CN114693698B - 一种基于神经网络的计算机辅助肺气道分割方法 - Google Patents
一种基于神经网络的计算机辅助肺气道分割方法 Download PDFInfo
- Publication number
- CN114693698B CN114693698B CN202011628297.8A CN202011628297A CN114693698B CN 114693698 B CN114693698 B CN 114693698B CN 202011628297 A CN202011628297 A CN 202011628297A CN 114693698 B CN114693698 B CN 114693698B
- Authority
- CN
- China
- Prior art keywords
- lung
- neural network
- dimensional
- convolution
- scale feature
- 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
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
- G06N3/08—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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/30061—Lung
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种基于神经网络的计算机辅助肺气道分割方法,包括以下步骤:步骤s1:数据准备:预先准备若干病人的肺部CT图像并标定其中的待分割肺气道;步骤s2:数据预处理:对肺部CT图像中的肺部区域进行分割,得到输入数据;步骤s3:建构三维多尺度特征聚合网络并训练三维多尺度特征聚合网络;步骤s4:将所述输入数据输入经历步骤s3后的三维多尺度特征聚合网络,得到输出结果;步骤s5:对输出结果进行后处理,得到肺气道分割结果。本发明通过一种三维多尺度特征聚合的深度神经网络准确、高效地完成对肺气道的分割,尤其能获取更为准确的叶内气道分割结果,同时本发明实施过程可实现无人值守批量操作。
Description
技术领域
本发明涉及计算机图像数据处理技术领域,尤其涉及一种基于神经网络的计算机辅助肺气道分割方法。
背景技术
肺部CT图像中的肺气道的分割结果在临床上具有重大的应用价值。首先,精确的分割结果可用于评估气道树结构和功能,基于分割结果的树状几何信息可用于帮助医师评估病理状况。例如,气道中特定水平的气道管腔尺寸显著减小可能表明可能的狭窄,并且气道的异常扩张代表支气管扩张。其次,气道的分割结果还有助于其他肺部解剖分割任务,比如肺段分割。对于肺部异常组织的切除手术而言,因为胸部的病理异常可能仅限于一个或几个段,所以肺段的分割可以精确地指导手术计划,并且更精确的切除术有望改善肺部疾病患者术后康复情况和五年生存率。然而,肺段是根据其支气管供应来定义的,并且在这些段之间在CT中通常没有可见的物理边界,这使得肺段的分割高度依赖于气道的分割结果。
肺气道是一个由多级子结构组成的复杂树状结构,包括气管、主支气管、叶支气管、段支气管、亚段支气管、细支气管等更细小的结构。
肺气道的分割在最近二十年获得了广泛研究。临床医学中采用的肺气道分割算法可分为传统图像处理方法和基于神经网络的方法。传统方法包括利用基于图像学或解剖学先验知识增强肺气管引导分割流程,并且需要大量的人工标注进一步细化。而随着近年来深度神经网络的发展,更多的研究开始将深度神经网络方法应用到肺气道的分割中。与传统方法不同,深度神经网络不需要手动提取特征,而是直接从数据中学习特征,这使得基于深度神经网路的方法更加具有鲁棒性。Charbonnier等人提出多视图卷积网络ConvNet来对候选分支进行分类,判断其是气道还是泄露区域。候选分支由沿气道中心线以固定间隔提取的三个2D切块组成。Yun等人使用2.5D卷积神经网络采用对切块进行分类的方式进行气道分割,切块由采样点处的三个正交方向上的三个切片组成。使用迭代的方式不断延伸气道树长度。Meng等人结合3D U-Net和基于图像的跟踪算法,先使用区域生长算法得到较粗糙的气道,再沿着粗糙气道的中心线设置VOI用3D U-Net提取更为精确的气道分割结果。Jin通过对3D ConvNet得到的粗糙的分割结果应用模糊连通性分割和曲线骨架来进行提升。Qin提出了一种26连通性建模的方法来对标签进行编码。他们将常规的二值化的分割任务转换为26个连通性预测任务,其中相邻体素之间的关系用于增强网络对连通性的认识。
现有方法大都能在气管和主支气管这些尺寸较大、成像效果更明显的子结构上取得很好的分割效果,而对于更进一步的叶内支气管的分割效果较差,但这对于辅助进一步的肺段分割十分重要。
发明内容
本发明旨在提供一种三维多尺度特征聚合的深度神经网络用于准确高效地对肺气道进行分割,尤其提升叶内支气管的分割效果。
为达到上述目的,本发明是采用以下技术方案实现的:
一种基于神经网络的计算机辅助肺气道分割方法,包括以下步骤:
步骤s1:数据准备:预先准备若干病人的肺部CT图像并标定其中的待分割肺气道;
步骤s2:数据预处理:对肺部CT图像中的肺部区域进行分割,得到输入数据;
步骤s3:建构三维多尺度特征聚合网络并训练三维多尺度特征聚合网络:所述三维多尺度特征聚合网络包括三维全卷积神经网络以及多尺度特征聚合模块,三维多尺度特征聚合网络以U-Net网络作为基础框架,三维多尺度特征聚合网络呈U型结构且采用跨层连接方式;所述训练所采用训练数据为采集的数据和步骤s1所得到的标定后的肺部CT图像;
步骤s4:将所述输入数据输入经历步骤s3后的三维多尺度特征聚合网络,得到输出结果;
步骤s5:对输出结果进行后处理,得到肺气道分割结果。
优选的,在步骤s1中,所述标定包括以下步骤:
步骤s101:使用区域增长算法和简单阈值算法获得粗略肺气道分割结果;
步骤s102:将所述肺部CT图像分为两个子集,每个子集均由3D U-Net训练一个基础模型并对另一个子集进行预测,得到预测结果;
步骤s103:人工修正所述预测结果得到肺气道分割的参考标准。
优选的,在步骤s2中,所述分割包括以下步骤:
步骤s201:以肺部为中心裁剪标定后的肺部CT图像,中心裁剪的边界框固定为240*352像素;
步骤s202:使用给定的阈值对CT图像进行二值化处理,然后通过清除边界、腐蚀及膨胀完整地分割出肺部的有效区域;
步骤s203:在肺部CT图像的轴向上使用滑动窗口进行裁剪且大小为32,得到32*240*352像素的切块,以此作为所述输入数据。
优选的,在步骤s2中,将HU值在-1200~200范围内的像素值映射到0~1的范围,低于-1200的像素将被置为0,高于-200的像素将被置为1。
优选的,所述三维全卷积神经网络由一个降采样的收缩路径和一个上采用的扩展路径组成,分别有四个分辨率尺度;在每个分辨率上的卷积操作包括两个带组归一化层的卷积层、一个线性整流单元以及一个最大池化层;在所述扩展路径中,来自低分辨率的更精细的特征图使用线上采样,并与跳层连接中的粗糙特征进行合并。
优选的,所述多尺度特征聚合模块由普通三维卷积、三维空洞卷积以及平均池化层组成,所述三维空洞卷积可用下式表示:
其中,P,Q,M表示卷积核的三个维度,C表示通道;表示第l+1层坐标为(i,j,k)的神经元的输入,由权重矩阵为wl的卷积操作和前一层的输出al计算得到;al通过对前一层的输出zl-1应用非线性激活函数得到;r表示空洞卷积中的膨胀率,等价于在卷积核的两个相邻元素之间插入r-1个零元素;当膨胀率r=1的时候,三维空洞卷积等价于普通三维卷积。
其中,pi和gi分别是第i个体素的预测概率和期望的输出,N表示体素总数,∈表示一个用于避免除数为零的常量。
优选的,在步骤s4中,采用Adam优化器对所述三维全卷积神经网络进行优化,设置三维全卷积神经网络的学习率为0.001,设置超参数β1和β2的默认值分别为0.9和0.999,设置权重衰减率为10-5。
优选的,在步骤s4中,作为所述输入数据的切块会随机进行水平或者上下翻转,其随机概率为0.5。
优选的,所述输出结果为预测概率图切块,在步骤s5中,将生成预测概率图切块的滑动窗口设置为8个像素;所述后处理包括以下步骤:
步骤s501:将所有预测概率图切块按照相应的序列重建为全尺寸的预测概率图并将预测概率图重新归一化;
步骤s502:按照阈值0.5将全尺寸的预测概率图二值化,并使用最大联通区域去除假阳性区域,得到肺气道分割结果。
本发明具有以下有益效果:
1、本发明采用了三维网络结构,可以直接对三维CT影像中的肺气道进行分割,这使得我们的方法可以利用更加丰富的三维空间信息,比如树状结构、分支连续性等,有效提高了分割方法的准确性;
2、相对于较易分割的气管和主支气管结构,叶内气道是结构更为复杂,分割难度更高的部分,本发明提出的三维多尺度特征聚合网络的网络结构提高了对这一类小支气管的敏感性,能够获得更准确的分割结果,为进一步的解剖结构提供参考;
3、本发明可以实现快速高效的气道分割,实现无人值守批量操作,且速度可随设备性能的扩展提升,还可有效减少医生手动勾画的时间成本,使医生的精力能集中于更高层次的诊断方案设计。
附图说明
图1为三维多尺度特征聚合网络结构图;
图2为多尺度特征聚合模块结构图;
图3为多个膨胀率的三维空洞卷积对气道结构的多尺度特征示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。
一种基于神经网络的计算机辅助肺气道分割方法,包括以下步骤:
步骤s1:
数据准备:预先准备若干病人的肺部CT图像并标定其中的待分割肺气道。
具体地,在步骤s1中,所述标定包括以下步骤:
步骤s101:使用区域增长算法和简单阈值算法获得粗略肺气道分割结果;
步骤s102:将所述肺部CT图像分为两个子集,每个子集均由3D U-Net训练一个基础模型并对另一个子集进行预测,得到预测结果;
步骤s103:人工修正所述预测结果得到肺气道分割的参考标准。
步骤s2:
数据预处理:对肺部CT图像中的肺部区域进行分割,得到输入数据。
具体地,在步骤s2中,所述分割包括以下步骤:
