CN114677537B - 一种基于多序列磁共振影像的胶质瘤分级分类方法 - Google Patents
一种基于多序列磁共振影像的胶质瘤分级分类方法 Download PDFInfo
- Publication number
- CN114677537B CN114677537B CN202210212191.2A CN202210212191A CN114677537B CN 114677537 B CN114677537 B CN 114677537B CN 202210212191 A CN202210212191 A CN 202210212191A CN 114677537 B CN114677537 B CN 114677537B
- Authority
- CN
- China
- Prior art keywords
- glioma
- probability
- view
- magnetic resonance
- layer
- 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.)
- Active
Links
- 206010018338 Glioma Diseases 0.000 title claims abstract description 71
- 208000032612 Glial tumor Diseases 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000011176 pooling Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012805 post-processing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 206010003571 Astrocytoma Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 201000010133 Oligodendroglioma Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000007983 brain glioma Diseases 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 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 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000005017 glioblastoma Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T2207/10088—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了一种基于多序列磁共振影像的胶质瘤分级分类方法。首先，通过正投影、拼接融合和随机翻转等对胶质瘤样本序列磁共振影像进行预处理，得到模型训练数据集；然后，利用数据集对构建的多视图分级分类网络模型进行训练；最后，利用模型输出的级别概率对胶质瘤进行分类判定。本发明能够用于多序列磁共振影像数量较少且类别分布不均衡的胶质瘤分级分类处理。
Description
技术领域
本发明属医学图像处理技术领域，具体涉及一种基于多序列磁共振影像的胶质瘤分级分类方法。
背景技术
近年来，胶质瘤发病率呈逐年增高的趋势，其恶性程度高、致死率高，已经成为严重影响人类健康的恶性肿瘤之一。在术前基于多序列磁共振影像的胶质瘤分级分类能够为医生提供一个初步的临床判断，具有重要的意义。由于存在数据集较小且类别分布不均衡、胶质瘤影像学病理表征复杂、个体差异明显等困难，胶质瘤的分级和分类诊断存在较大挑战，深度学习网络模型，如二维残差神经网络(2D Residual Neural Network,2D ResNet)被逐渐应用在医学图像处理领域之中。现在的胶质瘤的分级和分类诊断方法大多是使用三维卷积神经网络，在数据集较小且类别分布不均衡的情况下，难以被充分训练。
发明内容
为了克服现有技术的不足，本发明提供一种基于多序列磁共振影像的胶质瘤分级分类方法。首先，通过正投影、拼接融合和随机翻转等对胶质瘤样本序列磁共振影像进行预处理，得到模型训练数据集；然后，利用数据集对构建的多视图分级分类网络模型进行训练；最后，利用模型输出的级别概率对胶质瘤进行分类判定。本发明能够用于多序列磁共振影像数量较少且类别分布不均衡的胶质瘤分级分类处理。
一种基于多序列磁共振影像的胶质瘤分级分类方法，其特征在于步骤如下：
