CN114612656A - 基于改进ResU-Net神经网络的MRI图像分割方法及系统 - Google Patents
基于改进ResU-Net神经网络的MRI图像分割方法及系统 Download PDFInfo
- Publication number
- CN114612656A CN114612656A CN202210032872.0A CN202210032872A CN114612656A CN 114612656 A CN114612656 A CN 114612656A CN 202210032872 A CN202210032872 A CN 202210032872A CN 114612656 A CN114612656 A CN 114612656A
- Authority
- CN
- China
- Prior art keywords
- resu
- neural network
- net neural
- improved
- module
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 44
- 238000003709 image segmentation Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 26
- 208000003174 Brain Neoplasms Diseases 0.000 claims abstract description 44
- 230000007246 mechanism Effects 0.000 claims abstract description 35
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 11
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical compound CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 239000013585 weight reducing agent Substances 0.000 claims description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 34
- 238000010586 diagram Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010030113 Oedema Diseases 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping 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
- 230000017074 necrotic cell death Effects 0.000 description 1
- 230000001338 necrotic effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于改进ResU‑Net神经网络的MRI图像分割方法及系统，包括：获取待处理的MRI脑瘤图像，并进行预处理；将预处理后的图像输入到改进的ResU‑Net神经网络模型中，得到MRI脑瘤图像分割结果；其中，所述改进的ResU‑Net神经网络模型将ResU‑Net神经网络中的残差卷积模块改进为一个带有Transformer自注意力机制的模块，同时在ResU‑Net神经网络的编码器和解码器之间加入带有Transformer自注意力机制的扩张特征金字塔模块。本发明通过改进的ResU‑Net神经网络进行MRI脑瘤图像分割，可以获得更精确的脑瘤分割结果。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于改进ResU-Net神经网络的MRI图像分割方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
长在颅内的肿瘤通常被称为脑瘤，脑瘤的早期诊断对治疗非常重要。磁共振成像(MRI)由于其令人满意的软组织对比度和广泛的可用性，被认为是一种标准技术。MRI是一种非侵入性的成像技术，它利用磁共振现象获得人体的电磁信号，并作为断层扫描的一种类型重建人体的信息。核磁共振成像有多种成像序列可供选择。这些成像序列可以产生具有独特特征的MRI图像，可以反映人体的解剖形态。
在目前的临床实践中，脑瘤是由医生手动标记的，这很耗时。此外，脑肿瘤在形态和强度方面与正常脑组织相似；因此，医生的手工标记存在主观差异性，缺乏可重复性。因此，在T1、T1-c、T2和FLAIR模态图像中对脑瘤进行准确的自动分割对于定量分析和评估脑瘤至关重要。
近年来，基于深度神经网络(DNN)的方法在脑肿瘤图像分割方面取得了很高的性能。卷积神经网络(CNN)在许多研究领域取得了巨大成功，如图像识别、图像分割和自然语言处理。现有技术提出了一个用于图像像素级图像分类的全卷积神经网络(FCN)，它解决了输入数据大小任意的语义级图像分割问题。现有技术又提出了U-Net框架，其中有一个连接编码器和解码器的跳过连接模块。与FCN相比，U-Net融合了浅层和深层特征，在医学图像分割中产生了令人印象深刻的结果。受U-Net的启发，Attention U-Net和ResU-Net被提出并用于医学图像分割。在Attention U-Net中，一个注意力机制被添加到跳过连接部分。这个模块产生门控信息，以重新调整不同空间位置上的特征的权重系数。ResU-Net网络由编码器和解码器组成，总共有四层，每层的卷积层被替换成一个带有残差模块的剩余卷积层，从而避免了深度网络结构中反向传播的梯度消失。在编码器与解码器之间为跳过连接，将低层的图像信息直接与解码器部分的图像特征进行拼接。
注意机制最早被引入自然语言处理中。目前，注意力机制也被广泛用于深度学习中，以增强特征提取。近年来，Transformer自注意力模块被提出，它摒弃了以往深度学习任务中使用的CNN和RNN，目前的命中率Bert是基于Transformer建立的，这是一个在NLP领域广泛使用的模型。
尽管ResU-Net使用残差模块来缓解网络梯度消失的问题，但仍然存在以下技术问题：
1.多尺度特征具有重要作用，但ResU-Net没有从各种尺寸的图像中提取特征，因此，大量的细节信息被丢失。
2.跳过连接将解码器部分的浅层特征和相应的深度特征级联起来，实现特征融合，但编码器的浅层特征含有相当多的冗余信息，这又影响了分割的结果。
发明内容
为了解决上述问题，本发明提出了一种基于改进ResU-Net神经网络的MRI图像分割方法及系统，增加了带有Transformer自注意机制的扩张特征金字塔模块，并在每一层的跳过连接后插入Transformer自注意机制来改进ResU-Net神经网络，利用改进后的ResU-Net神经网络进行MRI脑肿瘤图像分割，可以获得更精确的病灶细节。
在一些实施方式中，采用如下技术方案：
一种基于改进ResU-Net神经网络的MRI图像分割方法，包括：
获取待处理的MRI脑瘤图像，并进行预处理；
将预处理后的图像输入到改进的ResU-Net神经网络模型中，得到MRI脑瘤图像分割结果；
其中，所述改进的ResU-Net神经网络模型将ResU-Net神经网络中的残差卷积模块改进为一个带有Transformer自注意力机制的模块，同时在ResU-Net神经网络的编码器和解码器之间加入带有Transformer自注意力机制的扩张特征金字塔模块；在每一层跳过连接层之后加入Transformer自注意力模块。
在另一些实施方式中，采用如下技术方案：
一种基于改进ResU-Net神经网络的MRI图像分割系统，包括：
图像获取模块，用于获取待处理的MRI脑瘤图像，并进行预处理；
图像分割模块，用于将预处理后的图像输入到改进的ResU-Net神经网络模型中，得到MRI脑瘤图像分割结果；
其中，所述改进的ResU-Net神经网络模型将ResU-Net神经网络中的残差卷积模块改进为一个带有Transformer自注意力机制的模块，同时在ResU-Net神经网络的编码器和解码器之间加入带有Transformer自注意力机制的扩张特征金字塔模块。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的基于改进ResU-Net神经网络的MRI图像分割方法。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于改进ResU-Net神经网络的MRI图像分割方法。
与现有技术相比，本发明的有益效果是：
(1)本发明通过改进的ResU-Net神经网络进行MRI脑瘤图像分割，可以获得更精确的脑瘤分割结果。
(2)本发明通过将ResU-Net中的残差卷积模块改进为一个带有Transformer自注意力机制的模块。该模块可以充分提高有用信息的权重，从而使得分割结果更加精确，提升网络分割性能。
(3)本发明通过在ResU-Net的编码器和解码器之间加入带有Transformer自注意力机制的扩张特征金字塔模块，可以有效提高不同大小特征图的有用信息的权重，从而提高肿瘤分割的准确性。
(4)本发明通过在每层跳过连接层之后加入Transformer自注意力机制模块，解决了低层特征包含大量冗余信息的问题。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
图1为本发明实施例中改进的ResU-Net神经网络模型架构示意图；
图2为本发明实施例中Transformer自注意力机制模块结构示意图；
图3为本发明实施例中带有Transformer自注意力机制的残差模块结构示意图；
图4为本发明实施例中带有Transformer自注意力机制的扩张特征金字塔模块结构示意图；
图5为本发明实施例中对MRI脑瘤图像的分割结果示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中，公开了一种基于改进ResU-Net神经网络的MRI图像分割方法，具体包括：
(1)获取待处理的MRI脑瘤图像，并进行预处理；
本实施例中，MRI脑瘤图像包括但不限于：T1模态、T1-c模态、T2模态或FLAIR模态图像。
对图像进行预处理，具体包括：首先使用N4ITK工具包对于存在偏置场的MRI图像进行校正。其次，对所有图像进行z-score归一化处理，即用每个多模态图像中所有像素的平均强度减去每个像素的强度，再除以标准差。
(2)将预处理后的图像输入到改进的ResU-Net神经网络模型中，得到MRI脑瘤图像分割结果；
本实施例中，MRI脑瘤图像分割结果具体为在MRI脑瘤图像中分割出脑瘤所在的区域以及每个所述区域对应的脑瘤类型，脑瘤类型分别为：水肿区域(Edema，ED)、活跃肿瘤区域(ET)和坏死区域(Necrotic Core，NCR)。
本实施例中，改进的ResU-Net神经网络模型使用带Transformer自注意力的残差卷积模块进行特征提取：在编码器部分，将预处理好的脑瘤图像，首先使用3×3×3的卷积核卷积两次，增加特征数量使其与初始卷积核大小相同。随后通过步长为2的卷积对特征进行下采样，进入带有Transformer自注意力机制的卷积模块进行特征提取。得到的特征图进入带有ransformer自注意力机制的扩张特征金字塔模块进行不同尺寸的特征提取。提取后的特征进入解码器部分，经过上采样将图像恢复到原始大小。
具体地，改进的ResU-Net神经网络模型结构如图1所示，包括编码器部分和解码器部分，其中，图1中U型结构的左半部分为编码器部分，右半部分为解码器部分；将ResU-Net神经网络中的残差卷积模块改进为一个带有Transformer自注意力的残差模块，结合图3，每个带有Transformer自注意力的残差模块包括：依次连接的归一化层、3×3×3卷积层、线性整流函数层以及Transformer自注意力机制模块。
参照图2，Transformer自注意力机制模块具体包括：归一化层、L层的多头注意力层以及L层的前馈神经网络层。通过将输入的补丁序列映射到潜在的嵌入空间，与特定位置嵌入进行逐元素相加以保留位置信息，有效的建模图像特征的长距离依赖关系。
本实施例中，在ResU-Net神经网络的编码器和解码器之间加入带有Transformer自注意力机制的扩张特征金字塔模块。
结合图4，扩张特征金字塔模块由多个不同扩张速率的平行扩张卷积层组成。本实施例在每一层的扩张卷积层后加入Transformer自注意力模块。最后通过对每层扩张卷积的输出结果进行相加得到最终的输出结果。使用带Transformer自注意力的特征金字塔可以对不同尺寸的特征进行提取并且通过对全局信息的建模更有效的提取有用信息。
本实施例中，在跳过连接层后加入Transformer自注意力模块，解决跳过连接层将浅层的冗余信息直接与相对应层的编码器特征进行拼接的问题。
本实施例中，为了进一步提高分割结果的准确性，在原始ResU-Net网络的损失函数的基础上进一步改进，提出混合焦点损失函数，如下所示：
LCMF＝λLmF+(1-λ)LmFD
其中，λ∈[0，1]，决定了两个分量损失函数的相对权重。LmF和LmFD的定义分别如下：
LmF＝-α(1-pt)γ·LmCE
其中，LmCE的定义如下：
其中，pt为地面真实值的预测概率，γ为参数，控制权重降低的程度，c为分类的种类数，m、D分别为Dice项，LmCE为交叉熵项，N为图像的像素数量，ti为Tversky指数，用于测量两个分割图像之间的重叠，pi为预测值矩阵；α在[0,1]范围内控制Dice和交叉熵项对损失的贡献的相对权重，β控制分配给假阳性和阴性的相对权重。
作为一种示例，为了验证本实施例方法对MRI脑肿瘤不同病灶区域分割的有效性，本实施例选取BraTS 2019作为训练集进行模型训练，对BraTS 2019训练集中的不同脑瘤病灶进行分割，共训练400个epochs(迭代次数)，当验证集的损失函数不再下降时停止训练。如果50个epochs(迭代次数)后，验证集的损失不再下降，训练将提前停止。
将四种模态的脑肿瘤图像分别输入到训练好的改进的ResU-Net神经网络模型中，得到MRI脑瘤图像分割结果；
实验结果如图5所示，其中，第一至四列分别是：FLAIR模态图像，T1模态图像，T1C模态图像和T2模态图像。第五列为本实施例的分割结果，第六列是分割结果的可视化，第七列是地面真实标签。(a)-(d)分别为：Brats18_TCIA01_387_1_93的第93张切片、Brats18_TCIA01_231_1_83的第83张切片、Brats18_CBICA_APR_1_105的第105张切片、以及
Brats18_CBICA_AUN_1_81的第81张切片。
由图5可知，本实施例所建立的基于Transformer自注意力机制和扩张特征金字塔的ResU-Net的分割方法可以有效地对不同区域的脑肿瘤区域进行分割，并且可以取得不错的分割指标，分割的图像也更接近于地面真实值。这表明本实施例建立的基于Transformer自注意力机制和扩张特征金字塔的ResU-Net的分割方法对MRI脑肿瘤图像的不同区域的分割提供了更精准的实现方法，具有一定的实用性。
实施例二
在一个或多个实施方式中，公开了一种基于改进ResU-Net神经网络的MRI图像分割系统，包括：
图像获取模块，用于获取待处理的MRI脑瘤图像，并进行预处理；
图像分割模块，用于将预处理后的图像输入到改进的ResU-Net神经网络模型中，得到MRI脑瘤图像分割结果；
其中，所述改进的ResU-Net神经网络模型将ResU-Net神经网络中的残差卷积模块改进为一个带有Transformer自注意力机制的模块，同时在ResU-Net神经网络的编码器和解码器之间加入带有Transformer自注意力机制的扩张特征金字塔模块。
需要说明的是，上述各模块的具体实现方式已经在实施例一中进行了说明，此处不再详述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的基于改进ResU-Net神经网络的MRI图像分割方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例四
在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行实施例一中所述的基于改进ResU-Net神经网络的MRI图像分割方法。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于改进ResU-Net神经网络的MRI图像分割方法，其特征在于，包括：
获取待处理的MRI脑瘤图像，并进行预处理；
将预处理后的图像输入到改进的ResU-Net神经网络模型中，得到MRI脑瘤图像分割结果；
其中，所述改进的ResU-Net神经网络模型将ResU-Net神经网络中的残差卷积模块改进为一个带有Transformer自注意力机制的模块，同时在ResU-Net神经网络的编码器和解码器之间加入带有Transformer自注意力机制的扩张特征金字塔模块。
2.如权利要求1所述的一种基于改进ResU-Net神经网络的MRI图像分割方法，其特征在于，所述改进的ResU-Net神经网络模型在每一层跳过连接层之后加入Transformer自注意力模块。
3.如权利要求1所述的一种基于改进ResU-Net神经网络的MRI图像分割方法，其特征在于，所述带有Transformer自注意力机制的模块包括：依次连接的归一化层、卷积层、线性整流函数层和Transformer自注意力机制模块。
4.如权利要求1所述的一种基于改进ResU-Net神经网络的MRI图像分割方法，其特征在于，所述带有Transformer自注意力机制的扩张特征金字塔模块包括：多个不同扩张速率的平行扩张卷积层，在每一层的扩张卷积层后加入Transformer自注意力模块，最后对每层扩张卷积的输出结果进行相加。
5.如权利要求1所述的一种基于改进ResU-Net神经网络的MRI图像分割方法，其特征在于，采用混合焦点损失函数作为所述改进的ResU-Net神经网络模型的损失函数。
6.如权利要求5所述的一种基于改进ResU-Net神经网络的MRI图像分割方法，其特征在于，所述混合焦点损失函数具体为：
LCMF＝λLmF+(1-λ)LmFD
其中，LmF和LmFD分别为分量损失函数，λ∈[0，1]，决定了两个分量损失函数的相对权重；
LmF＝-α(1-pt)γ·LmCE
其中，m、D分别为Dice项；γ为参数，控制权重降低的程度；pt为地面真实值的预测概率；c为分类的种类数，LmCE交叉熵项，α在[0,1]范围内控制Dice和交叉熵项对损失的贡献的相对权重。
7.如权利要求1所述的一种基于改进ResU-Net神经网络的MRI图像分割方法，其特征在于，所述MRI脑瘤图像包括：T1模态、T1-c模态、T2模态或FLAIR模态图像；所述MRI脑肿瘤图像分割结果包括：脑肿瘤所在的区域以及相应区域对应的脑瘤类型。
8.一种基于改进ResU-Net神经网络的MRI图像分割系统，其特征在于，包括：
图像获取模块，用于获取待处理的MRI脑瘤图像，并进行预处理；
图像分割模块，用于将预处理后的图像输入到改进的ResU-Net神经网络模型中，得到MRI脑瘤图像分割结果；
其中，所述改进的ResU-Net神经网络模型将ResU-Net神经网络中的残差卷积模块改进为一个带有Transformer自注意力机制的模块，同时在ResU-Net神经网络的编码器和解码器之间加入带有Transformer自注意力机制的扩张特征金字塔模块。
9.一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-7任一项所述的基于改进ResU-Net神经网络的MRI图像分割方法。
10.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的基于改进ResU-Net神经网络的MRI图像分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210032872.0A CN114612656A (zh) | 2022-01-12 | 2022-01-12 | 基于改进ResU-Net神经网络的MRI图像分割方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210032872.0A CN114612656A (zh) | 2022-01-12 | 2022-01-12 | 基于改进ResU-Net神经网络的MRI图像分割方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114612656A true CN114612656A (zh) | 2022-06-10 |
Family
ID=81858059
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210032872.0A Pending CN114612656A (zh) | 2022-01-12 | 2022-01-12 | 基于改进ResU-Net神经网络的MRI图像分割方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114612656A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115953420A (zh) * | 2023-03-15 | 2023-04-11 | 深圳市联影高端医疗装备创新研究院 | 深度学习网络模型以及医疗图像分割方法、装置和系统 |
| CN118298067A (zh) * | 2024-06-04 | 2024-07-05 | 齐鲁工业大学(山东省科学院) | 基于Transformer的MRI脑肿瘤图像重建方法及系统 |
| CN118314474A (zh) * | 2024-06-13 | 2024-07-09 | 环天智慧科技股份有限公司 | 一种基于卫星遥感影像的水稻精细分类方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210142539A1 (en) * | 2019-11-09 | 2021-05-13 | Adobe Inc. | Accurately generating virtual try-on images utilizing a unified neural network framework |
| CN113628220A (zh) * | 2021-07-06 | 2021-11-09 | 山东师范大学 | 基于改进的U-Net网络对MRI脑肿瘤图像的分割方法及系统 |
| CN113768460A (zh) * | 2021-09-10 | 2021-12-10 | 北京鹰瞳科技发展股份有限公司 | 一种眼底图像分析系统、方法以及电子设备 |
| CN113902757A (zh) * | 2021-10-09 | 2022-01-07 | 天津大学 | 基于自注意力机制和卷积神经网络混合模型的血管分割方法 |
-
2022
- 2022-01-12 CN CN202210032872.0A patent/CN114612656A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210142539A1 (en) * | 2019-11-09 | 2021-05-13 | Adobe Inc. | Accurately generating virtual try-on images utilizing a unified neural network framework |
| CN113628220A (zh) * | 2021-07-06 | 2021-11-09 | 山东师范大学 | 基于改进的U-Net网络对MRI脑肿瘤图像的分割方法及系统 |
| CN113768460A (zh) * | 2021-09-10 | 2021-12-10 | 北京鹰瞳科技发展股份有限公司 | 一种眼底图像分析系统、方法以及电子设备 |