步骤s201:以肺部为中心裁剪标定后的肺部CT图像,中心裁剪的边界框固定为240*352像素;
步骤s202:使用给定的阈值对CT图像进行二值化处理,然后通过清除边界、腐蚀及膨胀完整地分割出肺部的有效区域;
步骤s203:在肺部CT图像的轴向上使用滑动窗口进行裁剪且大小为32,得到32*240*352像素的切块,以此作为所述输入数据。
同时,在步骤s2中,将HU值在-1200~200范围内的像素值映射到0~1的范围,低于-1200的像素将被置为0,高于-200的像素将被置为1。
步骤s3:
建构三维多尺度特征聚合网络并训练三维多尺度特征聚合网络:如图1,所述三维多尺度特征聚合网络包括三维全卷积神经网络以及多尺度特征聚合模块,三维多尺度特征聚合网络以U-Net网络作为基础框架,三维多尺度特征聚合网络呈U型结构且采用跨层连接方式;所述训练所采用训练数据为采集的数据和步骤s1所得到的标定后的肺部CT图像。
具体地,所述三维全卷积神经网络由一个降采样的收缩路径和一个上采用的扩展路径组成,分别有四个分辨率尺度;在每个分辨率上的卷积操作包括两个带组归一化层的卷积层、一个线性整流单元以及一个最大池化层;在所述扩展路径中,来自低分辨率的更精细的特征图使用线上采样,并与跳层连接中的粗糙特征进行合并。
同时,如图2,所述多尺度特征聚合模块由普通三维卷积、三维空洞卷积以及平均池化层组成,所述三维空洞卷积可用下式表示:
其中,P,Q,M表示卷积核的三个维度,C表示通道;表示第l+1层坐标为(i,j,k)的神经元的输入,由权重矩阵为wl的卷积操作和前一层的输出al计算得到;al通过对前一层的输出zl-1应用非线性激活函数得到;r表示空洞卷积中的膨胀率,等价于在卷积核的两个相邻元素之间插入r-1个零元素;当膨胀率r=1的时候,三维空洞卷积等价于普通三维卷积。
如图3,在2D情况下,绿色正方形代表卷积核的元素,与标准卷积相比,膨胀率为r的空洞卷积可以将n*n个滤波器的卷积核扩大到ne=n+(n-1)*(r-1),并保持计算成本不变。这种可控的感受野让空洞卷积在关注局部图像特征的同时捕获更多的上下文信息。更重要的是当多个膨胀率的空洞卷积并行作用在特征图的时候可以对感受野进行互补,学习气道的不同尺度特征的最佳表示。在多尺度特征聚合模块中,设有三个不同膨胀率的空洞卷积用于提取多尺度信息。此外,内核大小为1的卷积操作用于关注局部信息,池化和插值使网络建立图像级别的语义理解。最后这些不同尺度的特征将被集成用于表示丰富的多尺度信息。
步骤s4:
将所述输入数据输入经历步骤s3后的三维多尺度特征聚合网络,得到输出结果。
其中,pi和gi分别是第i个体素的预测概率和期望的输出,N表示体素总数,∈表示一个用于避免除数为零的常量。
同时,在步骤s4中,采用Adam优化器对所述三维全卷积神经网络进行优化,设置三维全卷积神经网络的学习率为0.001,设置超参数β1和β2的默认值分别为0.9和0.999,设置权重衰减率为10-5。并且,在步骤s4中,作为所述输入数据的切块会随机进行水平或者上下翻转,其随机概率为0.5。
步骤s5:
对输出结果进行后处理,得到肺气道分割结果。
具体地,所述输出结果为预测概率图切块,在步骤s5中,将生成预测概率图切块的滑动窗口设置为8个像素;所述后处理包括以下步骤:
步骤s501:将所有预测概率图切块按照相应的序列重建为全尺寸的预测概率图并将预测概率图重新归一化;
步骤s502:按照阈值0.5将全尺寸的预测概率图二值化,并使用最大联通区域去除假阳性区域,得到肺气道分割结果。
当然,本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (9)
1.一种基于神经网络的计算机辅助肺气道分割方法,其特征在于,包括以下步骤:
步骤s1:数据准备:预先准备若干病人的肺部CT图像并标定其中的待分割肺气道;
步骤s2:数据预处理:对肺部CT图像中的肺部区域进行分割,得到输入数据;
步骤s3:建构三维多尺度特征聚合网络并训练三维多尺度特征聚合网络:所述三维多尺度特征聚合网络包括三维全卷积神经网络以及多尺度特征聚合模块,三维多尺度特征聚合网络以U-Net网络作为基础框架,三维多尺度特征聚合网络呈U型结构且采用跨层连接方式;所述训练所采用训练数据为所述肺部CT图像和步骤s1所得到的标定后的肺部CT图像;所述多尺度特征聚合模块由普通三维卷积、三维空洞卷积以及平均池化层组成,所述多尺度特征聚合模块中设有三个不同膨胀率的空洞卷积用于提取多尺度信息,内核大小为1的卷积操作用于关注局部信息,池化和插值使网络建立图像级别的语义理解,最后这些不同尺度的特征将被集成用于表示丰富的多尺度信息,所述三维空洞卷积可用下式表示:
其中,P,Q,M表示卷积核的三个维度,C表示通道;表示第l+1层坐标为(i,j,k)的神经元的输入,由权重矩阵为wl的卷积操作和前一层的输出al计算得到;al通过对前一层的输出zl-1应用非线性激活函数得到;r表示空洞卷积中的膨胀率,等价于在卷积核的两个相邻元素之间插入r-1个零元素;当膨胀率r=1的时候,三维空洞卷积等价于普通三维卷积;
步骤s4:将所述输入数据输入经历步骤s3后的三维多尺度特征聚合网络,得到输出结果;
步骤s5:对输出结果进行后处理,得到肺气道分割结果。