步骤1，数据预处理：首先，根据胶质瘤的分割标注在各序列磁共振影像上裁剪出以胶质瘤为中心的、能包含整个胶质瘤的最小影像块；然后，分别按轴位面、矢状面、冠状面三个视图平面对得到的各序列影像块以取均值的方式进行正投影，对分割标注以求和的方式进行正投影，将各序列影像块的三个视图平面的正投影影像分别与分割标注的正投影影像按像素逐点相乘，并对相乘后得到的每幅二维影像利用其自身的均值和方差进行标准化处理，将标准化处理后的各序列二维影像按照视图平面进行拼接，每个视图平面得到一幅拼接的多通道影像；最后，对三幅多通道影像围绕指定轴进行随机镜像翻转；
对每一个胶质瘤样本的序列磁共振影像均按照上述过程进行处理，所有样本的三个视图平面的多通道影像和其翻转后影像，共同构成样本训练数据集；
步骤2，分级分类处理：以步骤1得到的样本训练数据集作为训练数据，对多视图分级分类网络模型进行训练，得到训练好的网络模型，模型输出为序列磁共振影像包含胶质瘤的级别概率和类型概率；
所述的多视图分级分类网络模型包含三个并列的单视图模块、融合模块和概率计算模块，每个单视图模块用于处理输入的一个视图平面的磁共振影像，包含顺序连接的一个视图卷积块、一个全局平均池化层和一个全连接层，其中，视图卷积块包含一个卷积层、一个最大池化层和四个连续的Basicneck残差模块，卷积层用于对输入数据进行卷积操作，其卷积核大小是7×7、步长是2、边界扩充设置为3，最大池化层的池化窗口大小是3×3、步长是2、边界扩充设置为1，每个Basicneck残差模块包含两个Basicneck结构，每个Basicneck结构包括两个卷积层、两个批归一化层、两个ReLU激活函数层和一个残差连接；融合模块对三个单视图模块生成的特征按通道进行拼接，拼接后的特征经过一个卷积核大小为1×1的卷积层、批归一化层和ReLU激活函数层，输出的融合特征经过概率计算模块，输出序列磁共振影像包含胶质瘤的级别概率和类型概率；概率计算模块包含两个分支，一个分支由一个全局平均池化层、一个全连接层和一个sigmoid函数构成，融合后的特征经过此分支输出胶质瘤的级别概率pgrade，另一个分支由一个全局平均池化层、一个全连接层和一个softmax层构成，融合后的特征经过此分支输出胶质瘤的类型概率pcls，级别概率pgrade与类型概率pcls的乘积为胶质瘤最终的级别概率；
多视图分级分类网络模型的损失按下式计算：
Ltotal＝Lgrade+Lcls (1)
其中，Ltotal为总损失，Lgrade为分级损失，Lcls为分类损失，分级损失Lgrade和分类损失Lcls都采用如下Focal Loss损失函数：
其中，Lfl表示损失值，αt表示类别权重，取值范围为(0,1)，γ表示难易样本调节参数，取值范围为[0,+∞)，当Lfl＝Lgrade时，表示经过sigmoid函数后得到的预测概率；当Lfl＝Lcls时，/>表示经过softmax层后的预测概率：
其中，i表示第i个类别，D表示类别集合，pi表示第i个类别对应的概率；
训练时计算模型损失，并进行梯度反向传播更新模型参数；
步骤3，数据后处理：设定阈值η，如果多视图分级分类网络模型输出的胶质瘤最终的级别概率值大于阈值η，则判定该序列磁共振影像对应的胶质瘤为高级别胶质瘤，否则，判定该序列磁共振影像对应的胶质瘤为低级别胶质瘤；所述的阈值η的取值范围为(0,1)。
进一步地，计算多视图分级分类网络模型损失时，设置类别权重αt＝0.25，难易样本调节参数γ＝2。
本发明的有益效果是：由于采用正投影技术对影像数据按轴位面、矢状面和冠状面三个视图平面进行降维，能够模糊细节特征，保留主要特征，能够在训练数据集较小且类别分布不均衡的情况下，训练得到更加鲁棒的模型；本发明能够利用不同序列磁共振影像各自的特性、胶质瘤高低级别特征和类型特征的相关性，同时利用轴位面、矢状面和冠状面这些特定视图的属性和多视图之间的关联性，减弱数据集较小和类别分布不均衡问题带来的影响，提升胶质瘤分级分类处理效果。
附图说明
图1是大脑胶质瘤磁共振影像二维平面正投影图；
其中，(a)-轴位面正投影图像，(b)-矢状面正投影图像，(c)-冠状面正投影图像；
图2是本发明的多视图分级分类网络模型结构示意图；
图3是本发明的视图卷积块网络结构示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。
本发明基于多序列磁共振影像训练数据集较小且类别分布不均衡的问题，提出一个泛化能力较强的胶质瘤分级分类方法，其实现过程具体如下：
1、数据预处理
首先，根据胶质瘤的分割标注在各序列磁共振影像上裁剪出以胶质瘤为中心的、能包含整个胶质瘤的最小影像块。然后，分别按轴位面、矢状面、冠状面三个视图平面对得到的各序列影像块以取均值的方式进行正投影，对分割标注以求和的方式进行正投影，将各序列影像块的三个视图平面的正投影影像分别与分割标注的正投影影像按像素逐点相乘，图1给出了相乘后的不同视图平面对应的二维影像图。接着，对相乘后得到的每幅二维影像利用其自身的均值和方差进行标准化处理，将标准化处理后的各序列二维影像按照视图平面进行拼接，每个视图平面得到一幅拼接的多通道影像。最后，对三幅多通道影像围绕指定轴进行随机镜像翻转，以此达到数据增广、丰富训练数据的目的。
对每一个胶质瘤样本的序列磁共振影像均按照上述过程进行处理，所有样本的三个视图平面的多通道影像和其翻转后影像，共同构成样本训练数据集。
