CN114663445A - 一种基于多尺度边缘感知的三维心脏图像分割方法 - Google Patents

一种基于多尺度边缘感知的三维心脏图像分割方法 Download PDF

Info

Publication number
CN114663445A
CN114663445A CN202210214686.9A CN202210214686A CN114663445A CN 114663445 A CN114663445 A CN 114663445A CN 202210214686 A CN202210214686 A CN 202210214686A CN 114663445 A CN114663445 A CN 114663445A
Authority
CN
China
Prior art keywords
scale
edge
feature
convolution
dimensional
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
CN202210214686.9A
Other languages
English (en)
Inventor
毕秀丽
裴佳伟
肖斌
范骏超
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202210214686.9A priority Critical patent/CN114663445A/zh
Publication of CN114663445A publication Critical patent/CN114663445A/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
    • G06T7/11—Region-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
    • G06T7/13—Edge detection
    • 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
    • G06T2207/20—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/30048—Heart; Cardiac

Abstract

本发明公开了一种基于多尺度边缘感知的三维心脏图像分割方法，涉及数字图像处理、计算机视觉、深度学习等技术领域。具体步骤为：1)搜集并整理公开的心脏磁共振图像数据集；2)对搜集整理的心脏磁共振图像数据集进行数据增广；3)利用搜集到的心脏磁共振图像数据集对多尺度边缘感知的三维卷积神经网络进行训练；4)利用训练得到的模型对其他的心脏磁共振图像进行测试，得到最终效果。本方法利用多尺度边缘感知的三维卷积神经网络训练得到的模型可以对现实中的心脏磁共振图像进行分割，具有实际意义，并且取得较好的分割精度。