2.根据权利要求1所述的一种基于神经网络的计算机辅助肺气道分割方法,其特征在于:在步骤s1中,所述标定包括以下步骤:
步骤s101:使用区域增长算法和简单阈值算法获得粗略肺气道分割结果;
步骤s102:将所述肺部CT图像分为两个子集,每个子集均由3D U-Net训练一个基础模型并对另一个子集进行预测,得到预测结果;
步骤s103:人工修正所述预测结果得到肺气道分割的参考标准。
3.根据权利要求1所述的一种基于神经网络的计算机辅助肺气道分割方法,其特征在于:在步骤s2中,所述分割包括以下步骤:
步骤s201:以肺部为中心裁剪标定后的肺部CT图像,中心裁剪的边界框固定为240*352像素;
步骤s202:使用给定的阈值对CT图像进行二值化处理,然后通过清除边界、腐蚀及膨胀完整地分割出肺部的有效区域;
步骤s203:在肺部CT图像的轴向上使用滑动窗口进行裁剪且大小为32,得到32*240*352像素的切块,以此作为所述输入数据。
4.根据权利要求1所述的一种基于神经网络的计算机辅助肺气道分割方法,其特征在于:在步骤s2中,将HU值在-1200~200范围内的像素值映射到0~1的范围,低于-1200的像素将被置为0,高于-200的像素将被置为1。
5.根据权利要求1所述的一种基于神经网络的计算机辅助肺气道分割方法,其特征在于:所述三维全卷积神经网络由一个降采样的收缩路径和一个上采用的扩展路径组成,分别有四个分辨率尺度;在每个分辨率上的卷积操作包括两个带组归一化层的卷积层、一个线性整流单元以及一个最大池化层。
7.根据权利要求1所述的一种基于神经网络的计算机辅助肺气道分割方法,其特征在于:在步骤s4中,采用Adam优化器对所述三维全卷积神经网络进行优化,设置三维全卷积神经网络的学习率为0.001,设置超参数β1和β2的默认值分别为0.9和0.999,设置权重衰减率为10-5。
8.根据权利要求1所述的一种基于神经网络的计算机辅助肺气道分割方法,其特征在于:在步骤s4中,作为所述输入数据的切块会随机进行水平或者上下翻转,其随机概率为0.5。
9.根据权利要求1所述的一种基于神经网络的计算机辅助肺气道分割方法,其特征在于:所述输出结果为预测概率图切块,在步骤s5中,将生成预测概率图切块的滑动窗口设置为8个像素;所述后处理包括以下步骤:
步骤s501:将所有预测概率图切块按照相应的序列重建为全尺寸的预测概率图并将预测概率图重新归一化;
步骤s502:按照阈值0.5将全尺寸的预测概率图二值化,并使用最大连通区域去除假阳性区域,得到肺气道分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011628297.8A CN114693698B (zh) | 2020-12-30 | 2020-12-30 | 一种基于神经网络的计算机辅助肺气道分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011628297.8A CN114693698B (zh) | 2020-12-30 | 2020-12-30 | 一种基于神经网络的计算机辅助肺气道分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114693698A CN114693698A (zh) | 2022-07-01 |
CN114693698B true CN114693698B (zh) | 2023-06-20 |
Family
ID=82134839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011628297.8A Active CN114693698B (zh) | 2020-12-30 | 2020-12-30 | 一种基于神经网络的计算机辅助肺气道分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114693698B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116543167B (zh) * | 2023-07-04 | 2023-09-05 | 真健康(北京)医疗科技有限公司 | Ct图像分割方法及设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10140544B1 (en) * | 2018-04-02 | 2018-11-27 | 12 Sigma Technologies | Enhanced convolutional neural network for image segmentation |
CN108986124A (zh) * | 2018-06-20 | 2018-12-11 | 天津大学 | 结合多尺度特征卷积神经网络视网膜血管图像分割方法 |
CN109063710A (zh) * | 2018-08-09 | 2018-12-21 | 成都信息工程大学 | 基于多尺度特征金字塔的3d cnn鼻咽癌分割方法 |