2、分级分类处理
为实现胶质瘤的高低级别诊断和分类(分为星形细胞瘤、少突胶质细胞瘤和胶质母细胞瘤)，本发明设计了多视图分级分类网络模型，以步骤1处理后的多视图影像数据集作为训练数据，训练好的模型输出为序列磁共振影像包含胶质瘤的级别概率和类型概率。
本发明设计的多视图分级分类网络模型包含三个并列的单视图模块、融合模块和概率计算模块。每个单视图模块用于处理输入的一个视图平面的磁共振影像，包含顺序连接的一个视图卷积块、一个全局平均池化层和一个全连接层，其中，视图卷积块包含一个卷积层、一个最大池化层和四个连续的Basicneck残差模块，每个Basicneck残差模块包含两个Basicneck结构。卷积层用于对输入数据进行卷积操作，其卷积核大小是7×7、步长是2、边界扩充设置为3，最大池化层的池化窗口大小是3×3、步长是2、边界扩充设置为1，每个Basicneck结构包括两个卷积层、两个批归一化层、两个ReLU激活函数层和一个残差连接。融合模块对三个单视图模块生成的特征按通道进行拼接，拼接后的特征经过一个卷积核大小为1×1的卷积层、批归一化层和ReLU激活函数层，输出的融合特征经过概率计算模块，输出序列磁共振影像包含胶质瘤的级别概率和类型概率。概率计算模块包含两个分支，一个分支由一个全局平均池化层、一个全连接层和一个sigmoid函数构成，融合后的特征经过此分支输出胶质瘤的级别概率pgrade，另一个分支由一个全局平均池化层、一个全连接层和一个softmax层构成，融合后的特征经过此分支输出胶质瘤的类型概率pcls，级别概率pgrade与类型概率pcls的乘积为胶质瘤最终的级别概率。
图2给出了多视图分级分类网络模型的结构示意图，图中T1、T1ce、T2和FLAIR表示四个模态的磁共振影像，斜条纹纹理表示单视图模块输出的分类概率，竖条纹纹理和横条纹纹理分别表示经过两次融合模块后输出的特征，菱形条纹纹理表示三个单视图模块输出的分类概率相加后的分类概率，小网格纹理表示经过特征融合后的分类概率；散点纹理表示融合后的特征计算得到的胶质瘤的级别概率pgrade，密集点纹理表示胶质瘤最终的级别概率。图3给出了视图卷积块网络结构示意图，图中虚线框内的区域为Basicneck结构。
训练时计算模型损失，并进行梯度反向传播更新模型参数，其中，模型损失按下式计算：
Ltotal＝Lgrade+Lcls (5)
其中，Ltotal为总损失，Lgrade为分级损失，Lcls为分类损失。分级损失Lgrade和分类损失Lcls都采用如下Focal Loss损失函数：
其中，Lfl表示损失值，αt表示类别权重，取值范围为(0,1)，如αt＝0.25，γ表示难易样本调节参数，取值范围为[0,+∞)，如γ＝2。当Lfl＝Lgrade时，表示经过sigmoid函数后得到的预测概率；当Lfl＝Lcls时，/>表示经过softmax层后的预测概率：
其中，i表示第i个类别，D表示类别集合，pi表示第i个类别对应的概率。
可进一步按照Lcls＝0.4Ladd+0.6Lfusion计算分类损失Lcls，其中，Ladd由各单视图模块输出的胶质瘤分类概率求和后的分类概率计算得到，Lfusion由经过特征融合模块和概率计算模块后得到的融合分类概率计算得到。
3、数据后处理
本发明采用设定阈值的方式对网络输出的胶质瘤高低级别概率进行判定：设定阈值η，如果多视图分级分类网络模型输出的胶质瘤最终的级别概率值大于阈值η，则判定该序列磁共振影像对应的胶质瘤为高级别胶质瘤，否则，判定该序列磁共振影像对应的胶质瘤为低级别胶质瘤；所述的阈值η的取值范围为(0,1)。
Claims (2)
1.一种基于多序列磁共振影像的胶质瘤分级分类方法，其特征在于步骤如下：
步骤1，数据预处理：首先，根据胶质瘤的分割标注在各序列磁共振影像上裁剪出以胶质瘤为中心的、能包含整个胶质瘤的最小影像块；然后，分别按轴位面、矢状面、冠状面三个视图平面对得到的各序列影像块以取均值的方式进行正投影，对分割标注以求和的方式进行正投影，将各序列影像块的三个视图平面的正投影影像分别与分割标注的正投影影像按像素逐点相乘，并对相乘后得到的每幅二维影像利用其自身的均值和方差进行标准化处理，将标准化处理后的各序列二维影像按照视图平面进行拼接，每个视图平面得到一幅拼接的多通道影像；最后，对三幅多通道影像围绕指定轴进行随机镜像翻转；
对每一个胶质瘤样本的序列磁共振影像均按照上述过程进行处理，所有样本的三个视图平面的多通道影像和其翻转后影像，共同构成样本训练数据集；
步骤2，分级分类处理：以步骤1得到的样本训练数据集作为训练数据，对多视图分级分类网络模型进行训练，得到训练好的网络模型，模型输出为序列磁共振影像包含胶质瘤的级别概率和类型概率；
所述的多视图分级分类网络模型包含三个并列的单视图模块、融合模块和概率计算模块，每个单视图模块用于处理输入的一个视图平面的磁共振影像，包含顺序连接的一个视图卷积块、一个全局平均池化层和一个全连接层，其中，视图卷积块包含一个卷积层、一个最大池化层和四个连续的Basicneck残差模块，卷积层用于对输入数据进行卷积操作，其卷积核大小是7×7、步长是2、边界扩充设置为3，最大池化层的池化窗口大小是3×3、步长是2、边界扩充设置为1，每个Basicneck残差模块包含两个Basicneck结构，每个Basicneck结构包括两个卷积层、两个批归一化层、两个ReLU激活函数层和一个残差连接；融合模块对三个单视图模块生成的特征按通道进行拼接，拼接后的特征经过一个卷积核大小为1×1的卷积层、批归一化层和ReLU激活函数层，输出的融合特征经过概率计算模块，输出序列磁共振影像包含胶质瘤的级别概率和类型概率；概率计算模块包含两个分支，一个分支由一个全局平均池化层、一个全连接层和一个sigmoid函数构成，融合后的特征经过此分支输出胶质瘤的级别概率pgrade，另一个分支由一个全局平均池化层、一个全连接层和一个softmax层构成，融合后的特征经过此分支输出胶质瘤的类型概率pcls，级别概率pgrade与类型概率pcls的乘积为胶质瘤最终的级别概率；
多视图分级分类网络模型的损失按下式计算：
Ltotal＝Lgrade+Lcls (1)
其中，Ltotal为总损失，Lgrade为分级损失，Lcls为分类损失，分级损失Lgrade和分类损失Lcls都采用如下Focal Loss损失函数：
其中，Lfl表示损失值，αt表示类别权重，取值范围为(0,1)，γ表示难易样本调节参数，取值范围为[0,+∞)，当Lfl＝Lgrade时，表示经过sigmoid函数后得到的预测概率；当Lfl＝Lcls时，/>表示经过softmax层后的预测概率：
其中，i表示第i个类别，D表示类别集合，pi表示第i个类别对应的概率；
训练时计算模型损失，并进行梯度反向传播更新模型参数；
步骤3，数据后处理：设定阈值η，如果多视图分级分类网络模型输出的胶质瘤最终的级别概率值大于阈值η，则判定该序列磁共振影像对应的胶质瘤为高级别胶质瘤，否则，判定该序列磁共振影像对应的胶质瘤为低级别胶质瘤；所述的阈值η的取值范围为(0,1)。
2.如权利要求1所述的一种基于多序列磁共振影像的胶质瘤分级分类方法，其特征在于：计算多视图分级分类网络模型损失时，设置类别权重αt＝0.25，难易样本调节参数γ＝2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210212191.2A CN114677537B (zh) | 2022-03-06 | 2022-03-06 | 一种基于多序列磁共振影像的胶质瘤分级分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210212191.2A CN114677537B (zh) | 2022-03-06 | 2022-03-06 | 一种基于多序列磁共振影像的胶质瘤分级分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114677537A CN114677537A (zh) | 2022-06-28 |
| CN114677537B true CN114677537B (zh) | 2024-03-15 |
Family
ID=82072448
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210212191.2A Active CN114677537B (zh) | 2022-03-06 | 2022-03-06 | 一种基于多序列磁共振影像的胶质瘤分级分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114677537B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018082084A1 (zh) * | 2016-11-07 | 2018-05-11 | 中国科学院自动化研究所 | 融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法 |
| CN111210444A (zh) * | 2020-01-03 | 2020-05-29 | 中国科学技术大学 | 多模态磁共振影像的分割方法、装置及介质 |
| WO2020215557A1 (zh) * | 2019-04-24 | 2020-10-29 | 平安科技（深圳）有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
| CN112330645A (zh) * | 2020-11-11 | 2021-02-05 | 复旦大学 | 基于注意力机制的胶质瘤分级方法以及装置 |
| CN112686902A (zh) * | 2019-10-17 | 2021-04-20 | 西安邮电大学 | 核磁共振影像中脑胶质瘤识别与分割的两阶段计算方法 |
-
2022