Description

一种基于多尺度边缘感知的三维心脏图像分割方法
技术领域
本发明涉及基于多尺度边缘感知的三维心脏图像分割方法，属于数字图像处理、计算机视觉、深度学习等技术领域。
背景技术
近年来，随着社会的不断发展和人们生活水平的不断提高，越来越多的人关注健康问题。饮食习惯、作息时间不规律等问题已经成为人们生活的常态，长期治疗这种状态会给身体带来严重的伤害。根据世界卫生组织(WHO)的数据，心血管疾病(CVD)是全球主要的死亡原因。心血管疾病是心脏和血管疾病的一个类别，包括冠心病、脑血管病、风湿性心脏病和其他疾病。五分之四以上的心血管疾病死亡是由于心脏病发作和中风，其中三分之一的死亡发生在70岁以下的人群中2016年约有1790万人死于CVD，主要是心脏病和中风。这个数字还在逐年增加。
计算机辅助诊断(CAD)是重要的辅助技术之一，在许多临床情况下可以帮助医生快速诊断。医学影像分析是CAD的重要前提。心脏磁共振(CMR)技术为心脏功能评估和心血管疾病(CVDs)诊断提供了重要手段，特别是晚期钆增强(LGE)CMR序列可显示心肌梗塞(MI)，对急性损伤和缺血区域进行成像的T2加权CMR，以及捕捉心脏运动并呈现清晰边界的平衡稳态自由进动(bSSFP)CMR。通过CMR图像进行的临床测量，例如射血分数、心室容积、每搏输出量和心肌质量，被认为是金标准。从体积医学图像中描绘重要器官和结构通常被认为是执行临床参数、疾病诊断、预测预后和手术计划的主要步骤。在临床环境中，放射科医生需要手动绘制包含目标结构的轮廓线，以从周围组织或器官中划定目标区域，这既费时又麻烦，并且还引入了评估者内部和评估者之间的变异性。因此，需要自动心脏分割来帮助放射科医生摆脱上述任务。分割是自然图像中用于场景理解和医学图像分析、图像引导干预、放疗或改进放射诊断的重要处理步骤，图像分割被正式定义为“将图像分割成一组非重叠区域，这些区域的合并就是整个图像”。心脏图像分割将图像划分为多个语义(即解剖学)有意义的区域，基于这些区域可以提取定量测量值，例如心肌质量、壁厚、左心室(LV)和右心室(RV)体积以及射血分数(EF)等。通常，心脏图像分割感兴趣的解剖结构包括LV、RV、左心房(LA)、右心房(RA)和冠状动脉。深度学习对科学的各个领域产生了巨大的影响。当前研究的重点是计算机视觉中最关键的领域之一：医学图像分析(或医学计算机视觉)，特别是基于深度学习的医学图像分割方法。受卷积神经网络(CNN)在计算机视觉中的巨大成功的启发，CNN在心脏图像分割中的应用变得越来越广泛。CNN强大的自适应特征学习能力弥补了传统基于特征提取的心脏图像分割技术适用性差的不足。目前，基于深度学习的全自动心脏分割极具挑战性。原因是心脏软组织对比度低，形状、大小、位置的异质性，导致全自动心脏分割缺乏准确性。
发明内容
针对上述问题，本实发明的目的在于解决现有的基于卷积神经网络的心脏图像分割方法中存在的问题。本发明提出的一种基于多尺度边缘感知的三维心脏图像分割方法就是基于卷积神经网络而产生的一种可适用于心脏图像分割的有效方法。该方法基本解决了之前基于卷积神经网络的心脏图像分割方法的问题，在较低时间复杂度的情况下，可以有效且精确地分割得到目标。
为了实现上述目的本发明采用的技术方案是：一种基于多尺度边缘感知的三维心脏图像分割方法，包括以下步骤：
(1)对搜集整理的心脏磁共振图像数据集进行数据增广，包括通过随机旋转、平移、缩放、裁剪、弹性形变对原始图像进行变换。
(2)利用步骤(1)处理后得到的心脏磁共振图像数据集对多尺度边缘感知的三维卷积神经网络进行模型训练，所述多尺度边缘感知的三维卷积神经网络包括多尺度特征提取模块、边缘信息提取模块和特征融合模块；所述多尺度特征提取模块使用多分支的级联多尺度卷积操作和多尺度池化操作来提取多尺度的语义信息；所述边缘信息提取模块使用三个不同维度的池化操作来提取输入图像的边缘信息；所述特征融合模块学习不同分辨率的边缘特征和语义特征的偏移量并将这两种特征进行融合。
(3)利用步骤(2)训练得到的模型对输入的图像进行测试，得到最终的检测结果。
进一步地，所述多尺度特征提取模块分为九个分支来提取多尺度语义信息，其中五个分支是多尺度卷积分支，三个分支是多尺度池化分支，最后一个分支是将输入的特征图与该模块最终生成的特征图直接相加。
进一步地，所述五个多尺度卷积分支包括一个内核大小为1×1×1的空洞卷积和四个卷积核大小为3×3×3的级联空洞卷积，将深度维度的膨胀率设置为1，随着不同扩张率的卷积从1到1、3、5和7的叠加，每个空洞卷积分支的感受野将为3、9、19和33。
更具体地，所述三个多尺度池化分支，每个分支的池化核大小分别为2×2×2，3×3×3和全局池化，其对应的感受野分别为2、3和整个特征图，在每一级池化操作之后使用1×1×1的卷积，然后进行上采样，通过三线性插值得到与原始特征图大小相同的特征图。
更具体地，所述边缘信息提取模块使用1×1×1的卷积进行通道压缩，将通道数变为原来的一半，再对特征图的长、宽、高三个维度分别进行池化，将分别得到的不同大小的三种特征图进行复制到同样的大小，再将三个特征图进行相加，最后，将得到的边缘注意权重图与通道压缩后的特征图进行相乘，再通过一个1×1×1的卷积将通道数还原，再和最初输入到该模块的特征图进行相加。
进一步地，所述特征融合模块使用1×1×1的卷积使输入的边缘特征图和语义特征图通道数一致，然后使用三线性插值上采样将输入的两种特征图大小保持一致。所述特征融合模块使用3×3×3的卷积来学习两种特征图的位置偏移量，通过学习到的偏移量将两种输入的边缘特征图放大到和语义特征图大小一致再相加得到最终的融合结果。
在对多尺度边缘感知的三维卷积神经网络进行模型训练的过程中，通过Adam梯度下降优化算法最小化Focal损失函数来对预测的结果进行优化，并且计算了生成目标的损失Lseg、目标边缘的损失Lcontour和中间生成结果的损失
Figure BDA0003533928410000031
公式如下：
Figure BDA0003533928410000032
其中λ1、λ2和λ3分别是各个损失的权重值。i是中间生成结果的编号。
