CN114881917A - 基于自监督和语义分割的溶栓疗效预测方法及相关装置 - Google Patents

基于自监督和语义分割的溶栓疗效预测方法及相关装置 Download PDF

Info

Publication number
CN114881917A
CN114881917A CN202210265248.5A CN202210265248A CN114881917A CN 114881917 A CN114881917 A CN 114881917A CN 202210265248 A CN202210265248 A CN 202210265248A CN 114881917 A CN114881917 A CN 114881917A
Authority
CN
China
Prior art keywords
image
segmentation
semantic
feature
thrombolytic
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
CN202210265248.5A
Other languages
English (en)
Inventor
黄炳升
黄嘉慧
田君如
谢晓彤
黄强泰
吴颖桐
袁程朗
林楚旋
张洪源
罗梓欣
张乃文
邱峥轩
黄芹芹
陈汉威
叶裕丰
黄�益
黄晨
贺雪平
郭广源
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202210265248.5A priority Critical patent/CN114881917A/zh
Publication of CN114881917A publication Critical patent/CN114881917A/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于自监督和语义分割的溶栓疗效预测方法及相关装置，所述方法包括基于经过自监督训练的分割特征提取模型，提取待检测的MR图像的分割语义特征；基于通过所述分割特征提取模型确定的分割语义特征模板，在所述分割语义特征中选取有效语义特征；基于所述有效语义特征，确定所述MR图像对应的溶栓疗效预测结果。本申请中的分割特征提取模型通过自监督对作为训练数据的无标注MR图像的学习，从而无需对训练数据进行大量标注，同时又可以提高通过分割特征提取模型提取到的分割语义特征的准确性，从而可以提高溶栓疗效预测的准确性。

