注意力和全局空间池化，为跨期序列特征pa和pv中的每一层特征，分别生成多期立体图元Ta和Tv。
进一步地，所述步骤(4)包括如下子步骤：
(4.1)将步骤(3)得到的多期立体图元Ta和Tv拼接，产生多期图元T；
(4.2)利用一个多头注意力模块，分别计算步骤(3)中图元Ta和Tv的自注意力特征T′a和T′v；
(4.3)利用另一个多头注意力模块，分别计算步骤(4.2)中的自注意力特征T′a和T′v，与步骤(4.1)中的多期图元T的交互结果，得到多期特征fm,a和fm,v。
本发明的有益效果是：本发明基于多期立体图元生成器，通过结合跨期的全局层间特征、全局空间特征和局部特征，为非对齐多期序列中的每一张CT，生成固定数量的图元。相比现有技术，本发明的模型体积更小，尽可能多的保留了3D信息，能够生成精度更高的分割结果。本发明不仅显著提高了肝脏病灶分割的准确度，还降低了显存使用消耗。
附图说明
图1是非对齐多期CT的示例图；
图2是本发明肝脏病灶分割模型的整体架构图；
图3是多期立体图元生成器示意图；
图4是全局层间注意力示意图；
图5是全局空间注意力示意图；
图6是局部注意力示意图；
图7是本发明与其他现有模型的效果对比图；其中，a、b、c和d是四个病例中的一层，与nn-UNet和MMNet相比，本发明能够给出更加完整的分割结果和更加准确的肿瘤类别。
具体实施方式
本发明一种基于多期立体图元生成器的肝脏病灶分割的图像处理方法，提出了一个多期立体图元生成器，多期立体图元生成器通过结合跨期的全局层间特征、全局空间特征和局部特征，为如图1所示的多期序列中的每一张CT生成固定数量的图元；将这些图元输入到transformer中，以获取多期之间的交互，同时尽量保留了3D信息，以提高模型的精度。基于多期立体图元生成器构建了一个多期肝脏病灶分割网络，该分割网络可以同时处理多张连续的CT。
如图2所示，具体包括以下步骤：
(1)对待预测的CT序列的动脉期上下文Xa和静脉期上下文Xv，进行预处理，使其符合网络的输入要求；具体包括以下子步骤：
(1.1)将Xa和Xv的HU值，剪切到[low,high]的范围，使用以下公式进行归一化：
其中，X为Xa或Xv。在本实施例中，low＝-55，high＝155。图像的大小一般为(512，512)。
(2)利用CNN网络提取动脉期上下文Xa和静脉期上下文Xv的特征，分别为fa和fv；包括以下步骤：
(2.1)使用一个卷积神经网络CNN，提取待预测的CT图像Xa和Xv的低层次特征
和
及其对应多个期的上下文的高级特征，动脉期特征fa和静脉期特征fv。
由于经过预训练的卷积神经网络(CNN)，用作特征提取器时的输入图像为3通道，即输入的矩阵规格为(3，W，H)；因此，在预测CT中的第i张图像时，会利用CT的第i-1和第i+1张图像与第i张图像拼接在一起，组成(3，W，H)的矩阵。因此送入特征提取器的上下文Xa和Xv的输入规格为(N，3，h，w)，N为正整数，h和w为图像的尺寸。所有的上下文Xa和Xv经过特征提取器后，得到一个尺寸为(N，C，H，W)的上下文特征fa与fv，以及他们的低层级特征
和
大小为(N，C/4，h/4，w/4)。其中H＝h/16，W＝w/16，C＝1024。公式化表示为：
(3)如图3所示，利用多期立体图元生成器，为每一层CT图像特征生成图元，分别为Ta和Tv；包括以下步骤：
(3.1)如图4所示，利用全局层注意力，计算步骤(2)中特征fa和fv互相之间的全局层间特征
和
具体的计算方法如下：
其中，αa,αv∈RN×N；
表示fa和fv之间、fv和fa之间的全局层间特征。softmax表示激活函数；GAP表示全局池化，Conv表示核为1*1的卷积层，
表示矩阵乘法。
均为卷积层优化参数。
(3.2)如图5所示，利用全局空间注意力，计算步骤(2)中特征fa和fv互相之间的全局空间特征
和
具体计算方式如下：
其中，βa,βv∈RHW×HW；
表示fa和fv之间、fv和fa之间的全局空间特征。Mean表示求平均。
均为卷积层优化参数。
(3.3)如图6所示，利用局部注意力，计算步骤(2)中特征fa和fv互相之间的局部特征la和lv；具体计算方式如下：
其中，la、lv表示fa和fv之间、fv和fa之间的局部特征；Sigmoid表示激活函数；⊙表示逐元素相乘。
均为卷积层优化参数。
(3.4)将步骤(3.1)中的全局层间特征、步骤(3.2)中的全局空间特征、步骤(3.3)中的局部特征，以及步骤(2)中对应的CT序列特征，融合起来生成跨期序列特征pa和pv；计算方式如下：
其中，BN表示批正则化。
(3.5)利用空间注意力和全局空间池化，为跨期序列特征pa和pv中的每一层特征，分别生成多期立体图元Ta和Tv。
其中，γa,γv∈RN×M×HW分别为动脉期特征fa和静脉期特征fv的图元权重图；M为预设的每层图像特征所编码的图元数量，一般可以取8或者16。Ta,Tv∈RN×M×C分别为动脉期特征fa和静脉期特征fv通过多期立体图元生成器生成的图元。
(4)将步骤(3)中的图元Ta和Tv拼接后，分别与特征fa和fv，输入到Transformer中，生成对应的多期特征fm,a、fm,v∈RN×M×C；包括以下步骤：
(4.1)将步骤(3)中的多期立体图元Ta和Tv拼接，产生多期图元T∈RN×2M×C。
(4.2)利用一个多头注意力模块，分别计算步骤(3.5)中图元Ta和Tv的自注意力特征T′a和T′v。本实施例中，多头注意力模块的实现，参考Vaswani A,Shazeer N,Parmar N,etal.Attention Is All You Need[J].arXiv,2017。