本发明利用数字图像处理、计算机视觉、深度学习等技术，实现了心脏图像分割任务。本发明是一个端到端方法，输入一幅心脏磁共振图像即可得到分割后的目标区域，无需任何预处理和后处理操作。
本发明具有以下优点：
(1)利用PyCharm平台进行训练和测试，成本低廉；
(2)是一个端到端的网络，输入一幅心脏磁共振图像即可得到目标区域而无需其他任何操作；
(3)本发明既提取了边缘特征也提取了多尺度语义特征，将这两种特征向量进行融合发挥它们的协同作用，因此对较为难以分割的心脏磁共振图像也能有较好的分割效果。
(4)本发明提出了一个特征融合模块来将不同尺度的边缘特征图和语义特征图进行融合，使生成的边缘特征能够更好地指导目标区域的分割。
(5)较高的准确率，达到目前最好的水平。
(6)可以辅助相关的心脏疾病辅助诊断工作，进而降低医生诊断病情的时间，提高诊断心脏疾病的效率，降低错误率，具有实际意义，并且取得较好效果。
附图说明
图1是本发明的系统流程图；
图2是本发明提出的神经网络结构图；
图3是多尺度特征提取模块的内部结构图；
图4是边缘特征提取模块的内部结构图；
图5是特征融合模块的内部结构图；
图6是心脏磁共振图像1(左图)和其标签(右图)；
图7是心脏磁共振图像1(图6左图)经过多尺度边缘感知的三维卷积神经网络得到的预测结果图像；
图8是心脏磁共振图像2(左图)和其标签(右图)；
图9是心脏磁共振图像2(图8左图)经过多尺度边缘感知的三维卷积神经网络得到的预测结果图像。
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楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
下面结合附图对本发明的技术方案进行详细说明：
系统流程图如图1所示，一种基于多尺度边缘感知的三维心脏图像分割方法，包括以下步骤：
第一步：搜集并整理公开的心脏磁共振图像数据集；
第二步：对搜集整理的心脏磁共振图像数据集进行数据增广，通过随机旋转、平移、缩放、裁剪、弹性形变等手段，对原始图像进行变换；
第三步：利用第二步处理后得到的心脏磁共振图像数据集对多尺度边缘感知的三维卷积神经网络进行模型训练，所述多尺度边缘感知的三维卷积神经网络包括多尺度特征提取模块、边缘信息提取模块和特征融合模块；
第四步：利用第三步训练得到的模型对其他的心脏磁共振图像(非训练过程中使用的图像)进行测试，得到最终的检测结果，其准确率可达到最好的水平。
在多尺度特征提取模块中，本发明使用多分支的级联多尺度卷积操作和多尺度池化操作来提取多尺度的语义信息。多尺度特征提取模块分为九个分支来提取多尺度语义信息，其中五个分支是多尺度卷积分支，三个分支是多尺度池化分支，最后一个分支是将输入的特征图与该模块最终生成的特征图直接相加。五个多尺度卷积分支包括一个内核大小为1×1×1的空洞卷积和四个卷积核大小为3×3×3的级联空洞卷积。考虑到三维特征图的深度远小于其宽度和高度，我们将深度维度的膨胀率设置为1。随着不同扩张率的卷积从1到1、3、5和7的叠加，每个空洞卷积分支的感受野将为3、9、19和33。三个多尺度池化分支，每个分支的池化核大小分别为2×2×2，3×3×3和全局池化，其对应的感受野分别为2、3和整个特征图。为了减少权重的维数和计算成本，本发明在每一级池化操作之后使用1×1×1的卷积。然后对低维特征图进行上采样，通过三线性插值得到与原始特征图大小相同的特征图。
在边缘特征提取模块中，本发明使用1×1×1的卷积进行通道压缩，将通道数变为原来的一半。再对特征图的长、宽、高三个维度分别进行池化，将分别得到的不同大小的三种特征图进行复制到同样的大小，再将三个特征图进行相加。最后，将得到的边缘注意权重图与通道压缩后的特征图进行相乘，再通过一个1×1×1的卷积将通道数还原，再和最初输入到该模块的特征图进行相加。
在特征融合模块中，本发明使用1×1×1的卷积使输入的边缘特征图和语义特征图通道数一致，然后使用三线性插值上采样将输入的两种特征图大小保持一致。所述特征融合模块使用3×3×3的卷积来学习两种特征图的位置偏移量，通过学习到的偏移量将两种输入的边缘特征图放大到和语义特征图大小一致再相加得到最终的融合结果。
在训练过程中，本发明通过Adam梯度下降优化算法最小化Focal损失函数来对预测的结果进行优化，并且计算了生成目标的损失Lseg、目标边缘的损失Lcontour和中间生成结果的损失
Figure BDA0003533928410000051
公式如下：
Figure BDA0003533928410000052
其中λ1、λ2和λ3分别是各个损失的权重值。i是中间生成结果的编号。n表示中间层的输出个数。
为了验证本发明的效果，进行了如下实验：
在一台计算机上进行验证实验，该计算机的配置，Intel i7-8700六核处理器，16GB内存，显卡nvidia GeForce RTX 2070(8GB)，平台为PyCharm。
实验方法：
在本实验过程中，我们搜集并整理了两种公开的心脏磁共振图像，并将其中的80％作为训练集来训练多尺度边缘感知的三维卷积神经网络，将其中的20％作为测试集测试多尺度边缘感知的三维卷积神经网络的分割精度。
第一步：对搜集整理的心脏磁共振图像数据集进行数据增广，通过随机旋转、平移、缩放、裁剪、弹性形变等手段，对原始图像进行变换；
第二步：使用PyCharm运行程序，将训练集图片和对应的标签输入到多尺度边缘感知的三维卷积神经网络去，经过200次迭代训练后，得到最终训练好的模型。
第三步：使用训练好的模型来测试测试集中的图像并根据对应的标签计算出分割的精确度。具体来说，分别输入心脏磁共振图像1和心脏磁共振区域2(如图6，8(左)所示)，经过训练好的模型分割之后，得到的分割结果如图7，9所示，会将左心室、右心室、心肌分割出来。
实验利用Dice分数和Jaccard分数作为衡量算法效果的指标。Jaccard系数与Dice系数类似，用于表示分割对象与标签中的目标的相似性。
由此可见，多尺度边缘感知的三维卷积神经网络网络在经过训练后，可以有效地检测出心脏磁共振图像的目标区域，检测准确率能够达到85％以上。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (8)

1.一种基于多尺度边缘感知的三维心脏图像分割方法，其特征在于，包括以下步骤：
(1)对搜集整理的心脏磁共振图像数据集进行数据增广，包括通过随机旋转、平移、缩放、裁剪、弹性形变对原始图像进行变换；
(2)利用步骤(1)处理后得到的心脏磁共振图像数据集对多尺度边缘感知的三维卷积神经网络进行模型训练，所述多尺度边缘感知的三维卷积神经网络包括多尺度特征提取模块、边缘信息提取模块和特征融合模块；
(3)利用步骤(2)训练得到的模型对输入的图像进行测试，得到最终的检测结果。
2.根据权利要求1所述一种基于多尺度边缘感知的三维心脏图像分割方法，其特征在于：所述多尺度特征提取模块使用多分支的级联多尺度卷积操作和多尺度池化操作来提取多尺度的语义信息；所述边缘信息提取模块使用三个不同维度的池化操作来提取输入图像的边缘信息；所述特征融合模块学习不同分辨率的边缘特征和语义特征的偏移量并将这两种特征进行融合。
3.根据权利要求2所述一种基于多尺度边缘感知的三维心脏图像分割方法，其特征在于：所述多尺度特征提取模块分为九个分支来提取多尺度语义信息，其中五个分支是多尺度卷积分支，三个分支是多尺度池化分支，最后一个分支是将输入的特征图与该模块最终生成的特征图直接相加。
4.根据权利要求3所述一种基于多尺度边缘感知的三维心脏图像分割方法，其特征在于：所述五个多尺度卷积分支包括一个内核大小为1×1×1的空洞卷积和四个卷积核大小为3×3×3的级联空洞卷积，将深度维度的膨胀率设置为1，随着不同扩张率的卷积从1到1、3、5和7的叠加，每个空洞卷积分支的感受野将为3、9、19和33。
5.根据权利要求3所述一种基于多尺度边缘感知的三维心脏图像分割方法，其特征在于：所述三个多尺度池化分支，每个分支的池化核大小分别为2×2×2，3×3×3和全局池化，其对应的感受野分别为2、3和整个特征图，在每一级池化操作之后使用1×1×1的卷积，然后进行上采样，通过三线性插值得到与原始特征图大小相同的特征图。
6.根据权利要求2所述一种基于多尺度边缘感知的三维心脏图像分割方法，其特征在于：所述边缘信息提取模块使用1×1×1的卷积进行通道压缩，将通道数变为原来的一半，再对特征图的长、宽、高三个维度分别进行池化，将分别得到的不同大小的三种特征图进行复制到同样的大小，再将三个特征图进行相加，最后，将得到的边缘注意权重图与通道压缩后的特征图进行相乘，再通过一个1×1×1的卷积将通道数还原，再和最初输入到该模块的特征图进行相加。
7.根据权利要求2所述一种基于多尺度边缘感知的三维心脏图像分割方法，其特征在于：所述特征融合模块使用1×1×1的卷积使输入的边缘特征图和语义特征图通道数一致，然后使用三线性插值上采样将输入的两种特征图大小保持一致，所述特征融合模块使用3×3×3的卷积来学习两种特征图的位置偏移量，通过学习到的偏移量将两种输入的边缘特征图放大到和语义特征图大小一致再相加得到最终的融合结果。
8.据权利要求1-7任一项所述一种基于多尺度边缘感知的三维心脏图像分割方法，其特征在于：所述对多尺度边缘感知的三维卷积神经网络进行模型训练的过程中，通过Adam梯度下降优化算法最小化Focal损失函数来对预测的结果进行优化，并且计算了生成目标的损失Lseg、目标边缘的损失Lcontour和中间生成结果的损失
Figure FDA0003533928400000021
公式如下：
Figure FDA0003533928400000022
其中λ1、λ2和λ3分别是各个损失的权重值。i是中间生成结果的编号，n表示中间层的输出个数。
CN202210214686.9A 2022-03-07 2022-03-07 一种基于多尺度边缘感知的三维心脏图像分割方法 Pending CN114663445A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210214686.9A CN114663445A (zh) 2022-03-07 2022-03-07 一种基于多尺度边缘感知的三维心脏图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210214686.9A CN114663445A (zh) 2022-03-07 2022-03-07 一种基于多尺度边缘感知的三维心脏图像分割方法