- 2022-03-06 CN CN202210212191.2A patent/CN114677537B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018082084A1 (zh) * | 2016-11-07 | 2018-05-11 | 中国科学院自动化研究所 | 融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法 |
| WO2020215557A1 (zh) * | 2019-04-24 | 2020-10-29 | 平安科技（深圳）有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
| CN112686902A (zh) * | 2019-10-17 | 2021-04-20 | 西安邮电大学 | 核磁共振影像中脑胶质瘤识别与分割的两阶段计算方法 |
| CN111210444A (zh) * | 2020-01-03 | 2020-05-29 | 中国科学技术大学 | 多模态磁共振影像的分割方法、装置及介质 |
| CN112330645A (zh) * | 2020-11-11 | 2021-02-05 | 复旦大学 | 基于注意力机制的胶质瘤分级方法以及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 动态对比增强MRI纹理分析法与磁敏感加权成像联合应用在脑胶质瘤分级中的价值;苏春秋;韩秋月;周茂冬;鲁珊珊;施海彬;洪汛宁;;临床放射学杂志;20180820(08);全文 * |
| 基于3D CNN的脑胶质瘤分类算法;赵尚义;王远军;;光学技术;20191115(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114677537A (zh) | 2022-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112116605B (zh) | 一种基于集成深度卷积神经网络的胰腺ct图像分割方法 | |
| CN109086824B (zh) | 一种基于卷积神经网络的海底底质声呐图像分类方法 | |
| CN111462206B (zh) | 一种基于卷积神经网络的单目结构光深度成像方法 | |
| CN109584254A (zh) | 一种基于深层全卷积神经网络的心脏左心室分割方法 | |
| CN109784283A (zh) | 基于场景识别任务下的遥感图像目标提取方法 | |
| CN107749061A (zh) | 基于改进的全卷积神经网络脑肿瘤图像分割方法及装置 | |
| CN111915629B (zh) | 基于边界检测的超像素分割方法 | |
| CN108389192A (zh) | 基于卷积神经网络的立体图像舒适度评价方法 | |
| CN113408423A (zh) | 适用于tx2嵌入式平台的水产品目标实时检测方法 | |
| CN110782427B (zh) | 基于可分离空洞卷积的磁共振脑肿瘤自动分割方法 | |
| 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 | |
| CN110084823A (zh) | 基于级联各向异性fcnn的三维脑肿瘤图像分割方法 | |
| CN112818920B (zh) | 一种双时相高光谱图像空谱联合变化检测方法 | |
| CN112508953B (zh) | 基于深度神经网络的脑膜瘤快速分割定性方法 | |
| CN111861906A (zh) | 一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法 | |
| CN112489048B (zh) | 一种基于深度网络的视神经自动分割方法 | |
| CN108764250A (zh) | 一种运用卷积神经网络提取本质图像的方法 | |
| CN112818777B (zh) | 一种基于密集连接与特征增强的遥感图像目标检测方法 | |
| CN109102498A (zh) | 一种宫颈涂片图像中簇型细胞核分割的方法 | |
| CN114022742B (zh) | 红外与可见光图像融合方法、装置及计算机存储介质 | |
| CN115496720A (zh) | 基于ViT机制模型的胃肠癌病理图像分割方法及相关设备 | |
| CN110853048A (zh) | 基于粗、精训练的mri图像分割方法、装置和存储介质 | |
| CN113111740A (zh) | 一种遥感图像目标检测的特征编织方法 | |
| CN117934375A (zh) | 一种增强图像特征融合的轻量化锂电池表面缺陷检测方法 | |
| CN115661459A (zh) | 一种使用差异信息的2D mean teacher模型 |
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 | ||
| GR01 | Patent grant |