(4.3)利用一个多头注意力模块，分别计算步骤(4.2)中的自注意力特征T′a和T′v与步骤(4.1)中的多期图元T的交互结果，得到T′a、T′v对应的多期特征fm,a和fm,v。
(5)利用图元融合器，将步骤(4)中的多期特征fm,a与步骤(2)中的特征fa，和步骤(4)中的多期特征fm,v与步骤(2)中的特征fv，分别融合；然后，再将两个图元融合器的输出，分别对应地与步骤(2)中的特征fa和步骤(2)中的特征fv相加，对应地得到最终特征Fa∈RN ×C×H×W和Fv∈RN×C×H×W。本实施例中，图元融合器的实现，参考Ryoo,M.,Piergiovanni,A.,Arnab,A.,Dehghani,M.,Angelova,A.:Tokenlearner:Adaptive space-timetokenization for videos.Advances in Neural Information Processing Systems 34(2021)。
(6)利用解码器，分别将融合后的特征Fa与对应的低层次特征
和特征Fv与对应的低层次特征
相结合，对应地，解码为动脉期和静脉期的肝脏病灶分割。本实施例中，解码器的实现，参考Chen L C,Zhu Y,Papandreou G,et al.Encoder-Decoder withAtrous Separable Convolution for Semantic Image Segmentation[J].Springer,Cham,2018。
本发明一种实施例，在一台配备Intel Core i7-3770中央处理器、NVidia 3090图形处理器及128GB内存的机器上实现。采用所有在具体实施方式中列出的参数值，实验结果如图7所示。结果表明，本实施例利用多期立体图元生成器尽可能的保留了多期CT中的3D信息，不仅给出了较为完整的分割结果，也给出了正确的类别。
Claims (3)
1.一种基于多期立体图元生成器的肝脏病灶分割的图像处理方法，其特征在于，包括如下步骤：
(1)对待预测的CT序列的动脉期上下文Xa和静脉期上下文Xv进行预处理，使其符合网络的输入要求；
(2)利用CNN网络，提取动脉期上下文Xa和静脉期上下文Xv的高层次特征，动脉期特征fa和静脉期特征fv，以及对应的低层次特征
和
(3)利用多期立体图元生成器，为动脉期上下文Xa和静脉期上下文Xv的特征fa和fv的每一层CT图像，生成动脉期图元Ta和静脉期图元Tv；
(4)将步骤(3)中的动脉期图元Ta和静脉期图元Tv拼接后，分别与特征fa和fv，输入到Transformer中，生成对应的多期特征fm，a和fm，v；
(5)利用图元融合器，将步骤(4)中的多期特征fm，a和fm，v，分别与步骤(2)中对应的上下文特征fa和fv融合；再将两个图元融合器的输出，分别与步骤(2)中的特征fa和步骤(2)中的特征fv相加，得到对应的融合特征Fa和Fv；
(6)使用解码器，将融合后的融合特征Fa和Fv，分别解码为动脉期和静脉期的肝脏病灶分割。
2.根据权利要求1所述基于多期立体图元生成器的肝脏病灶分割的图像处理方法，其特征在于，步骤(3)包括如下子步骤：
(3.1)利用全局层注意力，计算步骤(2)中高层次特征fa和fv互相之间的全局层间特征
和
(3.2)利用全局空间注意力，计算步骤(2)中高层次特征fa和fv互相之间的全局空间特征
和
(3.3)利用局部注意力，计算步骤(2)中特征fa和fv互相之间的局部特征la和lv；
(3.4)将步骤(3.1)得到的全局层间特征、步骤(3.2)得到的全局空间特征、步骤(3.3)得到的局部特征以及步骤(2)中对应的CT序列特征，融合起来，生成跨期序列特征pa和pv；
(3.5)利用空间注意力和全局空间池化，为跨期序列特征pa和pv中的每一层特征，分别生成多期立体图元Ta和Tv。
3.根据权利要求1所述基于多期立体图元生成器的肝脏病灶分割的图像处理方法，其特征在于，所述步骤(4)包括如下子步骤：
(4.1)将步骤(3)得到的多期立体图元Ta和Tv拼接，产生多期图元T；
(4.2)利用一个多头注意力模块，分别计算步骤(3)中图元Ta和Tv的自注意力特征T′a和T′v；
(4.3)利用另一个多头注意力模块，分别计算步骤(4.2)中的自注意力特征T′a和T′v，与步骤(4.1)中的多期图元T的交互结果，得到多期特征fm，a和fm，v。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210207797.7A CN114565624A (zh) | 2022-03-04 | 2022-03-04 | 基于多期立体图元生成器的肝脏病灶分割的图像处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210207797.7A CN114565624A (zh) | 2022-03-04 | 2022-03-04 | 基于多期立体图元生成器的肝脏病灶分割的图像处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114565624A true CN114565624A (zh) | 2022-05-31 |
Family
ID=81718525
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210207797.7A Pending CN114565624A (zh) | 2022-03-04 | 2022-03-04 | 基于多期立体图元生成器的肝脏病灶分割的图像处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114565624A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115482247A (zh) * | 2022-11-04 | 2022-12-16 | 北京精诊医疗科技有限公司 | 多期相融合的肝脏占位分割方法，模型、装置及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200085382A1 (en) * | 2017-05-30 | 2020-03-19 | Arterys Inc. | Automated lesion detection, segmentation, and longitudinal identification |
| CN113222899A (zh) * | 2021-04-15 | 2021-08-06 | 浙江大学 | 一种基于深度学习通过ct的检测分割分类肝脏肿瘤的方法 |
| US20210248761A1 (en) * | 2020-02-10 | 2021-08-12 | Hong Kong Applied Science and Technology Research Institute Company Limited | Method for image segmentation using cnn |
| CN113506310A (zh) * | 2021-07-16 | 2021-10-15 | 首都医科大学附属北京天坛医院 | 医学图像的处理方法、装置、电子设备和存储介质 |
| CN113658105A (zh) * | 2021-07-21 | 2021-11-16 | 杭州深睿博联科技有限公司 | 一种3d肝脏病灶检测方法及装置 |
| CN114119977A (zh) * | 2021-12-01 | 2022-03-01 | 昆明理工大学 | 一种基于图卷积的Transformer胃癌癌变区域图像分割方法 |
-
2022
- 2022-03-04 CN CN202210207797.7A patent/CN114565624A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200085382A1 (en) * | 2017-05-30 | 2020-03-19 | Arterys Inc. | Automated lesion detection, segmentation, and longitudinal identification |
| US20210248761A1 (en) * | 2020-02-10 | 2021-08-12 | Hong Kong Applied Science and Technology Research Institute Company Limited | Method for image segmentation using cnn |
| CN113222899A (zh) * | 2021-04-15 | 2021-08-06 | 浙江大学 | 一种基于深度学习通过ct的检测分割分类肝脏肿瘤的方法 |
| CN113506310A (zh) * | 2021-07-16 | 2021-10-15 | 首都医科大学附属北京天坛医院 | 医学图像的处理方法、装置、电子设备和存储介质 |
| CN113658105A (zh) * | 2021-07-21 | 2021-11-16 | 杭州深睿博联科技有限公司 | 一种3d肝脏病灶检测方法及装置 |
| CN114119977A (zh) * | 2021-12-01 | 2022-03-01 | 昆明理工大学 | 一种基于图卷积的Transformer胃癌癌变区域图像分割方法 |
Non-Patent Citations (4)
| Title |
|---|
| LEI WU 等: "Beyond radiologist-level liver lesion detection on multi-phase contrast-enhanced CT images by deep learning", 《ISCIENCE》, 17 November 2023 (2023-11-17) * |
| MINGJUN MA等: "HT-Net: hierarchical context-attention transformer network for medical ct image segmentation", 《SENSORS》, 15 January 2022 (2022-01-15) * |
| 张建勋, 韩逢庆, 纪纲: "基于CT图像的肝脏及其内部管道可视化系统", 计算机工程与应用, no. 31, 1 July 2006 (2006-07-01) * |
| 马金林;邓媛媛;马自萍;: "肝脏肿瘤CT图像深度学习分割方法综述", 中国图象图形学报, no. 10, 16 October 2020 (2020-10-16) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115482247A (zh) * | 2022-11-04 | 2022-12-16 | 北京精诊医疗科技有限公司 | 多期相融合的肝脏占位分割方法，模型、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wong et al. | Bilateral cyclic constraint and adaptive regularization for unsupervised monocular depth prediction | |
| US11367239B2 (en) | Textured neural avatars | |
| Zhou et al. | Cross-view enhancement network for underwater images | |
| US20210279956A1 (en) | Semantic deep face models | |
| Nazir et al. | Semattnet: Toward attention-based semantic aware guided depth completion | |
| Wang et al. | Laplacian pyramid adversarial network for face completion | |
| Jafari et al. | Semi-supervised learning for cardiac left ventricle segmentation using conditional deep generative models as prior | |
| CN112686898B (zh) | 一种基于自监督学习的放疗靶区自动分割方法 | |
| Zhang et al. | Automatic segmentation of the cardiac MR images based on nested fully convolutional dense network with dilated convolution | |
| Gkitsas et al. | Panodr: Spherical panorama diminished reality for indoor scenes | |
| CN116309648A (zh) | 一种基于多注意力融合的医学图像分割模型构建方法 | |
| Zhao et al. | Vcgan: Video colorization with hybrid generative adversarial network | |
| Li et al. | Uphdr-gan: Generative adversarial network for high dynamic range imaging with unpaired data | |
| CN112488971A (zh) | 基于空间注意力机制和深度卷积生成对抗网络的医学图像融合方法 | |
| Chen et al. | Robust human matting via semantic guidance | |
| Wang et al. | RCA-CycleGAN: Unsupervised underwater image enhancement using Red Channel attention optimized CycleGAN | |
| Fan et al. | Stereoscopic image retargeting based on deep convolutional neural network | |
| CN114565624A (zh) | 基于多期立体图元生成器的肝脏病灶分割的图像处理方法 | |
| Li et al. | Compnvs: Novel view synthesis with scene completion | |
| Hayat et al. | E-SEVSR-Edge Guided Stereo Endoscopic Video Super-Resolution | |
| Fu et al. | OIF-Net: An Optical Flow Registration-Based PET/MR Cross-Modal Interactive Fusion Network for Low-Count Brain PET Image Denoising | |
| Gupta et al. | A robust and efficient image de-fencing approach using conditional generative adversarial networks | |
| Wang et al. | Exposure fusion using a relative generative adversarial network | |
| CN116863069A (zh) | 三维光场人脸内容生成方法、电子设备及存储介质 | |
| Bui et al. | MEGANet: Multi-Scale Edge-Guided Attention Network for Weak Boundary Polyp Segmentation |
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 |