| CN113902757A (zh) * | 2021-10-09 | 2022-01-07 | 天津大学 | 基于自注意力机制和卷积神经网络混合模型的血管分割方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115953420A (zh) * | 2023-03-15 | 2023-04-11 | 深圳市联影高端医疗装备创新研究院 | 深度学习网络模型以及医疗图像分割方法、装置和系统 |
| CN115953420B (zh) * | 2023-03-15 | 2023-08-22 | 深圳市联影高端医疗装备创新研究院 | 深度学习网络模型以及医疗图像分割方法、装置和系统 |
| CN118298067A (zh) * | 2024-06-04 | 2024-07-05 | 齐鲁工业大学(山东省科学院) | 基于Transformer的MRI脑肿瘤图像重建方法及系统 |
| CN118298067B (zh) * | 2024-06-04 | 2024-08-06 | 齐鲁工业大学(山东省科学院) | 基于Transformer的MRI脑肿瘤图像重建方法及系统 |
| CN118314474A (zh) * | 2024-06-13 | 2024-07-09 | 环天智慧科技股份有限公司 | 一种基于卫星遥感影像的水稻精细分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Automatic brain tumor segmentation based on cascaded convolutional neural networks with uncertainty estimation | |
| CN114612656A (zh) | 基于改进ResU-Net神经网络的MRI图像分割方法及系统 | |
| CN110689543A (zh) | 基于注意机制的改进卷积神经网络脑肿瘤图像分割方法 | |
| CN114581662B (zh) | 一种脑肿瘤图像的分割方法、系统、装置及存储介质 | |
| CN112767417B (zh) | 一种基于级联U-Net网络的多模态图像分割方法 | |
| CN113628220B (zh) | 基于改进的U-Net网络对MRI脑肿瘤图像的分割方法及系统 | |
| JP2023540910A (ja) | 病変検出のための共同訓練を伴う接続機械学習モデル | |
| WO2022121100A1 (zh) | 一种基于darts网络的多模态医学图像融合方法 | |
| CN114782350A (zh) | 一种基于注意力机制的多模态特征融合的mri脑瘤图像分割方法 | |
| CN111860528B (zh) | 基于改进U-Net网络的图像分割模型及训练方法 | |
| CN113298830B (zh) | 一种基于自监督的急性颅内ich区域图像分割方法 | |
| CN110648331B (zh) | 用于医学图像分割的检测方法、医学图像分割方法及装置 | |
| CN113706486B (zh) | 基于密集连接网络迁移学习的胰腺肿瘤图像分割方法 | |
| CN114549538A (zh) | 一种基于空间信息与特征通道的脑肿瘤医学图像分割方法 | |
| Feng et al. | Automatic localization and segmentation of focal cortical dysplasia in FLAIR‐negative patients using a convolutional neural network | |
| CN115311193A (zh) | 一种基于双重注意力机制的异常脑图像分割方法及系统 | |
| CN116757982A (zh) | 一种基于多尺度编解码器的多模态医学图像融合方法 | |
| CN113724266B (zh) | 胶质瘤分割方法及系统 | |
| Yamazaki et al. | Invertible residual network with regularization for effective volumetric segmentation | |
| CN117036793B (zh) | 一种基于pet影像多尺度特征的脑龄评估方法及装置 | |
| Mansour et al. | Kidney segmentations using cnn models | |
| 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 | |
| CN117237627A (zh) | 一种多模态mri脑肿瘤图像分割方法 | |
| CN115272357A (zh) | 基于多时相融合与双注意力机制的肝肿瘤分割方法 | |
| CN112529949A (zh) | 一种基于t2图像生成dwi图像的方法及系统 |
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 |