Publications (1)

Publication Number Publication Date
CN114663445A true CN114663445A (zh) 2022-06-24

Family

ID=82027892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210214686.9A Pending CN114663445A (zh) 2022-03-07 2022-03-07 一种基于多尺度边缘感知的三维心脏图像分割方法

Country Status (1)

Country Link
CN (1) CN114663445A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115861346A (zh) * 2023-02-16 2023-03-28 邦世科技(南京)有限公司 一种基于场景感知融合网络的脊柱核磁共振图像分割方法
CN117392157A (zh) * 2023-12-13 2024-01-12 长春理工大学 一种边缘感知的保护性耕作秸秆覆盖率检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115861346A (zh) * 2023-02-16 2023-03-28 邦世科技(南京)有限公司 一种基于场景感知融合网络的脊柱核磁共振图像分割方法
CN117392157A (zh) * 2023-12-13 2024-01-12 长春理工大学 一种边缘感知的保护性耕作秸秆覆盖率检测方法
CN117392157B (zh) * 2023-12-13 2024-03-19 长春理工大学 一种边缘感知的保护性耕作秸秆覆盖率检测方法

Similar Documents

Publication Publication Date Title
CN110934606B (zh) 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质
Qi et al. Automated diagnosis of breast ultrasonography images using deep neural networks
Saikumar et al. A novel implementation heart diagnosis system based on random forest machine learning technique.
Meng et al. Multiscale dense convolutional neural network for DSA cerebrovascular segmentation
CN109410219A (zh) 一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质
CN114663445A (zh) 一种基于多尺度边缘感知的三维心脏图像分割方法
Sreelakshmy et al. An automated deep learning model for the cerebellum segmentation from fetal brain images
CN117078692B (zh) 一种基于自适应特征融合的医疗超声图像分割方法及系统
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
CN105023023A (zh) 一种用于计算机辅助诊断的乳腺b超图像特征自学习提取方法
Du et al. Segmentation and visualization of left atrium through a unified deep learning framework
Yuan et al. ResD-Unet research and application for pulmonary artery segmentation
Luo et al. Multi-Task Learning Using Attention-Based Convolutional Encoder-Decoder for Dilated Cardiomyopathy CMR Segmentation and Classification.
Pandey et al. Tumorous kidney segmentation in abdominal CT images using active contour and 3D-UNet
Lourenço et al. Automatic myocardial disease prediction from delayed-enhancement cardiac MRI and clinical information
CN109215035B (zh) 一种基于深度学习的脑部mri海马体三维分割方法
Ilesanmi et al. Organ segmentation from computed tomography images using the 3D convolutional neural network: a systematic review
Abdeltawab et al. A new 3D CNN-based CAD system for early detection of acute renal transplant rejection
Wu et al. Transformer-based 3D U-Net for pulmonary vessel segmentation and artery-vein separation from CT images
Xu et al. Application of artificial intelligence technology in medical imaging
Kong et al. Data enhancement based on M2-Unet for liver segmentation in Computed Tomography
Wu et al. Human identification with dental panoramic images based on deep learning
Sha et al. A robust segmentation method based on improved U-Net
Wan et al. Ceus-net: Lesion segmentation in dynamic contrast-enhanced ultrasound with feature-reweighted attention mechanism
Mani Deep learning models for semantic multi-modal medical image 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