Description

基于自监督和语义分割的溶栓疗效预测方法及相关装置
技术领域
本申请涉及生物医学技术领域，特别涉及一种基于自监督和语义分割的溶栓疗效预测方法及相关装置。
背景技术
血液在深静脉位置出现异常凝结症状的疾病被称为深静脉血栓(Deep VenousThrombosis，DVT)。DVT常发生于下肢，是仅次于脑血管以及冠状动脉疾病的第三大心血管疾病，每年的发病率约为1‰，且有着逐年上升的趋势。DVT若没有及时就医治疗，大部分会造成血栓形成后遗症，对患者的生活质量有显著消极影响。同时，DVT容易诱发多种并发症，如深静脉血栓形成后综合征或肺栓塞等疾病等。
目前临床上主要采用溶栓治疗的方式治疗DVT，并采用MR影像以及患者的临床症状来进行DVT的溶栓疗效评估，然后结合评估结果和自身临床经验来选择是否进行溶栓治疗。然而，由于溶栓疗效受个人身体素质、年龄、既往病史、病程等多种因素影响，且患者提供的临床信息较为主观，每个医生之间的临床经验存在差异，从而影响导致溶栓治疗选择出现错误或者偏差。
为了解决这个问题，目前普遍采用基于血栓即感兴趣区域(Region Of Interst，ROI)提取影像组学特征，然后基于影像组学特征进行机器学习来进行溶栓疗效预测。然而，基于感兴趣区域提取影像组学特征普遍需要手动勾画血栓，会花费大量时间和精力。
因而现有技术还有待改进和提高。
发明内容
本申请要解决的技术问题在于，针对现有技术的不足，提供一种基于自监督和语义分割的溶栓疗效预测方法及相关装置。
为了解决上述技术问题，本申请实施例第一方面提供了一种基于自监督和语义分割的溶栓疗效预测方法，所述方法包括：
基于经过自监督训练的分割特征提取模型，提取待检测的MR图像的分割语义特征；
基于通过所述分割特征提取模型确定的分割语义特征模板，在所述分割语义特征中选取有效语义特征；
基于所述有效语义特征，确定所述MR图像对应的溶栓疗效预测结果。
所述的基于自监督和语义分割的溶栓疗效预测方法，其中，所述基于通过所述分割特征提取模型确定的分割语义特征模板，在所述分割语义特征中选取有效语义特征具体包括：
采用聚类方式将所述分割语义特征划分为第一特征簇和第二特征簇；
分别确定所述第一特征簇与所述分割语义特征模板的第一相似度，以及所述第二特征簇与所述分割语义特征模板的第二相似度；
基于所述第一相似度和所述第二相似度在所述第一特征簇和所述第二特征簇中选取有效语义特征，其中，所述有效语义特征为所述第一特征簇或所述第二特征簇。
所述的基于自监督和语义分割的溶栓疗效预测方法，其中，所述分割特征提取模型的训练过程具体包括：
基于无标注训练集对预设网络模型进行自监督训练，以得到初始分割模型；
基于有标注训练集对所述初始分割模型进行训练，得到分割特征提取模型。
所述的基于自监督和语义分割的溶栓疗效预测方法，其中，所述基于无标注训练集对预设网络模型进行自监督训练，以得到初始分割模型具体包括：
对所述无标注训练集中的无标注MR图像进行图像变换，以得到变换MR图像；
将变换MR图像输入预设网络模型，通过预设网络模型确定所述无标注MR图像对应的恢复MR图像；
基于所述无标注MR图像与所述恢复MR图像对所述预设网络模型进行训练，以得到初始分割模型。
所述的基于自监督和语义分割的溶栓疗效预测方法，其中，所述分割语义特征模板的确定过程具体包括：
获取若干携带有下肢深静脉血栓的目标MR图像，并分别将各目标MR图像输入分割特征提取模型，通过所述分割特征提取模型确定各目标MR图像各自对应的目标分割语义特征；
基于获取到的所有目标分割语义特征生成分割语义特征模板。
所述的基于自监督和语义分割的溶栓疗效预测方法，其中，所述基于所述有效语义特征，确定所述MR图像对应的溶栓疗效预测结果具体包括：
将所述有效语义特征输入经过训练的分类模型，通过所述分类模型确定所述MR图像对应的溶栓疗效预测结果。
所述的基于自监督和语义分割的溶栓疗效预测方法，其中，所述待检测的MR图像为第一图像段、第二图像段以及第三图像段中的一种或者多种，当待检测的MR图像为第一图像段、第二图像段以及第三图像段中的多种时，所述血管通畅率为多个溶栓疗效预测结果，多个溶栓疗效预测结果与多个待检测的MR图像一一对应，其中，第一图像段为下腔静脉、髂总静脉以及髂外静脉所处范围对应的图像段，第二图像段为股总静脉以及股浅近段所处范围对应的图像段段，第三图像段为股浅远端和腘静脉所处范围段对应的图像段。
本申请实施例第二方面提供了一种基于自监督和语义分割的溶栓疗效预测装置，所述装置包括：
提取模块，用于基于经过自监督训练的分割特征提取模型，提取待检测的MR图像的分割语义特征；
选取模块，用于基于通过所述分割特征提取模型确定的分割语义特征模板，在所述分割语义特征中选取有效语义特征；
确定模块，用于基于所述有效语义特征，确定所述MR图像对应的溶栓疗效预测结果。
本申请实施例第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述的基于自监督和语义分割的溶栓疗效预测方法中的步骤。
本申请实施例第四方面提供了一种终端设备，其包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述通信总线实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现如上任一所述的基于自监督和语义分割的溶栓疗效预测方法中的步骤。
有益效果：与现有技术相比，本申请提供了一种基于自监督和语义分割的溶栓疗效预测方法及相关装置，所述方法包括基于经过自监督训练的分割特征提取模型，提取待检测的MR图像的分割语义特征；基于通过所述分割特征提取模型确定的分割语义特征模板，在所述分割语义特征中选取有效语义特征；基于所述有效语义特征，确定所述MR图像对应的溶栓疗效预测结果。本申请通过中的分割特征提取模型通过自监督对作为训练数据的无标注MR图像的学习，从而无需对训练数据进行大量标注，同时又可以提高通过分割特征提取模型提取到的分割语义特征的准确性，从而提高溶栓疗效预测的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员而言，在不符创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请提供的基于自监督和语义分割的溶栓疗效预测方法的流程图。
图2为本申请提供的基于自监督和语义分割的溶栓疗效预测方法的原理示意图。
图3为本申请提供的基于自监督和语义分割的溶栓疗效预测方法中自监督训练的流程示意图。
图4为本申请提供的基于自监督和语义分割的溶栓疗效预测方法中预设网络模型的结构原理图。
图5为本申请提供的基于自监督和语义分割的溶栓疗效预测装置的结构原理图。
图6为本申请提供的终端设备的结构原理图。
具体实施方式
本申请提供一种基于自监督和语义分割的溶栓疗效预测方法及相关装置，为使本申请的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
应理解，本实施例中各步骤的序号和大小并不意味着执行顺序的先后，各过程的执行顺序以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
发明人经过研究发现，血液在深静脉位置出现异常凝结症状的疾病被称为深静脉血栓(Deep Venous Thrombosis，DVT)。DVT常发生于下肢，是仅次于脑血管以及冠状动脉疾病的第三大心血管疾病，每年的发病率约为1‰，且有着逐年上升的趋势。DVT若没有及时就医治疗，大部分会造成血栓形成后遗症，对患者的生活质量有显著消极影响。同时，DVT容易诱发多种并发症，如深静脉血栓形成后综合征或肺栓塞等疾病等。
目前临床上主要采用溶栓治疗的方式治疗DVT，并采用MR影像以及患者的临床症状来进行DVT的溶栓疗效评估，然后结合评估结果和自身临床经验来选择是否进行溶栓治疗。然而，由于溶栓疗效受个人身体素质、年龄、既往病史、病程等多种因素影响，且患者提供的临床信息较为主观，每个医生之间的临床经验存在差异，从而影响导致溶栓治疗选择出现错误或者偏差。
为了解决这个问题，目前普遍采用基于血栓即感兴趣区域(Region Of Interst，ROI)提取影像组学特征，然后基于影像组学特征进行机器学习来进行溶栓疗效预测。然而，基于感兴趣区域提取影像组学特征普遍需要手动勾画血栓，会花费大量时间和精力。
为了解决上述问题，在本申请实施例中，基于经过自监督训练的分割特征提取模型，提取待检测的MR图像的分割语义特征；基于通过所述分割特征提取模型确定的分割语义特征模板，在所述分割语义特征中选取有效语义特征；基于所述有效语义特征，确定所述MR图像对应的溶栓疗效预测结果。本申请通过中的分割特征提取模型通过自监督对作为训练数据的无标注MR图像的学习，从而无需对训练数据进行大量标注，同时又可以提高通过分割特征提取模型提取到的分割语义特征的准确性，从而提高溶栓疗效预测的准确性。
下面结合附图，通过对实施例的描述，对申请内容作进一步说明。
本实施例提供了一种基于自监督和语义分割的溶栓疗效预测方法，如图1和图2所示，所述方法包括：
S10、基于经过自监督训练的分割特征提取模型，提取待检测的MR图像的分割语义特征。
具体地，所述待检测的MR图像为下肢深静脉血栓患者的MR图像，其中，待检测的MR图像可以为下肢深静脉血栓患者的MR图像中的部分图像区域。在一个实现方式中，所述待检测的MR图像可以为所述待检测的MR图像为第一图像段、第二图像段以及第三图像段中的一种或者多种，当待检测的MR图像为第一图像段、第二图像段以及第三图像段中的多种时，会基于经过自监督训练的分割特征提取模型分别提取各待检测的MR图像的分割语义特征，并基于后续步骤确定各待检测的MR图像对应的溶栓疗效预测结果。换句话说，通过本实施例得到的溶栓疗效预测结果与待检测的MR图像一一对应，其中，第一图像段为下腔静脉、髂总静脉以及髂外静脉所处范围对应的图像段，第二图像段为股总静脉以及股浅近段所处范围对应的图像段段，第三图像段为股浅远端和腘静脉所处范围段对应的图像段。
在一个典型实现方式中，待检测的MR图像的确定过程可以为：获取下肢深静脉血栓患者的MR图像，将所述MR图像划分为第一图像段、第二图像段以及第三图像段，并将每个图像段作为一个待检测的MR图像，以得到若干待检测的MR图像，然后分别对于每个待检测的MR图像执行本实施例提供的方法，以得到各待检测的MR图像各自对应的溶栓疗效预测结果。此外，对于每个待检测的MR图像执行本实施例提供的方法的执行过程相同，这里以一个待检测的MR图像为例加以说明。
所述分割特征提取模型为经过训练的网络模型，通过分割特征提取模型可以确定MR图像的分割语义特征。在本实施例的一个实现方式中，如图2所示，所述分割特征提取模型的训练过程具体包括：
S11、基于无标注训练集对预设网络模型进行自监督训练，以得到初始分割模型；
S12、基于有标注训练集对所述初始分割模型进行训练，得到分割特征提取模型。
具体地，在所述步骤S11中，无标注训练集包括若干无标注MR图像，其中，若干无标注MR图像中的每个无标注MR图像均为第一图像段、第二图像段或第三图像段一种，并各图像段对应的无标注MR图像的各数量相同。也就是说，若干无标注MR图像的获取过程可以为通过将预设数量的下肢深静脉血栓患者的MR图像按照下腔静脉、髂总静脉以及髂外静脉所处范围段、股总静脉和股浅近段所处范围段，以及股浅远端和腘静脉所处范围段为三个图像段，以得到第一图像段、第二图像段以及第三图像段；再将各下肢深静脉血栓患者的MR图像各自对应的第一图像段、第二图像段以及第三图像段构成的数据集作为无标注训练集。
在本实施例的一个实现方式中，如图3所示，所述基于无标注训练集对预设网络模型进行自监督训练，以得到初始分割模型具体包括：
对所述无标注训练集中的无标注MR图像进行图像变换，以得到变换MR图像；
将变换MR图像输入预设网络模型，通过预设网络模型确定所述无标注MR图像对应的恢复MR图像；
基于所述无标注MR图像与所述恢复MR图像对所述预设网络模型进行训练，以得到初始分割模型。
具体地，所述图像变换用于调整无标注MR图像的图像内容，以使得变换MR图像与无标注MR图像之间存在差异，恢复MR图像为通过预设网络模型对变换MR图像进行恢复所得到的图像。其中，对无标注MR图像进行图像变换可以包括非线性变换、局部像素重组以及内外部切块恢复中的一种或者多种。
在一个实现方式中，所述对所述无标注训练集中的无标注MR图像进行图像变换具体为依次对所述无标注训练集中的无标注MR图像进行非线性变换、局部像素重组以及内外部切块恢复。其中，非线性变换为通过一组非非线性函数变换的无标注MR图像的强度值，以使得预设网络模型可以学习到无标注MR图像中的解剖结构，这是由于成像过程中的相对强度值包含了解剖结构(例如，基础结构和器官等)的重要信息，从而通过对强度值修改和修复过程可以学习到无标注MR图像中的解剖结构。在一个典型实现方式中，非非线性函数可以采用单调非线性变化函数-Bezier曲线，Bezier曲线由2个端点(P0、P3)和2个控制点(P1、P2)生成，Bezier曲线的表达是可以为：
B(t(＝(1-t)3P0+3(1-t)2tP1+3(1-t)t2P2+t3P3,t∈[0,1]
其中，t是沿着直线长度的刻度，设置P0和P3为(0,0)和(1,1)，P1和P2为0-1内的随机数。此外，在采用Bezier曲线进行非线性变化时，还可以采用50％的随机概率将Bezier曲线翻转。
所述局部像素重组为先将经过非线性变换的无标注MR图像中的局部图像的像素进行搅乱后重组，这样可以在不显著破坏全局结构的同时丰富局部结构的变化，使预设网络模型可以学习图像局部机构的边界和目标的纹理信息。在一个典型实现方式中，对于非线性变换的无标注MR图像，随机选择10000个窗口，随后按顺序重组每个窗口内的像素，其中，转换后的窗口的表达式可以为：
Figure BDA0003552366390000091
其中，W表示随机截出的大小为m×n的窗口，
Figure BDA0003552366390000092
为转换后的窗口，P和P'分别表示大小为m×m和n×n的排列指标，记录W内像素的随机变换位置。此外，窗口的长宽可以均设置为[1,26]区间内的随机值，以此来保留图像的全局内容，使预设网络模型通过学习重置像素位置来学习无标注MR图像中的特征信息。
内外部切块恢复包括内部切块恢复和外部切换恢复，通过内外部切块恢复使得预设网络模型可以学习到全局器官之间的分布以及局部的和固有通用的信息。其中，内部切块恢复可以为经过像素重组的无标注MR图像中选取1-10个剪切块，将选取到的剪切块进行随机灰度值的填充，外部切块恢复为首先生成一个经过像素重组的无标注MR图像大小的随机灰度值的背景块，然后经过像素重组的无标注MR图像中选取1-10个剪切块，将这个剪切块按照原图的位置叠加放在背景块上。在一个具体实现方式中，预设设置一随机数，基于随机数在经过像素重组的无标注MR图像上随机进行内部切块恢复或外部切换恢复，其中，内剪切块的长宽设为[40，80]内的随机值，外剪切块大小设定为原图40％-56％之间。
在一个实现方式中，预设网络模型包括编码器和解码器，所述编码器用于提取图像特征，并用语义信息标识高阶特征以得到分割语义特征，所述解码器用于对分割语义特征进行上采样以得到恢复MR图像。其中，如图4所示，编码器包括两个卷积模块和4个下采样模块，每个卷积模块包括2个卷积层、2个组归一化层(Group Normalization，GN)以及激活层；每个下采样模块包括1个池化层以及1个卷积模块。
卷积层的具体操作为将卷积核与输入卷积层的图像中同样大小的区域进行一一对应的点乘，其作用是从输入图像中提取抽象的语义信息。前2个卷积块(C1-C2)中的卷积层的卷积核大小均为3×3，主要作用是提取图像的基本特征。下采样模块中的卷积层(P1-P4中)的作用是对卷积得到的特征进行排列组合，以得到深层的语义特征。在卷积过程中会在输入卷积层的图像周边进行零填充以保证卷积前后的特征图大小不变，使得卷积后的特征图不会丢失像素信息。在一个实现方式中，由于ReLU函数是单阈值函数，其反向传播的计算量小，能够加快网络训练速度，同时能缓解过拟合问题，从而激活层可以选取ReLU层。
下采样模块能够减少网络参数量，同时能实现对所提取特征的平移不变性。在一个实现方式中，下采样模块中(P1-P4)中的池化层采用最大值池化，并将池化层大小设置为2×2，以通过池化层将输入下采样模块的图像的长宽都缩小为原来的一半，例如，图像尺寸为320×160的特征图通过下采样模块P1-P4后缩小为20×10。
如图4所示，解码器包括4个上采样模块和1个卷积层，上采样模块包含1个反卷积层和1个卷积模块。反卷积层的作用是将特征图的长宽都扩大为原来的两倍，例如，图像尺寸为20×10的特征图通过上采样模块U1-U4后扩大为320×160。此外，上采样模块后设置有连接层，通过连接层将编码器中与上采样模块相对应的卷积层所输出的高分辨率特征图，与上采样模块所输出的低分辨率特征图进行叠加，以整合全局上下文信息及特征融合，达到更好的分割效果。
所述基于所述无标注MR图像与所述恢复MR图像对所述预设网络模型进行训练时，可以采用Focal loss作为训练模型的损失函数，其中，Focal loss为基于标准交叉熵损失函数进行改进得到的，Focal loss通过减少易分类样本的权重，使得模型在训练时更专注于难分类的样本，有助于网络更快收敛。
在所述步骤S12中，有标注训练集包括若干标注MR图像，若干标注MR图像中的每个标注MR图像均为第一图像段、第二图像段或第三图像段一种，并各图像段对应的标注MR图像的各数量相同。其中，有标注训练集的获取过程可以与无标注训练集的获取过程相同，两者的区别在于有标注训练集中的每个标注MR图像均携带有标注，其中，标注可以是通过医生手动勾画所形成的。所述有标注训练集用于对基于无标注训练集进行自监督学习所得到的初始网络模型进行微调得到分割特征提取模型，以提高分割特征提取模型的模型性能。此外，有标注训练集中的若干标注MR图像的图像数量可以小于无标注训练集中的若干无标注MR图像的图像数据，这样可以减少对数据标注所花费的时间。当然，有标注训练集可以与无标注训练集完全不同，或者是，为无标注训练集的一部分，或者是，部分包含于无标注训练集内，部分未包含于无标注训练集内。
在一个实现方式中，所述分割语义特征为分割特征提取模型中的编码器所处的特征图，也就是说，在获取到经过训练的分割特征提取模型后，可以获取分割特征提取模型中编码器的输出项作为分割语义特征。由此，在获取到经过训练的分割特征提取模型后，将经过训练的分割特征提取模型中的编码器作为分割特征提取模型，以便通过分割特征提取模型直接输出分割语义特征。
此外，由于MR图像中会携带有与病变无关的图像特征，从而分割语义特征中也会携带有与病变无关的冗余特征。由此，在通过分割特征提取模型提取到分割语义特征后，可以对所述分割语义特征进行去冗余操作，以减少冗余特征对预测准确性的影响。其中，所述去冗余操作可以通过全局平均池化(Global Average Pooling，GAP)操作来实现，全局平均池化可以减少特征尺寸和参数数量，节省计算资源，并且全局平均池化可以整合空间信息，对输入的空间翻译具有更强的鲁棒性和表现力。
基于此，经过训练的分割特征提取模型包括编码器以及全局平均池化层，待检测的MR图像输入编码器，通过编码器输出的分割语义特征图，再将分割语义特征图输入全局平均池化层，并将全局平均池化层的输出项作为待检测的MR图像对应的分割语义特征。其中，所述全局平均池化层的输出可以表示为：
Figure BDA0003552366390000121
其中，W和H分别为特征图的宽度和高度，(x,y)为特征图中像素点的坐标。
举例说明：假设待检测的MR图像通过编码器得到20*10*NO*M的特征图，该特征图通过全局平均池化层得到1×1×N0×M的特征向量，并将该特征向量作为待检测的MR图像对应的分割语义特征，其中，N0为患者的图像层数，M为网络层中生成的特征图的数量。
S20、基于通过所述分割特征提取模型确定的分割语义特征模板，在所述分割语义特征中选取有效语义特征。
具体地，分割语义特征模板为预先基于若干有标注MR图像的分割语义特征确定得到，其中，每个MR图像的分割语义特征均是通过经过训练的分割特征提取模型所得到，携带有下肢深静脉血栓的病变特征。所述有效语义特征为用于进行确定溶栓疗效的语义特征，本实施例通过基于分割语义特征模板对分割语义特征进行自适应选择，可以提高选取到的有效语义特征的准确性，从而可以提高溶栓疗效预测的准确性。
在本实施例的一个实现方式中，所述分割语义特征模板的确定过程具体包括：
获取若干携带有下肢深静脉血栓的目标MR图像，并分别将各目标MR图像输入分割特征提取模型，通过所述分割特征提取模型确定各目标MR图像各自对应的目标分割语义特征；
基于获取到的所有目标分割语义特征生成分割语义特征模板。
具体地，若干目标MR图像中的每个目标MR图像均为有标注MR图像，目标分割语义特征为目标MR图像通过分割特征提取模型所得到的分割语义特征。其中，分割语义特征模板可以为各目标分割语义特征的平均值，也可以是各目标分割语义特征加权得到等。在一个具体实现方式中，分割语义特征模板为各目标分割语义特征的平均值，也就是说，在获取到各目标分割语义特征后，计算所有目标分割语义特征的平均值以得到分割语义特征模板。例如，将U个携带有下肢深静脉血栓的目标MR图像分别输入分割特征提取模型中的编码器得到U个20×10×M×N1的深层特征图，其中，U是分割训练数据集中的患者数量，M是网络层中生成的特征图的数量，N1是目标MR图像的图像层的数量；利用GAP将U个20×10×M×N1的深层特征图转换为U个个1×M×N1的目标分割语义特征；再得到的目标分割语义特征进行平均值计算得到1×M的特征向量，并将该1×M的特征向量作为分割语义特征模板。
在本实施例的一个实现方式中，所述基于通过所述分割特征提取模型确定的分割语义特征模板，在所述分割语义特征中选取有效语义特征具体包括：
采用聚类方式将所述分割语义特征划分为第一特征簇和第二特征簇；
分别确定所述第一特征簇与所述分割语义特征模板的第一相似度，以及所述第二特征簇与所述分割语义特征模板的第二相似度；
基于所述第一相似度和所述第二相似度在所述第一特征簇和所述第二特征簇中选取有效语义特征。
具体地，所述第一特征簇包括分割语义特征中的部分图像层的分割语义特征，第二特征簇包括分割语义特征中的部分图像层的分割语义特征，第一特征簇包括的图像层与第二特征簇包括的图像层互不相同，并且第一特征簇包括的图像层和第二特征簇包括的图像层构成待检测的MR图像包括的所有图像层。也就是说，待检测的MR图像包括若干图像切片，每个图像切片为一个图像层，并且每个图像切片均对应有切片分割语义特征，第一特征簇包括若干图像切片的切片分割语义特征，第二特征簇包括若干图像切片的切片分割语义特征，即将待检测的MR图像中的各图像切片各自对应的切片分割语义特征分配至第一特征簇和第二特征簇内。
在一个实现方式中，聚类方式可以采用K-means聚类，通过K-means聚类将待检测的MR图像对应的分割语义特征划分为第一特征簇和第二特征簇内，其中，第一特征簇和第二特征簇内中一个特征簇为有效特征，一个特征簇为冗余特征。其中，基于K-maens聚类确定第一特征簇和第二特征簇的过程可以为：
步骤1、随机选取k个中心点作为初始聚类中心，将随机选取的k个代表初始聚类中心c＝[c1，c2...cj...ck]，其中，cj是从V中随机选取的一个大小为1×M的一维特征向量，k为聚类簇的个数；
步骤2、计算V的每层图像层的分割语义特征到每个聚类中心，并每层图像层的分割语义特征分配到距离最小聚类簇中，其中，V表示分割语义特征，V＝[v(1),v(2)...v(h)...v(N2)]，其中，v(h)＝[w1,w2...wg...wM]；v(h)表示第h层图像层的分割语义特征，v(h)的大小为1×M，wg是第h层图像层的分割语义特征中第g个特征，N2是图像层数量，M是特征数量；
步骤3、将每个聚类簇的所有图像层的分割语义特征进行平均值计算，并将该平均值作为新的聚类簇中心，其中，该新的聚类簇中心可以表示为：
Figure BDA0003552366390000141
其中，Zi表示第j类聚类簇的第i层图像的特征向量，nj表示第j类聚类簇的图像层数，j的范围为1到k，i的范围为1到nj。
步骤4、重复步骤2和步骤3，直到聚类标准函数收敛或者聚类中心c保持不变，其中，聚类标准函数为：
Figure BDA0003552366390000142
在本实施例的一个实现方式中，聚类簇的个数为2，经过聚类K-maens聚类后可以得到大小为1×M×a的第一特征簇和大小为1×M×(N2-a)的第二特征簇，其中，a是第一特征簇中的图像层的数量。