CN109636802A (zh) * | 2019-01-18 | 2019-04-16 | 天津工业大学 | 基于深度卷积神经网络的肺实质经ct图像分割方法 |
CN110910405A (zh) * | 2019-11-20 | 2020-03-24 | 湖南师范大学 | 基于多尺度空洞卷积神经网络的脑肿瘤分割方法及系统 |
CN111028248A (zh) * | 2019-12-19 | 2020-04-17 | 杭州健培科技有限公司 | 一种基于ct图像的静动脉分离方法及装置 |
CN111192245A (zh) * | 2019-12-26 | 2020-05-22 | 河南工业大学 | 一种基于U-Net网络的脑肿瘤分割网络及分割方法 |
CN111445481A (zh) * | 2020-03-23 | 2020-07-24 | 江南大学 | 一种基于尺度融合的腹部ct多器官的分割方法 |
CN111563902A (zh) * | 2020-04-23 | 2020-08-21 | 华南理工大学 | 一种基于三维卷积神经网络的肺叶分割方法及系统 |
CN112132833A (zh) * | 2020-08-25 | 2020-12-25 | 沈阳工业大学 | 一种基于深度卷积神经网络的皮肤病图像病灶分割方法 |
-
2020
- 2020-12-30 CN CN202011628297.8A patent/CN114693698B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10140544B1 (en) * | 2018-04-02 | 2018-11-27 | 12 Sigma Technologies | Enhanced convolutional neural network for image segmentation |
CN108986124A (zh) * | 2018-06-20 | 2018-12-11 | 天津大学 | 结合多尺度特征卷积神经网络视网膜血管图像分割方法 |
CN109063710A (zh) * | 2018-08-09 | 2018-12-21 | 成都信息工程大学 | 基于多尺度特征金字塔的3d cnn鼻咽癌分割方法 |
CN109636802A (zh) * | 2019-01-18 | 2019-04-16 | 天津工业大学 | 基于深度卷积神经网络的肺实质经ct图像分割方法 |
CN110910405A (zh) * | 2019-11-20 | 2020-03-24 | 湖南师范大学 | 基于多尺度空洞卷积神经网络的脑肿瘤分割方法及系统 |
CN111028248A (zh) * | 2019-12-19 | 2020-04-17 | 杭州健培科技有限公司 | 一种基于ct图像的静动脉分离方法及装置 |
CN111192245A (zh) * | 2019-12-26 | 2020-05-22 | 河南工业大学 | 一种基于U-Net网络的脑肿瘤分割网络及分割方法 |
CN111445481A (zh) * | 2020-03-23 | 2020-07-24 | 江南大学 | 一种基于尺度融合的腹部ct多器官的分割方法 |
CN111563902A (zh) * | 2020-04-23 | 2020-08-21 | 华南理工大学 | 一种基于三维卷积神经网络的肺叶分割方法及系统 |
CN112132833A (zh) * | 2020-08-25 | 2020-12-25 | 沈阳工业大学 | 一种基于深度卷积神经网络的皮肤病图像病灶分割方法 |
Non-Patent Citations (4)
Title |
---|
3D Spatial Pyramid Dilated Network for Pulmonary Nodule Classification;Guokai Zhang等;《Symmetry》;1-16 * |
Infant brain MRI segmentation with dilated convolution pyramid downsampling and self-attention;Zhihao Lei等;《https://arxiv.org/abs/1912.12570v1》;1-5 * |
三维卷积网络在脑海马体分割中的应用;刘辰等;《计算机科学与探索》;493-501 * |
基于空洞卷积的三维并行卷积神经网络脑肿瘤分割;冯博文等;《激光与光电子学进展》;92-101 * |
Also Published As
Publication number | Publication date |
---|---|
CN114693698A (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yun et al. | Improvement of fully automated airway segmentation on volumetric computed tomographic images using a 2.5 dimensional convolutional neural net | |
