CN114764811A - 一种基于动态超声视频的病灶区域实时分割装置 - Google Patents
一种基于动态超声视频的病灶区域实时分割装置 Download PDFInfo
- Publication number
- CN114764811A CN114764811A CN202210246874.XA CN202210246874A CN114764811A CN 114764811 A CN114764811 A CN 114764811A CN 202210246874 A CN202210246874 A CN 202210246874A CN 114764811 A CN114764811 A CN 114764811A
- Authority
- CN
- China
- Prior art keywords
- layer
- current frame
- image
- representing
- segmentation
- 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.)
- Granted
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 64
- 230000003902 lesion Effects 0.000 title description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 230000010354 integration Effects 0.000 claims abstract description 9
- 238000011176 pooling Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 238000002604 ultrasonography Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000001685 thyroid gland Anatomy 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/10132—Ultrasound image
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)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及一种基于动态超声视频的病灶区域实时分割装置,包括:图像获取模块:用于获取视频流超声图像的当前帧;分割模块:用于将所述当前帧输入优化后的神经网络来得到病灶区域的分割结果,其中,所述优化后的神经网络通过线性运算整合和精度校准得到。本发明能够连续、准确且实时分割视频流超声图像的病灶区域。
Description
技术领域
本发明涉及辅助医学诊断技术领域,特别是涉及一种基于动态超声视频的病灶区域实时分割装置。
背景技术
基于超声视频的病灶区域(肿块)分割能够提供病灶区域的准确信息,能够有效的辅助临床超声诊断过程,为临床医生提供了更加精准的诊断依据,已成为当前医疗领域中的一个重要的研究方向,随着人工智能技术的不断发展,基于神经网络的病灶区域(肿块)分割技术不断革新,为了更加符合临床医生的临床诊断过程,需要解决的问题主要有两个方面:一是较难实现实时的分割算法;二是相邻帧之间的分割结果差异性较大,很难得到统一性结果。
发明内容
本发明所要解决的技术问题是提供一种基于动态超声视频的病灶区域实时分割装置,能够连续、准确且实时分割视频流超声图像的病灶区域。
本发明解决其技术问题所采用的技术方案是:提供一种基于动态超声视频的病灶区域实时分割装置,包括:
图像获取模块:用于获取视频流超声图像的当前帧;
分割模块:用于将所述当前帧输入优化后的神经网络来得到病灶区域的分割结果,其中,所述优化后的神经网络通过线性运算整合和精度校准得到。
所述分割模块中的线性运算整合包括:
将神经网络中的卷积层、批正则化层和激活层合并成一个块结构;
将神经网络中结构相同但权值不同的层合并成一个新的层。
所述分割模块中的精度校准具体为:通过取消反向传播来降低线性运算整合后神经网络的数据精度。
所述优化后的神经网络包括骨干网络、空洞卷积层模块、全卷积层,所述骨干网络和全卷积层连接,所述骨干网络用于提取超声图像的浅层特征和深层特征,所述空洞卷积层池化层用于根据深层特征生成空洞卷积池化特征,所述全卷积层用于根据浅层特征和空洞卷积池化特征得到病灶区域的分割结果。
所述骨干网络包括依次连接的第一CBR单元、若干第一组IN_Block单元、若干第二组IN_Block单元和第二CBR单元,其中,所述第一组IN_Block单元和第二组IN_Block单元均包括第三CBR单元、第四CBR单元、卷积层Conv和批标准化层BN;所述第一CBR单元、第二CBR单元、第三CBR单元和第四CBR单元均包括卷积层Conv、批标准化层BN和激活函数层ReLU;
所述空洞卷积层池化层包括三个卷积核心距离不同的A_CBR单元和Pooling单元,并且三个卷积核心距离不同的A_CBR单元和Pooling单元通过concatenate连接后与卷积层Conv相连,其中,三个卷积核心距离不同的A_CBR单元均包括空洞卷积层A_Conv、批标准化层BN和激活函数层ReLU;
所述空洞卷积层池化层根据第二CBR单元输出的深层特征生成空洞卷积池化特征,所述第一组IN_Block单元输出的浅层特征经过卷积层Conv后和空洞卷积池化特征通过concatenate连接并输入全卷积层;
所述全卷积层包括依次连接的卷积层Conv和上采样层。
还包括相似度计算模块:用于计算所述当前帧和前一帧的相似度;当相似度计算结果小于预设阈值时,则当前帧的病灶区域采用前一帧病灶区域的分割结果;当相似度计算结果大于预设阈值时,则通过分割模块将所述当前帧输入优化后的神经网络,得到病灶区域的分割结果。
所述相似度计算模块通过计算所述当前帧和前一帧的相似度,其中,C(In,In-1)表示当前帧与前一帧的相似度,In表示当前帧,In-1表示前一帧,MI(In,In-1)表示当前帧与前一帧的互信息,H(In)表示当前帧的熵,H(In,In-1)表示当前帧与前一帧的联合熵,j表示像素的序号,aj表示图像中第j个像素的灰度值,N表示图像中像素的数量减1,x表示当前帧中像素灰度值,y表示前一帧中像素灰度值,p(aj)表示灰度值aj在图像中出现的概率,表示当前帧和前一帧的联合概率。
还包括图像预处理模块:用于对所述当前帧进行平滑处理和对比度增强。
所述图像预处理模块通过对当前帧进行平滑处理,其中,p表示图像中的像素点,fp表示平滑处理后像素点p的灰度值,gp表示平滑处理前像素点p的灰度值,|fp-fp+1|≠0表示第0范数,#表示计算个数,c(f)表示输出图像中0范数的个数,α表示用于调节输入图像平滑程度的可调节参数。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明的病灶区域实时分割装置能够连续、准确且实时地分割器官病灶区域(肿块),能够有效节约临床医生对病灶区域分析的时间;本发明通过计算当前帧和前一帧的相似度,并通过相似度判断结果来得到病灶区域的分割结果,尤其当前帧和前一帧的相似度小于预设阈值时,当前帧采直接用前一帧的分割结果能够有效节约计算时间,保证了时效性;本发明的还对神经网络进行了模型简化,能够加快计算速度,确保实用性。
附图说明
图1是本发明实施方式的流程图;
图2是本发明实施方式的神经网络结构示意图;
图3是本发明实施方式的实验结果对比示意图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于动态超声视频的病灶区域实时分割装置,请参阅图1,包括:
图像获取模块:用于获取视频流超声图像的当前帧;
图像预处理模块:用于对所述当前帧进行平滑处理和对比度增强;
相似度计算模块:用于计算当前帧和前一帧的相似度;
分割模块:用于根据相似度计算结果来获取病灶区域的分割结果,其中,当相似度计算结果小于预设阈值时,则当前帧的病灶区域采用前一帧病灶区域的分割结果;当相似度计算结果大于预设阈值时,则将所述当前帧输入优化后的神经网络,得到病灶区域的分割结果,所述优化后的神经网络通过通过线性运算整合和精度校准得到。
以下对本实施方式进行详细描述:
1.图像预处理
在图像预处理模块中,为了能够更好的突显超声图像中病灶区域的边缘,淡化图像中纹理对真实病灶边缘对的影像,在对图像进行计算前,首先对当前帧的超声图像进行平滑处理,公式如下:
其中,p表示图像中的像素点,fp表示预处理后该像素点的灰度值,gp表示预处理前该像素点的灰度值,|fp-fp+1|≠0表示第0范数,#表示计算个数,c(f)表示输出图像中0范数的个数,α表示可调节参数,用于调节输入图像的平滑程度。
通过上述平滑处理方法,可以较好的保留图像的边缘信息,并最大的去掉冗余的纹理信息,为了更进一步提高病灶区域的可识别度,强化边缘信息,下一步对超声图像进行对比度增强处理,公式如下:
其中,S表示增强对比度后的灰度值,r表示输入像素的灰度值,m表示灰度拉伸系数,E表示灰度变化的程度,ε是一个极小值,经过对比度增强可以进一步提高区域识别的效果。
2.神经网络模型优化
在分割模块中,基于深度学习语义分割网络通常比较复杂,推理过程较慢,本实施方式为达到实时分割视频的效果,采用线性运算整合和精度校准两种方式进行模型(即神经网络)的优化。
(1)线性运算整合。一是将卷积层、批正则化层和激活层合并成一个块结构,使该块结构在推理时只占用一个运算核心;二是纵观整体网络,把结构相同但是权值不同的层合并成一个更宽的层,同样只占用一个运算核心。通过这两种方式的合并,整体网络结构的层次更少,占用的运算核心数也减少了,因此整个模型结构会更小、更快、更高效。
(2)精度校准。通常,神经网络训练后是FP32精度的网络,网络训练完成后,本实施方式通过设置取消单元,在部署推理的过程中由于不需要反向传播,因此可以适当降低数据精度,可将数据降为FP16的精度。进而会使得内存占用和延迟更低,模型体积更小。
请参阅图2,所述优化后的神经网络包括骨干网络、空洞卷积层模块、全卷积层,所述骨干网络和全卷积层连接,所述骨干网络用于提取超声图像的浅层特征和深层特征,所述空洞卷积层池化层用于根据深层特征生成空洞卷积池化特征,所述全卷积层用于根据浅层特征和空洞卷积池化特征得到病灶区域的分割结果。
进一步地,所述骨干网络包括依次连接的第一CBR单元、第一组IN_Block单元(3个)、第二组IN_Block单元(14个)和第二CBR单元,其中,所述第一组IN_Block单元和第二组IN_Block单元均包括第三CBR单元、第四CBR单元、卷积层Conv和批标准化层BN;所述第一CBR单元、第二CBR单元、第三CBR单元和第四CBR单元均包括卷积层Conv、批标准化层BN和激活函数层ReLU。
进一步地,所述空洞卷积层池化层包括三个卷积核心距离不同的A_CBR单元和Pooling单元,并且三个卷积核心距离不同的A_CBR单元和Pooling单元通过concatenate连接后与卷积层Conv相连,其中,三个卷积核心距离不同的A_CBR单元均包括空洞卷积层A_Conv、批标准化层BN和激活函数层ReLU。
进一步地,所述全卷积层包括依次连接的卷积层Conv和上采样层。
进一步地,所述空洞卷积层池化层根据第二CBR单元输出的深层特征生成空洞卷积池化特征,所述第一组IN_Block单元输出的浅层特征经过卷积层Conv后和空洞卷积池化特征通过concatenate连接并输入全卷积层。
进一步地,所述分割模块中,当相似度计算结果大于预设阈值,则将所述当前帧输入优化后的神经网络,得到病灶区域的分割结果,包括:
(1)首先将输入图像以双三次插值的方式缩放至256×256大小,通道数量设置为3。
(2)将调整尺寸后的输入图像输入到骨干网络以提取特征,经过骨干网得到输出尺寸为24×64×64的浅层图像特征矩阵(由第一组IN_Block单元输出)和320×16×16的深层图像特征矩阵。
(3)将深层图像特征矩阵(320×16×16)分别输入到卷积核心距离为6、12、18的三个空洞卷积层(即A_CBR单元)中以及一个全局池化层(即Pooling单元)中,获取四个相同尺寸、不同感受野的特征矩阵,并将四个特征矩阵进行拼接后经过1×1Conv得到空洞卷积池化特征。
(4)通过特征连接的方式,将空洞卷积池化特征进行上采样,得到尺寸为256×64×64的特征矩阵,并与经过1×1Conv的浅层图像特征矩阵(320×16×16)拼接成最终特征矩阵,并通过3×3的全卷积层、上采样层得到尺寸为256×256×2的预测判断矩阵。
(5)通过判断预测判断矩阵中每个点的置信度,来确定分割区域,再以最近邻插值的方式将输出图像调节为原图大小,得到最终的分割结果。
4.连续帧间的图像配准
在相似度计算模块中,在输入每一帧图像后,首先判断当前帧图像与前序帧图像的相似度,如果相似度较高则当前帧保持前序帧的分割结果,以确保整体分割结果的一致性。本实施方式通过图像配准的方式进行图像相似度的计算,公式如下:
其中,C(In,In-1)表示当前帧与前一帧的相似度,In表示当前帧,In-1表示前一帧,MI(In,In-1)表示当前帧与前一帧的互信息,H(In)表示当前帧的熵,H(In,In-1)表示当前帧与前一帧的联合熵,j表示像素的序号,aj表示图像中第j个像素的灰度值,N表示图像中像素的数量减1,x表示当前帧In中像素灰度值,y表示前一帧In-1中像素灰度值,p(aj)表示灰度值aj在整张图像中出现的概率,表示两张图像的联合概率。互信息(MutualInformation,MI)描述了两个分布之间的相关性,解释了互相包含信息的多少。在图像配准中,两幅图的互信息是通过它们的熵以及联合熵,来反映它们之间信息的相互包含程度。当两幅图像相似度越高或重合部分越大时,其相关性也越大,互信息越大,则它们的相似度结果越高。
5.分割结果一致性匹配
在本实施方式中,所述判断与分割模块包括第一处理单元和第二处理单元,所述第一处理单元用于在相似度计算结果小于预设阈值时,则当前帧的病灶区域采用前一帧病灶区域的分割结果;所述第二处理单元用于在相似度计算结果大于预设阈值时,则将所述当前帧输入优化后的神经网络,得到病灶区域的分割结果,具体如下:
通过公式(3)得到当前帧与前一帧的相似度结果后,如果相似度结果小于预设阈值(通过实验得到),则认为当前帧的分割结果可由前一帧的分割结果获得,不需要通过神经网络分割模型计算,通过这种方式可得到视频流中较好的分割一致性效果。
请参阅图3,(a)为前一帧图像,(b)和(c)均为当前帧,且(b)经公式(3)计算后图像相似度小于预设阈值,即(b)采用(a)的分割结果作为自身病灶区域的分割结果,(c)则重新分割计算,从(c)中可以发现:如果重新进行分割计算,则产生了较明显的分割差异,因此本实施方式会产生较好的帧间一致性效果。
实验结果分析:
一、准确率
经测试1500张甲状腺超声图像,本实施方式提出的病灶区域实时分割装置可达到准确率(Acc)96.7%,mIoU88.3%的判断效果。
二、实时性
本实施方式提出的病灶区域实时分割装置,在Core i7-10700处理器的运行环境中,病灶区域检测速度达到47.5FPS,满足超声临床需求,并且基于CPU的运算更方便软件部署,增强了使用的灵活性。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (10)
1.一种基于动态超声视频的病灶区域实时分割装置,其特征在于,包括:
图像获取模块:用于获取视频流超声图像的当前帧;
分割模块:用于将所述当前帧输入优化后的神经网络来得到病灶区域的分割结果,其中,所述优化后的神经网络通过线性运算整合和精度校准得到。
2.根据权利要求1所述的基于动态超声视频的病灶区域实时分割装置,其特征在于,所述分割模块中的线性运算整合包括:
将神经网络中的卷积层、批正则化层和激活层合并成一个块结构;
将神经网络中结构相同但权值不同的层合并成一个新的层。
3.根据权利要求2所述的基于动态超声视频的病灶区域实时分割装置,其特征在于,所述分割模块中的精度校准具体为:通过取消反向传播来降低线性运算整合后神经网络的数据精度。
4.根据权利要求1所述的基于动态超声视频的病灶区域实时分割装置,其特征在于,所述优化后的神经网络包括骨干网络、空洞卷积层模块、全卷积层,所述骨干网络和全卷积层连接,所述骨干网络用于提取超声图像的浅层特征和深层特征,所述空洞卷积层池化层用于根据深层特征生成空洞卷积池化特征,所述全卷积层用于根据浅层特征和空洞卷积池化特征得到病灶区域的分割结果。
5.根据权利要求4所述的基于动态超声视频的病灶区域实时分割装置,其特征在于,所述骨干网络包括依次连接的第一CBR单元、若干第一组IN_Block单元、若干第二组IN_Block单元和第二CBR单元,其中,所述第一组IN_Block单元和第二组IN_Block单元均包括第三CBR单元、第四CBR单元、卷积层Conv和批标准化层BN;所述第一CBR单元、第二CBR单元、第三CBR单元和第四CBR单元均包括卷积层Conv、批标准化层BN和激活函数层ReLU;
所述空洞卷积层池化层包括三个卷积核心距离不同的A_CBR单元和Pooling单元,并且三个卷积核心距离不同的A_CBR单元和Pooling单元通过concatenate连接后与卷积层Conv相连,其中,三个卷积核心距离不同的A_CBR单元均包括空洞卷积层A_Conv、批标准化层BN和激活函数层ReLU;
所述空洞卷积层池化层根据第二CBR单元输出的深层特征生成空洞卷积池化特征,所述第一组IN_Block单元输出的浅层特征经过卷积层Conv后和空洞卷积池化特征通过concatenate连接并输入全卷积层;
所述全卷积层包括依次连接的卷积层Conv和上采样层。
6.根据权利要求4所述的基于动态超声视频的病灶区域实时分割装置,其特征在于,还包括相似度计算模块:用于计算所述当前帧和前一帧的相似度;当相似度计算结果小于预设阈值时,则当前帧的病灶区域采用前一帧病灶区域的分割结果;当相似度计算结果大于预设阈值时,则通过分割模块将所述当前帧输入优化后的神经网络,得到病灶区域的分割结果。
8.根据权利要求1所述的基于动态超声视频的病灶区域实时分割装置,其特征在于,还包括图像预处理模块:用于对所述当前帧进行平滑处理和对比度增强。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210246874.XA CN114764811B (zh) | 2022-03-14 | 2022-03-14 | 一种基于动态超声视频的病灶区域实时分割装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210246874.XA CN114764811B (zh) | 2022-03-14 | 2022-03-14 | 一种基于动态超声视频的病灶区域实时分割装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114764811A true CN114764811A (zh) | 2022-07-19 |
CN114764811B CN114764811B (zh) | 2024-07-09 |
Family
ID=82364710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210246874.XA Active CN114764811B (zh) | 2022-03-14 | 2022-03-14 | 一种基于动态超声视频的病灶区域实时分割装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114764811B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222595A (zh) * | 2019-05-20 | 2019-09-10 | 中国科学院大学 | 一种基于时空卷积神经网络的视频目标分割方法 |
CN110992309A (zh) * | 2019-11-07 | 2020-04-10 | 吉林大学 | 基于深层信息传递网络的眼底图像分割方法 |
CN111028242A (zh) * | 2019-11-27 | 2020-04-17 | 中国科学院深圳先进技术研究院 | 一种肿瘤自动分割系统、方法及电子设备 |
CN111161278A (zh) * | 2019-12-12 | 2020-05-15 | 西安交通大学 | 一种基于深层网络聚合的眼底图像病灶分割方法 |
CN111461202A (zh) * | 2020-03-30 | 2020-07-28 | 上海尽星生物科技有限责任公司 | 甲状腺结节超声图像实时识别方法及装置 |
WO2020215236A1 (zh) * | 2019-04-24 | 2020-10-29 | 哈尔滨工业大学(深圳) | 图像语义分割方法和系统 |
WO2021184817A1 (zh) * | 2020-03-16 | 2021-09-23 | 苏州科技大学 | 一种医学图像中肝脏及其病灶分割的方法 |
CN113570030A (zh) * | 2021-01-18 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、设备以及存储介质 |
CN113781439A (zh) * | 2020-11-25 | 2021-12-10 | 北京医准智能科技有限公司 | 超声视频病灶分割方法及装置 |
US20210401392A1 (en) * | 2019-03-15 | 2021-12-30 | Genentech, Inc. | Deep convolutional neural networks for tumor segmentation with positron emission tomography |
-
2022
- 2022-03-14 CN CN202210246874.XA patent/CN114764811B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210401392A1 (en) * | 2019-03-15 | 2021-12-30 | Genentech, Inc. | Deep convolutional neural networks for tumor segmentation with positron emission tomography |
WO2020215236A1 (zh) * | 2019-04-24 | 2020-10-29 | 哈尔滨工业大学(深圳) | 图像语义分割方法和系统 |
CN110222595A (zh) * | 2019-05-20 | 2019-09-10 | 中国科学院大学 | 一种基于时空卷积神经网络的视频目标分割方法 |
CN110992309A (zh) * | 2019-11-07 | 2020-04-10 | 吉林大学 | 基于深层信息传递网络的眼底图像分割方法 |
CN111028242A (zh) * | 2019-11-27 | 2020-04-17 | 中国科学院深圳先进技术研究院 | 一种肿瘤自动分割系统、方法及电子设备 |
CN111161278A (zh) * | 2019-12-12 | 2020-05-15 | 西安交通大学 | 一种基于深层网络聚合的眼底图像病灶分割方法 |
WO2021184817A1 (zh) * | 2020-03-16 | 2021-09-23 | 苏州科技大学 | 一种医学图像中肝脏及其病灶分割的方法 |
CN111461202A (zh) * | 2020-03-30 | 2020-07-28 | 上海尽星生物科技有限责任公司 | 甲状腺结节超声图像实时识别方法及装置 |
CN113781439A (zh) * | 2020-11-25 | 2021-12-10 | 北京医准智能科技有限公司 | 超声视频病灶分割方法及装置 |
CN113570030A (zh) * | 2021-01-18 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、设备以及存储介质 |
Non-Patent Citations (3)
Title |
---|
ALZBETA TURECKOVA 等: "ISLES Challenge: U-Shaped Convolution Neural Network with Dilated Convolution for 3D Stroke Lesion Segmentation", 4TH INTERNATIONAL WORKSHOP ON BRAINLESION - GLIOMA, MULTIPLE SCLEROSIS, STROKE AND TRAUMATIC BRAIN INJURIES, 26 January 2019 (2019-01-26), pages 319 - 327, XP047502335, DOI: 10.1007/978-3-030-11723-8_32 * |
上官晋太: "多模态图像配准", 31 August 2011, 天津科学技术出版社, pages: 47 - 49 * |
梁晓坤;张志诚;陈思宇;谢耀钦;: "基于L_0范数平滑和图像分割的CT图像阴影校正技术研究", 集成技术, no. 02, 15 March 2017 (2017-03-15), pages 24 - 33 * |
Also Published As
Publication number | Publication date |
---|---|
CN114764811B (zh) | 2024-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113077471B (zh) | 一种基于u型网络的医学图像分割方法 | |
CN112150425B (zh) | 一种基于神经网络的无监督血管内超声图像配准方法 | |
CN111627019B (zh) | 一种基于卷积神经网络的肝脏肿瘤分割方法及系统 | |
CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
CN113240691B (zh) | 一种基于u型网络的医学图像分割方法 | |
CN110969124B (zh) | 基于轻量级多分支网络的二维人体姿态估计方法及系统 | |
CN112819910B (zh) | 基于双鬼注意力机制网络的高光谱图像重建方法 | |
CN111951288B (zh) | 一种基于深度学习的皮肤癌病变分割方法 | |
CN110599528A (zh) | 一种基于神经网络的无监督三维医学图像配准方法及系统 | |
CN111738363B (zh) | 基于改进的3d cnn网络的阿尔茨海默病分类方法 | |
CN113034505B (zh) | 一种基于边缘感知网络的腺体细胞图像分割方法及装置 | |
CN112215844A (zh) | 基于ACU-Net的MRI多模态图像分割方法和系统 | |
CN112070685A (zh) | Hifu治疗系统的动态软组织运动预测的方法 | |
CN112465754A (zh) | 基于分层感知融合的3d医疗图像分割方法、装置及存储介质 | |
CN113781465A (zh) | 基于Grad-CAM的医学图像分割模型可视化方法 | |
CN117934824A (zh) | 一种超声影像的目标区域分割方法、系统及电子设备 | |
CN116823868A (zh) | 一种黑色素肿瘤图像分割方法 | |
Zhang et al. | Multi-scale aggregation networks with flexible receptive fields for melanoma segmentation | |
CN114764811B (zh) | 一种基于动态超声视频的病灶区域实时分割装置 | |
CN116416553A (zh) | 基于时空解耦注意力机制的视频目标分割方法 | |
CN114445418A (zh) | 基于多任务学习的卷积网络的皮肤镜图像分割方法与系统 | |
CN112784800B (zh) | 一种基于神经网络和形状约束的人脸关键点检测方法 | |
CN115100306A (zh) | 针对胰腺区域的四维锥束ct成像方法和装置 | |
CN112967295A (zh) | 一种基于残差网络和注意力机制的图像处理方法及系统 | |
Huang et al. | Efficient click-based interactive segmentation for medical image with improved Plain-ViT |
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 |