在获取到第一特征簇和第二特征簇后，可以分配对第一特征簇和第二特征簇进行平均计算，以得到两个1×M的特征向量；然后在分配计算两个特征向量与分割语义特征模板的相似度，以得到第一相似度和第二相似度。其中，相似度可以通过计算特征向量与分割语义特征模板的欧式距离来确定。也就是说，利用欧式距离来第一特征簇和第二特征簇与分割语义特征模板的相似度，然后基于相似度进行特征相似自适应选择以得到有效语义特征。例如，第一特征簇和第二特征簇对应的特征向量分别表示为P(1)和P(2)，L表示分割语义特征模板，特征簇与分割语义特征模板之间的欧式距离可以表示为：
Figure BDA0003552366390000151
其中，q表示1或2，
Figure BDA0003552366390000152
是Pq的第I个特征值，I的范围为1到M，D(L，Pq)是表示欧式距离。
将第一特征簇与分割语义特征模板的欧式距离作为第一相似度，第二特征簇与分割语义特征模板的欧式距离作为第二相似度，然后选取第一相似度和第二相似度中较小的作为相似度对应的特征簇作为有效语义特征，例如，当第一特征簇对应的第一相似度小于第二特征簇对应的第二相似度时，将第一特征簇作为有效语义特征，也就是说，第一特征簇为病变相关特征，第二特征簇为非病变相关特征。
S30、基于所述有效语义特征，确定所述MR图像对应的溶栓疗效预测结果。
具体地，溶栓疗效预测结果可以通过血管通畅率来评估，血管通畅率为0-1之间的数值，血管通畅率越大，说明溶栓溶栓疗效越好，其中，当血管通畅率小于0.5时，溶栓疗效预测结果为“不良”，当血管通畅率大于或等于0.5时，溶栓疗效预测结果为“正常”。
在一个实现方式中，所述基于所述有效语义特征，预测所述MR图像对应的溶栓溶栓疗效具体包括：
将所述有效语义特征输入经过训练的分类模型，通过所述分类模型确定所述MR图像对应的溶栓疗效预测结果。
具体地，所述溶栓疗效预测结果可以通过血管通畅率来评估，血管通畅率可以基于管腔通畅程度来确定，其中，管腔通畅程度分为管腔通畅无血栓、管腔堵塞＜50％、管腔堵塞＞50％以及管腔完全堵塞四个等级，其中，各等级的管腔通畅程度可以配置不同的等级评分，例如，管腔通畅无血栓对应的等级评分为0，管腔堵塞＜50％对应的等级评分为1，管腔堵塞＞50％对应的等级评分为2，管腔完全堵塞对应的等级评分为3。此外，血管通畅率可以基于等级评分与血管通畅率的对应关系得到的，其中，对应关系可以表示为：血管通畅率＝(溶栓前总评分－溶栓后总评分)/溶栓前总评分×100％。
分类模型为经过训练的，用于基于有效语义特征确定所述MR图像对应的等级评分，其中，分类模型可以采用LR分类器、SVM分类器和RF分类器中的一种。在一个实现方式中，分类模型采用LR分类器，LR分类器通过对数据特征进行拟合得到拟合方程，是根据现有的数据对分类的边界线建立回归公式来进行分类。LR分类器通常在线性回归模型的基础上，使用Sigmoid函数将线性模型的结果压缩到[0,1]之间，使其拥有概率意义。由于LR分类器是针对分类的可能性进行建模，从而LR分类器不仅能预测出类别还可得到属于该类别的概率，其中，LR分类器的条件概率分布一般用P(Y|X)来表示，其中X取值为全体实数，Y为样本类别，取值为0或1，具体分布函数如下：
Figure BDA0003552366390000161
Figure BDA0003552366390000162
其中，X∈Rn为输入样本特征，Y∈{0,1}为输出的代表样本的条件类别，W∈Rn和b∈R分别是特征的权重系数与偏置项，P(Y＝0|X)和P(Y＝1|X)分别表示样本属于类别0和类别1的概率。
在一个实现方式中，分类模型采用SVM分类器，SVM是解决二分类问题的一种有监督学习算法，其是一种二元分类的广义线性分类器模型，其引入核方法后可以解决非线性问题。SVM的基本思想为寻找与两类数据具有最大间隔的分类超平面，利用该超平面将两个类别的数据在空间上进行划分以完成分类。当训练数据线性不可分时，训练数据被非线性地映射到一个高维的空间，其中，高维的空间需要满足能找到一个n-1维空间使得训练数据线性可分或近似线性可分，再使用软间隔最大化得到非线性SVM。
对于线性可分问题，可以先假定训练数据集T：
T＝{(x1，y1)，(x2，y2)，…，(xn，yn)}
其中，n为训练数据集内的样本数量，xi∈Rn，yi∈{1,-1}。训练数据集T所对应的超平面为(w·x)+b＝0。最优超平面需要满足以下条件，公式如下所示：
[(w·xi)+b)]-1≥0
结合线性可分理论与最优化理论，根据最优超平面对于T的类别划分，以及与T上的点有最大几何距离的限制条件，可构造并求解约束最优化问题：
Figure BDA0003552366390000171
最后计算出的最优超平面的参数如下：
(w*·x)+b*＝0
其对应的分类公式为：
f(x)＝sign(w*·x+b*)。
在一个实现方式中，分类模型采用RF分类器，RF分类器是基于决策树的集成算法，其通过集成多个决策树的预测结果以实现分类，并使得整体模型的结果具有较高的精确度和泛化性能。
RF通过对多个不同的决策树的分类结果进行集成，应用决策树的投票机制将投票次数最多的类别指定为最终的分类结果。由于RF算法的多决策树思想，其随机采样机制和投票机制能够有效避免由于单颗决策树的错误判断而引起的过拟合和欠拟合。因此，RF模型能较好地处理多维特征，具有抗噪声和异常值，鲁棒能力强等优点。在RF的决策树构建中，以相应特征进行数据划分后得到的两组数据子集的混乱度被用来衡量该特征的数据区分能力。随着混乱度的降低，区分能力逐渐增强。每次递归都将随机抽取部分特征，选择其中最具区分能力的特征完成数据划分。混乱度由基尼系数来衡量，具体计算如下所示：
Figure BDA0003552366390000181
其中，n表示被划分数据的样本类别数，Pi表示划分数据中第i类样本所占的比例。
综上所述，本实施例提供了一种基于自监督和语义分割的溶栓疗效预测方法及相关装置，所述方法包括基于经过自监督训练的分割特征提取模型，提取待检测的MR图像的分割语义特征；基于通过所述分割特征提取模型确定的分割语义特征模板，在所述分割语义特征中选取有效语义特征；基于所述有效语义特征，确定所述MR图像对应的溶栓疗效预测结果。本申请通过中的分割特征提取模型通过自监督对作为训练数据的无标注MR图像的学习，从而无需对训练数据进行大量标注，同时又可以提高通过分割特征提取模型提取到的分割语义特征的准确性，从而提高溶栓疗效预测的准确性。
基于上述基于自监督和语义分割的溶栓疗效预测方法，本实施例提供了一种基于自监督和语义分割的溶栓疗效预测装置，如图5所示，所述装置包括：
提取模块100，用于基于经过自监督训练的分割特征提取模型，提取待检测的MR图像的分割语义特征；
选取模块200，用于基于通过所述分割特征提取模型确定的分割语义特征模板，在所述分割语义特征中选取有效语义特征；
确定模块300，用于基于所述有效语义特征，确定所述MR图像对应的溶栓疗效预测结果。
基于上述基于自监督和语义分割的溶栓疗效预测方法，本实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上述实施例所述的基于自监督和语义分割的溶栓疗效预测方法中的步骤。
基于上述基于自监督和语义分割的溶栓疗效预测方法，本申请还提供了一种终端设备，如图6所示，其包括至少一个处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口(Communications Interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中的方法。
此外，上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
此外，上述存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种基于自监督和语义分割的溶栓疗效预测方法，其特征在于，所述方法包括：
基于经过自监督训练的分割特征提取模型，提取待检测的MR图像的分割语义特征；
基于通过所述分割特征提取模型确定的分割语义特征模板，在所述分割语义特征中选取有效语义特征；
基于所述有效语义特征，确定所述MR图像对应的溶栓疗效预测结果。
2.根据权利要求1所述的基于自监督和语义分割的溶栓疗效预测方法，其特征在于，所述基于通过所述分割特征提取模型确定的分割语义特征模板，在所述分割语义特征中选取有效语义特征具体包括：
采用聚类方式将所述分割语义特征划分为第一特征簇和第二特征簇；
分别确定所述第一特征簇与所述分割语义特征模板的第一相似度，以及所述第二特征簇与所述分割语义特征模板的第二相似度；
基于所述第一相似度和所述第二相似度在所述第一特征簇和所述第二特征簇中选取有效语义特征，其中，所述有效语义特征为所述第一特征簇或所述第二特征簇。
3.根据权利要求1所述的基于自监督和语义分割的溶栓疗效预测方法，其特征在于，所述分割特征提取模型的训练过程具体包括：
基于无标注训练集对预设网络模型进行自监督训练，以得到初始分割模型；
基于有标注训练集对所述初始分割模型进行训练，得到分割特征提取模型。
4.根据权利要求3所述的基于自监督和语义分割的溶栓疗效预测方法，其特征在于，所述基于无标注训练集对预设网络模型进行自监督训练，以得到初始分割模型具体包括：
对所述无标注训练集中的无标注MR图像进行图像变换，以得到变换MR图像；
将变换MR图像输入预设网络模型，通过预设网络模型确定所述无标注MR图像对应的恢复MR图像；
基于所述无标注MR图像与所述恢复MR图像对所述预设网络模型进行训练，以得到初始分割模型。
5.根据权利要求1所述的基于自监督和语义分割的溶栓疗效预测方法，其特征在于，所述分割语义特征模板的确定过程具体包括：
获取若干携带有下肢深静脉血栓的目标MR图像，并分别将各目标MR图像输入分割特征提取模型，通过所述分割特征提取模型确定各目标MR图像各自对应的目标分割语义特征；
基于获取到的所有目标分割语义特征生成分割语义特征模板。
6.根据权利要求1所述的基于自监督和语义分割的溶栓疗效预测方法，其特征在于，所述基于所述有效语义特征，确定所述MR图像对应的溶栓疗效预测结果具体包括：
将所述有效语义特征输入经过训练的分类模型，通过所述分类模型预测所述MR图像对应的溶栓疗效预测结果。
7.根据权利要求1所述的基于自监督和语义分割的溶栓疗效预测方法，其特征在于，所述待检测的MR图像为第一图像段、第二图像段以及第三图像段中的一种或者多种，当待检测的MR图像为第一图像段、第二图像段以及第三图像段中的多种时，所述血管通畅率为多个溶栓疗效预测结果，多个溶栓疗效预测结果与多个待检测的MR图像一一对应，其中，第一图像段为下腔静脉、髂总静脉以及髂外静脉所处范围对应的图像段，第二图像段为股总静脉以及股浅近段所处范围对应的图像段段，第三图像段为股浅远端和腘静脉所处范围段对应的图像段。
8.一种基于自监督和语义分割的溶栓疗效预测装置，其特征在于，所述装置包括：
提取模块，用于基于经过自监督训练的分割特征提取模型，提取待检测的MR图像的分割语义特征；
选取模块，用于基于通过所述分割特征提取模型确定的分割语义特征模板，在所述分割语义特征中选取有效语义特征；
确定模块，用于基于所述有效语义特征，确定所述MR图像对应的溶栓疗效预测结果。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-7任意一项所述的基于自监督和语义分割的溶栓疗效预测方法中的步骤。
10.一种终端设备，其特征在于，包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述通信总线实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现如权利要求1-7任意一项所述的基于自监督和语义分割的溶栓疗效预测方法中的步骤。
CN202210265248.5A 2022-03-17 2022-03-17 基于自监督和语义分割的溶栓疗效预测方法及相关装置 Pending CN114881917A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210265248.5A CN114881917A (zh) 2022-03-17 2022-03-17 基于自监督和语义分割的溶栓疗效预测方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210265248.5A CN114881917A (zh) 2022-03-17 2022-03-17 基于自监督和语义分割的溶栓疗效预测方法及相关装置

Publications (1)

Publication Number Publication Date
CN114881917A true CN114881917A (zh) 2022-08-09

Family

ID=82668075

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210265248.5A Pending CN114881917A (zh) 2022-03-17 2022-03-17 基于自监督和语义分割的溶栓疗效预测方法及相关装置

Country Status (1)

Country Link
CN (1) CN114881917A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118015021A (zh) * 2024-04-07 2024-05-10 安徽农业大学 基于滑动窗口的主动域自适应跨模态医学图像分割方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106997476A (zh) * 2017-03-01 2017-08-01 西安交通大学 多源无标签数据学习建模的传动系统性能退化评估方法
CN111246811A (zh) * 2017-10-16 2020-06-05 上海沃比医疗科技有限公司 治疗血管闭塞的装置及方法
CN111724867A (zh) * 2020-06-24 2020-09-29 中国科学技术大学 分子属性测定方法、装置、电子设备及存储介质
CN112102929A (zh) * 2020-09-11 2020-12-18 沈阳东软智能医疗科技研究院有限公司 医学图像标注方法、装置、存储介质及电子设备
CN112115781A (zh) * 2020-08-11 2020-12-22 西安交通大学 基于对抗攻击样本和多视图聚类的无监督行人重识别方法
CN112149689A (zh) * 2020-09-28 2020-12-29 上海交通大学 基于目标领域自监督学习的无监督领域适应方法和系统
CN112308860A (zh) * 2020-10-28 2021-02-02 西北工业大学 基于自监督学习的对地观测图像语义分割方法
CN113011427A (zh) * 2021-03-17 2021-06-22 中南大学 基于自监督对比学习的遥感图像语义分割方法
CN113063718A (zh) * 2021-02-23 2021-07-02 广东医科大学附属医院 一种脑梗死生物标志物及其应用
CN114049361A (zh) * 2021-11-04 2022-02-15 上海交通大学 基于图层分解的自监督肿瘤分割系统
CN114067119A (zh) * 2022-01-17 2022-02-18 深圳市海清视讯科技有限公司 全景分割模型的训练方法、全景分割方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106997476A (zh) * 2017-03-01 2017-08-01 西安交通大学 多源无标签数据学习建模的传动系统性能退化评估方法
CN111246811A (zh) * 2017-10-16 2020-06-05 上海沃比医疗科技有限公司 治疗血管闭塞的装置及方法
CN111724867A (zh) * 2020-06-24 2020-09-29 中国科学技术大学 分子属性测定方法、装置、电子设备及存储介质
CN112115781A (zh) * 2020-08-11 2020-12-22 西安交通大学 基于对抗攻击样本和多视图聚类的无监督行人重识别方法
CN112102929A (zh) * 2020-09-11 2020-12-18 沈阳东软智能医疗科技研究院有限公司 医学图像标注方法、装置、存储介质及电子设备
CN112149689A (zh) * 2020-09-28 2020-12-29 上海交通大学 基于目标领域自监督学习的无监督领域适应方法和系统
CN112308860A (zh) * 2020-10-28 2021-02-02 西北工业大学 基于自监督学习的对地观测图像语义分割方法
CN113063718A (zh) * 2021-02-23 2021-07-02 广东医科大学附属医院 一种脑梗死生物标志物及其应用
CN113011427A (zh) * 2021-03-17 2021-06-22 中南大学 基于自监督对比学习的遥感图像语义分割方法
CN114049361A (zh) * 2021-11-04 2022-02-15 上海交通大学 基于图层分解的自监督肿瘤分割系统
CN114067119A (zh) * 2022-01-17 2022-02-18 深圳市海清视讯科技有限公司 全景分割模型的训练方法、全景分割方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HUANG BINGSHENG ET AL.: "Deep Semantic Segmentation Feature-Based Radiomics for the Classification Tasks in Medical Image Analysis", 《IEEE》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118015021A (zh) * 2024-04-07 2024-05-10 安徽农业大学 基于滑动窗口的主动域自适应跨模态医学图像分割方法

Similar Documents

Publication Publication Date Title
Shu et al. Deep neural networks with region-based pooling structures for mammographic image classification
US10706333B2 (en) Medical image analysis method, medical image analysis system and storage medium
Öztürk Stacked auto-encoder based tagging with deep features for content-based medical image retrieval
Cheng et al. Transfer learning with convolutional neural networks for classification of abdominal ultrasound images
Li et al. Accurate retinal vessel segmentation in color fundus images via fully attention-based networks
Li et al. Lvit: language meets vision transformer in medical image segmentation
WO2020108562A1 (zh) 一种ct图像内的肿瘤自动分割方法及系统
Jia et al. Learning-based algorithms for vessel tracking: A review
Azevedo et al. Fuzzy morphological extreme learning machines to detect and classify masses in mammograms
Bhuvaneswari et al. A new fusion model for classification of the lung diseases using genetic algorithm
Peng et al. LCP-Net: A local context-perception deep neural network for medical image segmentation
CN113506310B (zh) 医学图像的处理方法、装置、电子设备和存储介质
Xiang et al. Towards interpretable skin lesion classification with deep learning models
Liu et al. FCP-net: a feature-compression-pyramid network guided by game-theoretic interactions for medical image segmentation
CN112991363A (zh) 脑肿瘤图像分割方法、装置、电子设备及存储介质
CN110570394A (zh) 医学图像分割方法、装置、设备及存储介质
Osadebey et al. Three-stage segmentation of lung region from CT images using deep neural networks
Zhou et al. Dual-path multi-scale context dense aggregation network for retinal vessel segmentation
Huang et al. Automatic Retinal Vessel Segmentation Based on an Improved U‐Net Approach
Wei et al. Orientation and context entangled network for retinal vessel segmentation
Zhong et al. Do you need sharpened details? Asking MMDC-Net: multi-layer multi-scale dilated convolution network for retinal vessel segmentation
Kaya Feature fusion-based ensemble CNN learning optimization for automated detection of pediatric pneumonia
CN114881917A (zh) 基于自监督和语义分割的溶栓疗效预测方法及相关装置
Guan et al. Precision medical image hash retrieval by interpretability and feature fusion
Bhardwaj et al. Computational biology in the lens of CNN

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220809