CN109584246B (zh) | 基于多尺度特征金字塔的dcm心肌诊疗放射影像分割方法 | |
CN111709953B (zh) | Ct影像的肺叶段分割中的输出方法、装置 | |
CN108428229B (zh) | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 | |
Bi et al. | Automatic liver lesion detection using cascaded deep residual networks | |
CN105574859B (zh) | 一种基于ct图像的肝脏肿瘤分割方法及装置 | |
Hu et al. | Automatic 3D liver segmentation based on deep learning and globally optimized surface evolution | |
CN110889852B (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
Tang et al. | A multi-stage framework with context information fusion structure for skin lesion segmentation | |
WO2019000455A1 (zh) | 图像分割的方法及系统 | |
Wu et al. | Automatic glioma segmentation based on adaptive superpixel | |
Chen et al. | Pathological lung segmentation in chest CT images based on improved random walker | |
Ren et al. | An unsupervised semi-automated pulmonary nodule segmentation method based on enhanced region growing | |
Liao et al. | A segmentation method for lung parenchyma image sequences based on superpixels and a self-generating neural forest | |
CN112819747A (zh) | 一种基于肺部断层扫描图片自动诊断结节良恶性的方法 | |
Chen et al. | A lung dense deep convolution neural network for robust lung parenchyma segmentation | |
Selver | Segmentation of abdominal organs from CT using a multi-level, hierarchical neural network strategy | |
Sun et al. | Context matters: Graph-based self-supervised representation learning for medical images | |
Osadebey et al. | Three-stage segmentation of lung region from CT images using deep neural networks | |
Wang et al. | Anomaly segmentation in retinal images with poisson-blending data augmentation | |
Bai et al. | A deep learning approach to segmentation of nasopharyngeal carcinoma using computed tomography | |
Anil et al. | Automatic liver tumor segmentation based on multi-level deep convolutional networks and fractal residual network | |
Liu et al. | Extracting lungs from CT images via deep convolutional neural network based segmentation and two-pass contour refinement | |
Banerjee et al. | A CADe system for gliomas in brain MRI using convolutional neural networks | |
CN111784638A (zh) | 一种基于卷积神经网络的肺结节假阳性筛除方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |