CN114898098A - 脑组织图像分割方法 - Google Patents
脑组织图像分割方法 Download PDFInfo
- Publication number
- CN114898098A CN114898098A CN202210733801.3A CN202210733801A CN114898098A CN 114898098 A CN114898098 A CN 114898098A CN 202210733801 A CN202210733801 A CN 202210733801A CN 114898098 A CN114898098 A CN 114898098A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- view
- images
- loss
- center
- 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
- 210000005013 brain tissue Anatomy 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000003709 image segmentation Methods 0.000 title abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 48
- 230000009466 transformation Effects 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 7
- 210000004884 grey matter Anatomy 0.000 claims description 6
- 210000004885 white matter Anatomy 0.000 claims description 6
- 239000012530 fluid Substances 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 206010072731 White matter lesion Diseases 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种脑组织图像分割方法,包括:图像预处理;模型训练,利用第一语义分割网络提取集合T中图像的第一特征向量,形成第一特征向量集合;利用第二语义分割网络提取集合T中图像的第二特征向量,形成第二特征向量集合;根据第一特征向量V1与类别中心P1、类别中心P2的距离,及第二特征向量V2与类别中心P1、类别中心P2的距离建立第一损失;根据第一视图像素点或第二视图像素点与类别中心P1、类别中心P2的距离判别获得伪标签,根据伪标签,及利用分类器得到的第一视图和第二视图的预测值建立第二损失。本发明方案结合了特征提取和聚类的策略,利用图像像素变换的不变性约束,及利用聚类产生的伪标签进一步提取特征,缓解了现有技术问题。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种脑组织图像分割方法。
背景技术
人的大脑主要由灰质、白质和脑脊液构成,为了使医生对脑部疾病的分析和诊治更加方便、精确,将脑组织图像分割为脑脊液、灰质、白质对临床诊断和治疗具有重要意义。
在脑组织图像分割任务的现有技术中,多采用传统的图像分割方法,也有部分领域采用基于有监督的深度学习方法。然而,基于传统理论的图像分割方法仅利用图像浅层特征进行学习,无法将带白质病变以及多干扰的脑组织图像进行有效分割,无法满足分割精度需求。基于有监督的深度学习方法,需要大量有标签数据的训练,也存在边缘分割模糊,分割精度差的技术问题。
有鉴于此,本发明公开了一种脑组织图像分割方法,采用深度聚类和无监督的学习策略,以缓解现有技术的问题。
发明内容
本发明提供了一种脑组织图像分割方法,包括:图像预处理,获取脑组织图像的集合S,设置集合S中图像除脊液、灰质、白质之外的组织为图像背景并去掉,形成集合T;模型训练,利用第一语义分割网络提取集合T中图像的第一特征向量,形成第一特征向量集合,提取第一特征向量的步骤包含对图像进行第一像素变换;利用第二语义分割网络提取集合T中图像的第二特征向量,形成第二特征向量集合,第二语义分割共享第一语义分割网络的权重,提取第二特征向量的步骤包含对图像进行第二像素变换;计算第一特征向量集合的类别中心P1,计算第二特征向量集合的类别中心P2;遍历集合T中图像,提取图像的第一特征向量V1和第二特征向量V2;根据第一特征向量V1与类别中心P1、类别中心P2的距离,及第二特征向量V2与类别中心P1、类别中心P2的距离建立第一损失;遍历集合T中图像,将图像经过第一像素变换或第二像素变换后得到第一视图或第二视图,根据第一视图像素点或第二视图像素点与类别中心P1、类别中心P2的距离判别获得伪标签,根据伪标签,及利用分类器得到的第一视图和第二视图的预测值建立第二损失;根据第一损失和第二损失进行梯度反转,更新第一语义分割网络或第二语义分割网络的参数;图像分割,将脑组织图像经过图像预处理后,送入第一语义分割网络或第二语义分割网络进行分割。
在一个实施例中,提取第一特征向量的步骤,包括:将集合T中的图像经过第一像素变换后送入第一语义分割网络提取第一向量,将第一向量通过第一几何变换得到第一特征向量。
在一个实施例中,提取第二特征向量的步骤,包括:将集合T中的图像通过第二像素变换和第一几何变换后,送入第二语义分割网络提取第二特征向量。
在一个实施例中,计算类别中心P1或类别中心P2的步骤,包括:采用小批量K-means计算。
在一个实施例中,建立第一损失的步骤,包括:根据第一特征向量V1与类别中心P1的距离,及第二特征向量V2与类别中心P2的距离构建视图内聚类中心损失;根据第一特征向量V1与类别中心P2的距离,及第二特征向量V2与类别中心P1的距离构建跨视图聚类中心损失;第一损失为视图内聚类中心损失与跨视图聚类中心损失之和。
在一个实施例中,建立第二损失的步骤,包括:计算第一视图像素点与类别中心P1的距离判别获得第一伪标签;第一视图根据分类器得到的第一预测值;计算第一视图像素点与类别中心P2的距离判别获得第二伪标签;第二视图根据分类器得到的第二预测值;根据第一伪标签、第一预测值、第二伪标签及第二预测值构建第二损失。
在一个实施例中,获得伪标签的步骤,还包括:利用全连接条件随机场DenseCRF模块精细化处理伪标签。
在一个实施例中,根据第一损失和第二损失进行梯度反转的步骤,包括:每八个图像为一个批次计算第一损失和第二损失,并进行梯度反转。
本发明的有益效果如下:
本发明提供的技术方案可以包括以下有益效果:通过语义分割网络进行特征提取,并结合聚类思想计算类别中心,可以有效提取并使用深层信息进行分割任务;其次,利用图像像素变换的不变性约束,进一步提高了网络的分割能力;最后,还利用聚类产生的伪标签进一步训练网络提取特征,并构建第二损失,清晰了图像分割边缘,提高了图像分割精度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一种实施方式,对于本领域普通技术人员来讲,在不付出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为本发明实施例一种脑组织图像分割方法流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
图1是本发明实施例一种脑组织图像分割方法流程示意图,如图1所示,该方法包括如下三个步骤。
步骤S101:对脑组织图像预处理。具体地,获取脑组织图像的集合S,设置集合S中图像除脊液、灰质、白质之外的组织为图像背景并去掉,形成集合T。示例性地,将脑组织图像中的脂肪、皮肤肌肉和颅骨等其他无关组织去掉并设为背景值,最终脑组织图像只剩下脊液、灰质、白质。
步骤S102:对图像分割网络进行训练。具体地,利用第一语义分割网络提取集合T中图像的第一特征向量,形成第一特征向量集合,提取第一特征向量的步骤包含对图像进行第一像素变换;利用第二语义分割网络提取集合T中图像的第二特征向量,形成第二特征向量集合,第二语义分割共享第一语义分割网络的权重,提取第二特征向量的步骤包含对图像进行第二像素变换;计算第一特征向量集合的类别中心P1,计算第二特征向量集合的类别中心P2;遍历集合T中图像,提取图像的第一特征向量V1和第二特征向量V2;根据第一特征向量V1与类别中心P1、类别中心P2的距离,及第二特征向量V2与类别中心P1、类别中心P2的距离建立第一损失;遍历集合T中图像,将图像经过第一像素变换或第二像素变换后得到第一视图或第二视图,根据第一视图像素点或第二视图像素点与类别中心P1、类别中心P2的距离判别获得伪标签,根据伪标签,及利用分类器得到的第一视图和第二视图的预测值建立第二损失;根据第一损失和第二损失进行梯度反转,更新第一语义分割网络或第二语义分割网络的参数。
示例性地,第一语义分割网络、第二语义分割网络可以是U-Net网络,U-Net采用全卷积网络进行语义分割。
需要进行说明的是,图像像素变换包括线性变换、阈值运算、窗口运算、灰度拉伸和灰度均衡。示例性地,第一像素变换和第二像素变换可以是进行灰度拉伸和灰度均衡,从而改变图像的亮度和对比度。第一像素变换和第二像素变换采用不同类型的像素变换。语义分割网络具有像素变换的不变性,当图像进行像素变换后,网络输出的预测保持不变。
在一个实施例中,提取第一特征向量的步骤,包括:将集合T中的图像经过第一像素变换后送入第一语义分割网络提取第一向量,将第一向量通过第一几何变换得到第一特征向量。
在一个实施例中,提取第二特征向量的步骤,包括:将集合T中的图像通过第二像素变换和第一几何变换后,送入第二语义分割网络提取第二特征向量。
需要进行说明的是,图像的几何变换包含图像的平移、镜像、转置、旋转、缩放和插值。语义分割网络具有几何变换的不变性,当图像进行几何变换后,网络输出的预测与图像具有相同的几何变换。因此,第一特征向量与第二特征向量具有特征的等价性。
在一个实施例中,计算类别中心P1或类别中心P2的步骤,包括:采用小批量K-means计算。相比于传统的K-means计算,小批量K-means计算可以减少计算时间。
在一个实施例中,建立第一损失的步骤,包括:根据第一特征向量V1与类别中心P1的距离,及第二特征向量V2与类别中心P2的距离构建视图内聚类中心损失;根据第一特征向量V1与类别中心P2的距离,及第二特征向量V2与类别中心P1的距离构建跨视图聚类中心损失;第一损失为视图内聚类中心损失与跨视图聚类中心损失之和。需要进行说明的是,特征向量与类别中心的距离可以是余弦距离。
示例性地,根据特征向量与类别中心的距离,构建视图内聚类中心损失或跨视图聚类中心损失的公式为其中,fθ(x)[p]为图像xi中像素点p的特征表示,yip为像素点p的类别,则是yip对应类别的类别中心P1或者P2,d(.,.)指的是特征表示和类别中心的余弦距离。
在一个实施例中,建立第二损失的步骤,包括:计算第一视图像素点与类别中心P1的距离判别获得第一伪标签;第一视图根据分类器得到的第一预测值;计算第一视图像素点与类别中心P2的距离判别获得第二伪标签;第二视图根据分类器得到的第二预测值;根据第一伪标签、第一预测值、第二伪标签及第二预测值构建第二损失。
示例性地,第二损失为视图内结构损失和跨视图结构损失之和,视图内结构损失包括第一伪标签与第一预测值之间的损失、第二伪标签与第二预测值之间的损失,跨视图结构损失包括第一伪标签与第二预测值之间的损失、第二伪标签与第一预测值之间的损失。伪标签与预测值之间的损失计算公式为其中Xip为分割结果hi中像素p周围的邻域区域,Yip则为相应的伪标签中像素p周围的邻域区域,和分别为区域Xip和Yip的均值,及分别为区域Xip和Yip的标准差,则为区域Xip和Yip协方差。|p|为图像中像素的个数,C1=0.012及C2=0.032。
在一个实施例中,获得伪标签的步骤,还包括:利用全连接条件随机场DenseCRF模块精细化处理伪标签。
在一个实施例中,根据第一损失和第二损失进行梯度反转的步骤,包括:每八个图像为一个批次计算第一损失和第二损失,并进行梯度反转。八个图像为一个批次,确定了语义分割网络的训练步长也即学习速率。
步骤S103:对脑组织图像进行分割。具体地,将脑组织图像经过图像预处理后,送入第一语义分割网络或第二语义分割网络进行分割。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.一种脑组织图像分割方法,其特征在于,包括:
图像预处理,
获取脑组织图像的集合S,设置所述集合S中图像除脊液、灰质、白质之外的组织为图像背景并去掉,形成集合T;
模型训练,
利用第一语义分割网络提取所述集合T中图像的第一特征向量,形成第一特征向量集合,提取所述第一特征向量的步骤包含对图像进行第一像素变换;
利用第二语义分割网络提取所述集合T中图像的第二特征向量,形成第二特征向量集合,所述第二语义分割共享第一语义分割网络的权重,提取所述第二特征向量的步骤包含对图像进行第二像素变换;
计算所述第一特征向量集合的类别中心P1,计算所述第二特征向量集合的类别中心P2;
遍历所述集合T中图像,提取所述图像的第一特征向量V1和第二特征向量V2;根据所述第一特征向量V1与类别中心P1、类别中心P2的距离,及所述第二特征向量V2与类别中心P1、类别中心P2的距离建立第一损失;
遍历所述集合T中图像,将所述图像经过第一像素变换或第二像素变换后得到第一视图或第二视图,根据所述第一视图像素点或第二视图像素点与类别中心P1、类别中心P2的距离判别获得伪标签,根据所述伪标签,及利用分类器得到的第一视图和第二视图的预测值建立第二损失;
根据所述第一损失和第二损失进行梯度反转,更新所述第一语义分割网络或第二语义分割网络的参数;
图像分割,
将脑组织图像经过所述图像预处理后,送入所述第一语义分割网络或第二语义分割网络进行分割。
2.根据权利要求1所述的方法,其特征在于,提取所述第一特征向量的步骤,包括:
将所述集合T中的图像经过第一像素变换后送入第一语义分割网络提取第一向量,将所述第一向量通过第一几何变换得到第一特征向量。
3.根据权利要求2所述的方法,其特征在于,提取所述第二特征向量的步骤,包括:
将所述集合T中的图像通过第二像素变换和所述第一几何变换后,送入第二语义分割网络提取第二特征向量。
4.根据权利要求1所述的方法,其特征在于,计算所述类别中心P1或类别中心P2的步骤,包括:
采用小批量K-means计算。
5.根据权利要求1所述的方法,其特征在于,建立所述第一损失的步骤,包括:
根据所述第一特征向量V1与类别中心P1的距离,及所述第二特征向量V2与类别中心P2的距离构建视图内聚类中心损失;
根据所述第一特征向量V1与类别中心P2的距离,及所述第二特征向量V2与类别中心P1的距离构建跨视图聚类中心损失;
所述第一损失为视图内聚类中心损失与跨视图聚类中心损失之和。
6.根据权利要求1所述的方法,其特征在于,建立所述第二损失的步骤,包括:
计算所述第一视图像素点与类别中心P1的距离判别获得第一伪标签;
所述第一视图根据分类器得到的第一预测值;
计算所述第一视图像素点与类别中心P2的距离判别获得第二伪标签;
所述第二视图根据分类器得到的第二预测值;
根据所述第一伪标签、所述第一预测值、所述第二伪标签及所述第二预测值构建第二损失。
7.根据权利要求1所述的方法,其特征在于,获得所述伪标签的步骤,还包括:
利用全连接条件随机场DenseCRF模块精细化处理所述伪标签。
8.根据权利要求1所述的方法,其特征在于,根据所述第一损失和第二损失进行梯度反转的步骤,包括:
每八个图像为一个批次计算所述第一损失和第二损失,并进行梯度反转。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210733801.3A CN114898098B (zh) | 2022-06-27 | 2022-06-27 | 脑组织图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210733801.3A CN114898098B (zh) | 2022-06-27 | 2022-06-27 | 脑组织图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114898098A true CN114898098A (zh) | 2022-08-12 |
CN114898098B CN114898098B (zh) | 2024-04-19 |
Family
ID=82729499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210733801.3A Active CN114898098B (zh) | 2022-06-27 | 2022-06-27 | 脑组织图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114898098B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115048539A (zh) * | 2022-08-15 | 2022-09-13 | 山东大学 | 基于动态记忆力的社交媒体数据在线检索方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507343A (zh) * | 2019-01-30 | 2020-08-07 | 广州市百果园信息技术有限公司 | 语义分割网络的训练及其图像处理方法、装置 |
WO2021056916A1 (zh) * | 2019-09-29 | 2021-04-01 | 浪潮电子信息产业股份有限公司 | 一种医学图像分割方法、装置、设备及可读存储介质 |
CN112668579A (zh) * | 2020-12-24 | 2021-04-16 | 西安电子科技大学 | 基于自适应亲和力和类别分配的弱监督语义分割方法 |
CN113569852A (zh) * | 2021-06-09 | 2021-10-29 | 中国科学院自动化研究所 | 语义分割模型的训练方法、装置、电子设备及存储介质 |
KR102335702B1 (ko) * | 2020-11-24 | 2021-12-06 | 연세대학교 산학협력단 | 도메인 적응형 의미론적 영상 분할 장치 및 방법 |
CN114049531A (zh) * | 2021-10-28 | 2022-02-15 | 同济大学 | 一种基于弱监督人体协同分割的行人再识别方法 |
CN114067118A (zh) * | 2022-01-12 | 2022-02-18 | 湖北晓雲科技有限公司 | 一种航空摄影测量数据的处理方法 |
KR20220026917A (ko) * | 2020-08-26 | 2022-03-07 | 연세대학교 산학협력단 | 합성 도메인에서 실제 도메인으로 적응하기 위한 이미지 변환 장치 및 방법 |
CN114332466A (zh) * | 2022-03-11 | 2022-04-12 | 中国科学技术大学 | 图像语义分割网络持续学习方法、系统、设备及存储介质 |
CN114565605A (zh) * | 2022-03-17 | 2022-05-31 | 华东师范大学 | 一种病理图像的分割方法及装置 |
-
2022
- 2022-06-27 CN CN202210733801.3A patent/CN114898098B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507343A (zh) * | 2019-01-30 | 2020-08-07 | 广州市百果园信息技术有限公司 | 语义分割网络的训练及其图像处理方法、装置 |
WO2021056916A1 (zh) * | 2019-09-29 | 2021-04-01 | 浪潮电子信息产业股份有限公司 | 一种医学图像分割方法、装置、设备及可读存储介质 |
KR20220026917A (ko) * | 2020-08-26 | 2022-03-07 | 연세대학교 산학협력단 | 합성 도메인에서 실제 도메인으로 적응하기 위한 이미지 변환 장치 및 방법 |
KR102335702B1 (ko) * | 2020-11-24 | 2021-12-06 | 연세대학교 산학협력단 | 도메인 적응형 의미론적 영상 분할 장치 및 방법 |
CN112668579A (zh) * | 2020-12-24 | 2021-04-16 | 西安电子科技大学 | 基于自适应亲和力和类别分配的弱监督语义分割方法 |
CN113569852A (zh) * | 2021-06-09 | 2021-10-29 | 中国科学院自动化研究所 | 语义分割模型的训练方法、装置、电子设备及存储介质 |
CN114049531A (zh) * | 2021-10-28 | 2022-02-15 | 同济大学 | 一种基于弱监督人体协同分割的行人再识别方法 |
CN114067118A (zh) * | 2022-01-12 | 2022-02-18 | 湖北晓雲科技有限公司 | 一种航空摄影测量数据的处理方法 |
CN114332466A (zh) * | 2022-03-11 | 2022-04-12 | 中国科学技术大学 | 图像语义分割网络持续学习方法、系统、设备及存储介质 |
CN114565605A (zh) * | 2022-03-17 | 2022-05-31 | 华东师范大学 | 一种病理图像的分割方法及装置 |
Non-Patent Citations (2)
Title |
---|
姜威威等: "基于深度协同训练的肝脏CT图像自动分割方法", 电子设计工程, vol. 28, no. 14, 20 July 2020 (2020-07-20), pages 175 - 179 * |
程俊龙等: "基于深度学习的脑部核磁图像分割算法", 轻工科技, vol. 33, no. 08, 26 July 2017 (2017-07-26), pages 93 - 97 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115048539A (zh) * | 2022-08-15 | 2022-09-13 | 山东大学 | 基于动态记忆力的社交媒体数据在线检索方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114898098B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522908B (zh) | 基于区域标签融合的图像显著性检测方法 | |
Pour et al. | Transform domain representation-driven convolutional neural networks for skin lesion segmentation | |
CN110689025B (zh) | 图像识别方法、装置、系统及内窥镜图像识别方法、装置 | |
Moayedi et al. | Contourlet-based mammography mass classification using the SVM family | |
Bechar et al. | Semi-supervised superpixel classification for medical images segmentation: application to detection of glaucoma disease | |
CN111461232A (zh) | 一种基于多策略批量式主动学习的核磁共振图像分类方法 | |
Selvy et al. | Performance analysis of clustering algorithms in brain tumor detection of MR images | |
Qiao et al. | Application of SVM based on genetic algorithm in classification of cataract fundus images | |
Nilakant et al. | A survey on advanced segmentation techniques for brain MRI image segmentation | |
Liu et al. | Automatic segmentation of brain MR images using an adaptive balloon snake model with fuzzy classification | |
CN112419344A (zh) | 一种基于Chan-Vese模型的无监督图像分割方法 | |
CN112233132A (zh) | 一种基于无监督学习的脑磁共振图像分割方法及装置 | |
CN114898098B (zh) | 脑组织图像分割方法 | |
CN109947960B (zh) | 基于深度卷积的人脸多属性联合估计模型构建方法 | |
CN112419335B (zh) | 一种细胞核分割网络的形状损失计算方法 | |
CN106709921B (zh) | 一种基于空间Dirichlet混合模型的彩色图像分割方法 | |
CN116168228A (zh) | 多维特征联合的肿瘤高光谱图像分类方法及系统 | |
CN114255203B (zh) | 一种鱼苗数量估计方法及系统 | |
CN117523626A (zh) | 伪rgb-d人脸识别法 | |
CN112785608B (zh) | 一种基于自适应参数改进snic的医学图像分割方法 | |
Kalinin et al. | A classification approach for anatomical regions segmentation | |
Naik et al. | Brain Tumor Classification using SLIC Segmentation with Superpixel Fusion, GoogleNet, and Linear Neighborhood Semantic Segmentation | |
CN112861916A (zh) | 一种浸润性宫颈癌病理图像分类方法和系统 | |
Kaur et al. | An efficient scheme for brain tumor detection of MRI brain images using Euclidean distance with FVT | |
Hong et al. | A fast density peak clustering algorithm optimized by uncertain number neighbors for breast MR image |
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 |