CN114972361A - 一种血流分割方法、装置、设备及存储介质 - Google Patents

一种血流分割方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114972361A
CN114972361A CN202210439761.1A CN202210439761A CN114972361A CN 114972361 A CN114972361 A CN 114972361A CN 202210439761 A CN202210439761 A CN 202210439761A CN 114972361 A CN114972361 A CN 114972361A
Authority
CN
China
Prior art keywords
blood flow
image
segmented
segmentation
flow 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
Application number
CN202210439761.1A
Other languages
English (en)
Other versions
CN114972361B (zh
Inventor
张少鹏
刘宇航
贠晓帆
丁佳
吕晨翀
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.)
Zhejiang Yizhun Intelligent Technology Co ltd
Original Assignee
Beijing Yizhun Medical AI Co Ltd
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 Beijing Yizhun Medical AI Co Ltd filed Critical Beijing Yizhun Medical AI Co Ltd
Priority to CN202210439761.1A priority Critical patent/CN114972361B/zh
Publication of CN114972361A publication Critical patent/CN114972361A/zh
Application granted granted Critical
Publication of CN114972361B publication Critical patent/CN114972361B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10081Computed x-ray tomography [CT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30101Blood vessel; Artery; Vein; Vascular
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30101Blood vessel; Artery; Vein; Vascular
    • G06T2207/30104Vascular flow; Blood flow; Perfusion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本公开提供了一种血流分割方法、装置、设备及存储介质,应用于图像处理技术领域,方法主要包括:获取待分割图像,待分割图像为CTA图像;根据血流分割模型,对待分割图像进行多尺度特征提取,得到第一特征图;根据第一特征图,对待分割图像进行血管分割,得到血管分割结果;根据第一特征图和血管分割结果,对待分割图像进行血流分割,得到血流分割结果。本公开提供的一种血流分割方法、装置、设备及存储介质,融合了待分割图像不同尺度的特征,并且引入了待分割图像的血管信息,在血管分割结果的基础上进行血流分割,可以进一步提高血流分割的准确性。

Description

一种血流分割方法、装置、设备及存储介质
技术领域
本公开涉及图像处理技术领域,尤其涉及一种血流分割方法、装置、设备及存储介质。
背景技术
在对血管图像进行处理时,经常需要对图像中的血流进行分割,当前对于血流的分割算法普遍基于卷积神经网络模型,例如Unet模型等。Unet模型是在全卷积网络(FCN,Fully Convolutional Networks)的基础上提出的一种对称的网络结构,可以直接使用血流分割标签对Unet模型进行训练,然后利用训练好的Unet模型对图像进行血流分割。
然而,血流分割与血管分割的差异极小,区别仅在于部分病变的位置,如果只用血流分割标签去训练卷积神经网络模型,模型并不能注意到血管与血流之间的差异,会导致血流分割结果不够准确。
发明内容
本公开提供了一种血流分割方法、装置、设备及存储介质,以至少解决现有技术中存在的以上技术问题。
根据本公开的第一方面,提供了一种血流分割方法,该方法包括:获取待分割图像,所述待分割图像为计算机断层扫描血管造影CTA图像;根据血流分割模型,对所述待分割图像进行多尺度特征提取,得到第一特征图;根据所述第一特征图,对所述待分割图像进行血管分割,得到血管分割结果;根据所述第一特征图和血管分割结果,对所述待分割图像进行血流分割,得到血流分割结果。
在一可实施方式中,在所述根据血流分割模型,对所述待分割图像进行多尺度特征提取,得到第一特征图之前,所述方法还包括:获取样本训练集,所述样本训练集包括样本CTA图像、样本CTA图像对应的血管标签和样本CTA图像对应的血流标签;根据所述样本训练集,对卷积神经网络模型进行训练,得到所述血流分割模型;所述血流分割模型的损失函数为:
Figure BDA0003613282990000021
其中,N为所述待分割图像的像素个数,K的取值用于表示像素所属的区域,K的取值可以为0和1,K=0时表示像素属于背景,K=1时表示像素属于血管或血流,
Figure BDA0003613282990000022
Figure BDA0003613282990000023
分别为血管标签和血管分割结果,
Figure BDA0003613282990000024
Figure BDA0003613282990000025
分别为血流标签和血流分割结果,αk为损失权重,i为求和变量。
在一可实施方式中,所述根据血流分割模型,对所述待分割图像进行多尺度特征提取,得到第一特征图,包括:根据所述血流分割模型,对所述待分割图像进行不同尺度的特征提取,得到多个特征图;对所述多个特征图进行上采样操作,得到相同分辨率的多个特征图;对所述相同分辨率的多个特征图进行拼接,得到所述第一特征图。
在一可实施方式中,在所述根据血流分割模型,对所述待分割图像进行不同尺度的特征提取,得到多个特征图之前,所述方法还包括:统一所述待分割图像的体素间距,得到所述待分割图像对应的矩阵,并将所述矩阵输入至所述血流分割模型。
在一可实施方式中,所述血流分割模型包括第一分类层,所述根据第一特征图,对所述待分割图像进行血管分割,得到血管分割结果,包括:根据所述第一分类层,对所述第一特征图的像素进行逐一分类,得到所述血管分割结果。
在一可实施方式中,所述根据第一特征图和血管分割结果,对所述待分割图像进行血流分割,得到血流分割结果,包括:对所述第一特征图和所述血管分割结果进行拼接,得到第二特征图;根据所述第二特征图,对所述待分割图像进行血流分割,得到血流分割结果。
在一可实施方式中,所述血流分割模型还包括第二分类层,所述根据第二特征图,对所述待分割图像进行血流分割,得到血流分割结果,包括:根据所述第二分类层,对所述第二特征图的像素进行逐一分类,得到所述血流分割结果。
根据本公开的第二方面,提供了一种血流分割装置,该装置包括:第一获取模块,用于获取待分割图像,所述待分割图像为计算机断层扫描血管造影CTA图像;特征提取模块,用于根据血流分割模型,对所述待分割图像进行多尺度特征提取,得到第一特征图;血管分割模块,用于根据所述第一特征图,对所述待分割图像进行血管分割,得到血管分割结果;血流分割模块,用于根据所述第一特征图和血管分割结果,对所述待分割图像进行血流分割,得到血流分割结果。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本公开所述的方法。
本公开的一种血流分割方法、装置、设备及存储介质,一方面融合了待分割图像不同尺度的特征,可以学习到待分割图像的整体几何信息,从而提高血流分割的准确性;另一方面,引入了待分割图像的血管信息,在血管分割结果的基础上进行血流分割,聚焦血流和血管有差异的边界区域,使得模型可以区分血流和血管,进一步提高血流分割的准确性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1示出了血管分割与血流分割的差异示意图;
图2示出了本公开第一实施例的一种血流分割方法的流程示意图;
图3示出了本公开第三实施例的一种血流分割方法的流程示意图;
图4示出了本公开实施例的血流分割模型的结构示意图;
图5示出了本公开第八实施例的一种血流分割装置的结构示意图;
图6示出了本公开实施例一种电子设备的组成结构示意图。
具体实施方式
为使本公开的目的、特征、优点能够更加的明显和易懂,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而非全部实施例。基于本公开中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
图1示出了血管分割与血流分割的差异示意图,如图1所示,对于图1中的血管分割结果与血流分割结果,区别仅在于部分病变的位置,如图1中所示的动脉粥样硬化斑块01和动脉粥样硬化斑块02,即血管分割结果为完整的血管,包括动脉粥样硬化斑块01和动脉粥样硬化斑块02覆盖的区域,而血流分割结果与血管分割结果的差异仅在于血流分割结果并不包括动脉粥样硬化斑块01和动脉粥样硬化斑块02覆盖的区域。可见,血流分割与血管分割的差异极小,在实际应用中,如果只用血流分割标签去训练卷积神经网络模型,模型并不能注意到血管与血流的差异,可能会导致血流分割结果不够准确。
图2示出了本公开第一实施例的一种血流分割方法的流程示意图,如图2所示,该方法主要包括:
步骤S101,获取待分割图像,待分割图像为计算机断层扫描血管造影(CTA,Computed Tomography Angiography)图像。
在本实施例中,首先需要获取待分割图像,待分割图像为CTA图像。待分割图像并非单独的一张图像,而是由多张图片层叠在一起的3D图像,待分割图像可以准确的显示出所扫描区域的血管细节,在对待分割图像进行处理时,经常需要对待分割图像进行准确的血流分割。
步骤S102,根据血流分割模型,对待分割图像进行多尺度特征提取,得到第一特征图。
在本实施例中,为了获取待分割图像不同尺度的上下文信息,需要根据血流分割模型,对待分割图像进行多尺度特征提取,得到第一特征图,第一特征图融合了待分割图像不同尺度的特征,可以更好的体现出待分割图像的血流信息。
在一可实施方式中,血流分割模型可以为卷积神经网络模型,将待分割图像输入至血流分割模型,提取血流分割模型不同阶段输出的特征,例如,分别提取出血流分割模型的中间层特征和底层特征,中间层特征更体现待分割图像的全局信息,如血管的几何尺寸等,而底层特征更体现待分割图像的局部信息,如血管中的病变信息等,将中间层特征和底层特征进行融合,就可以得到包含了待分割图像的全局信息和局部信息的第一特征图。
在一可实施方式中,卷积神经网络模型可以为Unet模型,Unet模型的共分为四个阶段(stage),每个阶段都会对待分割图像进行一次上采样,输出该阶段对应的特征图,每个阶段的特征图包含的待分割图像的特征信息都不同,第一阶段输出的特征图包含最多的全局信息和最少的局部信息,而第四阶段输出的特征图包含最少的全局信息和最多的局部信息,将四个阶段输出的特征图进行融合,就可以得到包含了待分割图像的全局信息和局部信息的第一特征图。
步骤S103,根据第一特征图,对待分割图像进行血管分割,得到血管分割结果。
在本实施例中,为了避免血流分割模型无法区分血管和血流的情况,可以先根据第一特征图,对待分割图像进行血管分割,提取出待分割图像的血管分割结果,血管分割结果可以用于辅助血流分割。
在一可实施方式中,可以使用1×1×1卷积核对第一特征图中的像素进行分类,1×1×1卷积核相当于卷积神经网络中的全连接层,但1×1×1卷积核可以作用于局部区域,也就是说,1×1×1卷积核可以对第一特征图中的像素进行逐一分类,而全连接层作用于整体区域,即全连接层只能对第一特征图整体进行分类。在得到第一特征图之后,可以根据1×1×1卷积核对第一特征图中的像素逐一进行分类,判断第一特征图中的像素是否属于血管区域,将第一特征图中的像素全部判断完成之后,即可得到待分割图像的血管分割结果。
步骤S104,根据第一特征图和血管分割结果,对待分割图像进行血流分割,得到血流分割结果。
在本实施例中,得到血管分割结果之后,还需要根据第一特征图和血管分割结果,对待分割图像进行血流分割,从而得到血流分割结果。
在一可实施方式中,可以将第一特征图与血管分割结果进行融合,根据融合结果对待分割图像进行血流分割,相当于在血管分割结果的基础上,再根据第一特征图对待分割图像进行血流分割,这样就可以识别出血管与血流的微小差异,很好的区分出血管和血流,得到准确的血流分割结果。
在本公开第一实施例中,对待分割图像进行多尺度特征提取,得到第一特征图,然后根据第一特征图,得到待分割图像的血管分割结果,最后根据血管分割结果和第一特征图,得到待分割图像的血管分割结果。本公开第一实施例,既融合了待分割图像不同尺度的特征,又引入了待分割图像的血管分割结果,不仅可以学习到待分割图像的整体几何信息,而且在血管分割结果的基础上进行血流分割,聚焦血流和血管有差异的边界区域,进一步提高了血流分割的准确性。
在本公开第二实施例中,在根据血流分割模型,对待分割图像进行多尺度特征提取,得到第一特征图之前,该方法还包括:
获取样本训练集,样本训练集包括样本CTA图像、样本CTA图像对应的血管标签和样本CTA图像对应的血流标签;根据样本训练集,对卷积神经网络模型进行训练,得到血流分割模型;
血流分割模型的损失函数为:
Figure BDA0003613282990000071
其中,N为待分割图像的像素个数,K的取值用于表示像素所属的区域,K的取值可以为0和1,K=0时表示像素属于背景,K=1时表示像素属于血管或血流,
Figure BDA0003613282990000072
Figure BDA0003613282990000073
分别为血管标签和血管分割结果,
Figure BDA0003613282990000074
Figure BDA0003613282990000075
分别为血流标签和血流分割结果,αk为损失权重,i为求和变量。
在本实施例中,需要对卷积神经网络模型进行训练,从而得到血流分割模型,首先需要获取样本训练集,样本训练集中包括大量的样本CTA图像、样本CTA图像对应的血管标签和样本CTA图像对应的血流标签,然后将样本训练集输入至卷积神经网络模型中训练,并将训练结果与血管标签和血流标签进行比较,根据比较结果对卷积神经网络模型的参数进行调整,直到训练结果满足预设的准确率。
在一可实施方式中,训练血流分割模型的损失函数为:
Figure BDA0003613282990000076
其中,血管标签
Figure BDA0003613282990000077
即为血管的监督信息,血流标签
Figure BDA0003613282990000078
即为血流的监督信息,可以设置血流分割只在
Figure BDA0003613282990000079
的情况下进行,即只在某像素属于血管区域的概率大于0.5的情况下进行,可以认为
Figure BDA00036132829900000710
的区域不属于血管,自然也不可能存在血流像素,在训练过程中,根据损失函数将训练结果与血管标签和血流标签进行比较,并根据比较结果对卷积神经网络模型的参数进行调整,直到损失Loss满足预设阈值。
在一可实施方式中,损失权重αk的取值可以根据实际情况进行确定,在本公开中,为了使血流分割模型更加注意负样本的损失权重,可以调大负样本的损失函数,例如设置负样本的损失权重α=0.8,正样本的损失权重α=0.2,正样本为血流区域的像素,负样本为血管分割结果中不属于血流区域的像素,例如动脉粥样硬化斑块等病灶对应的像素。求和变量i的取值可以为1至N中的任意自然数。
在一可实施方式中,卷积神经网络模型可以为全卷积网络(FCN,FullyConvolutional Networks)模型、Unet模型和金字塔场景分析网络(PSPnet,Pyramid SceneParsing Network)模型等,本公开不对卷积神经网络模型的选取进行限定。
在本公开第二实施例中,根据样本训练集对卷积神经网络模型进行训练,得到血流分割模型,血流分割模型融合了血流监督信息和血管监督信息,在此基础上能够提升对待分割图像进行血流分割的准确性。
图3示出了本公开第三实施例的一种血流分割方法的流程示意图,如图3所示,步骤S102主要包括:
步骤S201,根据血流分割模型,对待分割图像进行不同尺度的特征提取,得到多个特征图。
在本实施例中,首先需要根据血流分割模型,对待分割图像进行不同尺度的特征提取,从而得到多个特征图。
在一可实施方式中,可以分别提取出血流分割模型的中间层特征和底层特征对应的多个特征图,若血流分割模型为Unet模型,则提取出Unet模型的四个阶段对应的特征图,Unet模型的四个阶段的输出分别对应不同尺度的特征。
步骤S202,对多个特征图进行上采样操作,得到相同分辨率的多个特征图。
在本实施例中,根据血流分割模型得到多个特征图之后,需要对多个特征图进行上采样操作,使多个特征图的分辨率相同,从而得到相同分辨率的多个特征图。
在一可实施方式中,因为利用血流分割模型对待分割图像进行血流分割后的血流分割结果需要与待分割图像的分辨率相同,因此需要将多个特征图的分辨率上采样到待分割图像的分辨率,得到相同分辨率的多个特征图,这样利用相同分辨率的多个特征图对待分割图像进行血流分割后的血流分割结果就是待分割图像的分辨率,例如,若待分割图像的分辨率为32×32×32,多个特征图的分辨率分别为4×4×4、8×8×8、16×16×16和32×32×32,那么,利用双线性插值法分别将前三个特征图的分辨率上采样到待分割图像的分辨率32×32×32即可。
在一可实施方式中,可以采用插值法(Interpolation)、反卷积(Deconvolution)和反池化(unPooling)等方法对多个特征图进行上采样操作,本公开不对上采样的方法进行限定。
步骤S203,对相同分辨率的多个特征图进行拼接,得到第一特征图。
在本实施例中,得到相同分辨率的多个特征图之后,需要对相同分辨率的多个特征图进行拼接,从而得到第一特征图。
在一可实施方式中,若待分割图像的分辨率为h×w×d×c,其中,h表示待分割图像的高度,w表示待分割图像的宽度,d表示待分割图像的深度,c表示待分割图像的特征通道数,将进行上采样操作之后得到的相同分辨率的多个特征图进行拼接时,只需要对特征通道数进行拼接即可,即只需要将所有相同分辨率的多个特征图的特征通道数相加,则得到的第一特征图的分辨率为h×w×d×nc,n为多个特征图的个数,例如,若待分割图像的分辨率为32×32×32×16,多个特征图的个数为4,将多个特征图上采样到32×32×32×16这个分辨率之后,再对相同分辨率的多个特征图进行拼接得到的第一特征图的分辨率则为32×32×32×64。
在本公开第三实施例中,首先根据血流分割模型,对待分割图像进行不同尺度的特征提取,得到多个特征图,然后对多个特征图进行上采样操作,得到相同分辨率的多个特征图,最后对相同分辨率的多个特征图进行拼接,得到第一特征图,这样得到的第一特征图包含待分割图像的不同尺度的上下文信息,可以更加全面的体现出待分割图像中血流的整体几何信息,便于后续根据第一特征图对待分割图像进行血流分割。
在本公开第四实施例中,在步骤S201之前,该方法还包括:统一待分割图像的体素间距,得到待分割图像对应的矩阵,并将矩阵输入至血流分割模型。
在本实施例中,在根据血流分割模型,对待分割图像进行不同尺度的特征提取,得到多个特征图之前,还需要对待分割图像进行简单处理,即统一待分割图像的体素间距(spacing),体素间距为3D图像中的像素间距。待分割图像为一个3D图像,其在Z轴上的体素间距与X、Y轴不同,Z轴上体素间距更大,此时可以对Z轴上的体素间距进行插值运算,使Z轴上体素间距与X、Y轴相同,同时保证Z轴上的采样更密集,从而得到待分割图像对应的3D矩阵,然后将该3D矩阵输入至血流分割模型进行多尺度特征提取。
在一可实施方式中,由于3D矩阵的尺寸比较大,将其输入至血流分割模型进行血流分割时计算代价会很大,因此可以采用比较小的批尺寸(batch size),即每批只处理比较小的数据量,或者将待分割图像切小图块后使用大的批尺寸,在本公开中,可以将以上两种方式结合起来:例如,若利用CTA技术采集的是冠状动脉血管,而冠状动脉血管的直径在4至5毫米,可以将体素间距统一为0.4毫米,并将待分割图像切为32×32×32的小图块,这个尺寸足以覆盖进行血流分割需要的图像信息,然后使用128这个较小的批尺寸进行处理。具体地,统一后的体素间距、小图块的尺寸和批尺寸可以根据实际情况确定,本公开不对统一后的体素间距、小图块的尺寸和批尺寸进行限定。
在本公开第四实施例中,在根据血流分割模型,对待分割图像进行不同尺度的特征提取,得到多个特征图之前,还需要统一待分割图像的体素间距,得到待分割图像对应的矩阵,然后将矩阵输入至血流分割模型,这样有助于血流分割模型快速提取待分割图像的多尺度特征,并对其进行血流分割,从而提高血流分割的效率。
在本公开第五实施例中,血流分割模型包括第一分类层,步骤S103具体包括:根据第一分类层,对第一特征图的像素进行逐一分类,得到血管分割结果。
在本实施例中,血流分割模型包括第一分类层,第一分类层用于对第一特征图中的像素进行分类,在得到第一特征图之后,可以根据第一分类层,对第一特征图中的像素进行逐一分类,得到血管分割结果。
在一可实施方式中,第一分类层可以为一个1×1×1的卷积核,该卷积核可以直接对第一特征图中的像素进行分类,输出第一特征图中的每一个像素是否属于血管,从而得到血管分割结果,即第一分类层相当于一个逐点全连接层,逐点全连接层可以对第一特征图中的像素进行分类,而不对第一特征图整体进行分类。
在本公开第五实施例中,根据血流分割模型的第一分类层,对第一特征图的像素进行逐一分类,得到血管分割结果,血管分割结果用于后续对待分割图像进行血流分割,这样可以使得血流分割模型注意到血管与血流之间的差异,从而提高血流分割的准确率。
在本公开第六实施例中,步骤S104具体包括:对第一特征图和血管分割结果进行拼接,得到第二特征图;根据第二特征图,对待分割图像进行血流分割,得到血流分割结果。
在本实施例中,首先需要将第一特征图和血管分割结果拼接在一起,得到第二特征图,然后根据第二特征图,对待分割图像进行血流分割,得到血流分割结果。
在一可实施方式中,若第一特征图的分辨率为32×32×32×64,使用1×1×1卷积核对第一特征图的像素进行分类之后得到的血管分割结果的分辨率则为32×32×32×1,那么将第一特征图与血管分割结果进行拼接之后得到的第二特征图的分辨率则为32×32×32×65。
在一可实施方式中,也可以使用1×1×1卷积核对第二特征图中的像素进行分类,判断第二特征图中的像素是否属于血流区域,将第二特征图中的像素全部判断完成之后,即可得到待分割图像的血流分割结果。
在本公开第六实施例中,首先对第一特征图和血管分割结果进行拼接,得到第二特征图,然后根据第二特征图,对待分割图像进行血流分割,得到血流分割结果,即在血管分割结果的基础上,利用第一特征图进行血流分割,可以提高血流分割的准确性。
在本公开第七实施例中,血流分割模型还包括第二分类层,根据第二特征图,对待分割图像进行血流分割,得到血流分割结果,包括:根据第二分类层,对第二特征图的像素进行逐一分类,得到血流分割结果。
在本实施例中,血流分割模型包括第二分类层,第二分类层用于对第二特征图中的像素进行分类,在得到第二特征图之后,可以根据第二分类层,对第二特征图中的像素进行逐一分类,得到血流分割结果。
在一可实施方式中,第二分类层也可以为一个1×1×1的卷积核,该卷积核可以直接对第二特征图中的像素进行分类,输出第二特征图中的每一个像素是否属于血流,从而得到血流分割结果,即第二分类层也相当于一个逐点全连接层,逐点全连接层可以对第二特征图中的像素进行分类,而不对第二特征图整体进行分类。
在本公开第七实施例中,根据血流分割模型的第二分类层,对第二特征图的像素进行逐一分类,得到血流分割结果,血流分割结果是在血管分割结果的基础上得到的,因此区分了血管与血流之间的差异,进一步提高了血流分割的准确率。
图4示出了本公开实施例的血流分割模型的结构示意图,如图4所示,本公开中血流分割模型包括Unet模型03、第一分类层04和第二分类层05,需要强调的是,本公开不对用于训练血管分割模型的卷积神经网络进行限定,图4中所示的用于训练血管分割模型的卷积神经网络为Unet模型,还可以为其他卷积神经网络,以图4中所示的血流分割模型执行本公开一种血流分割方法的过程为:
将待分割图像统一体素间距后输入Unet模型03,Unet模型03对待分割图像进行多尺度特征提取,即提取出Unet模型03的四个阶段输出的特征图,并对输出的四个特征图进行上采样操作,使其分辨率与待分割图像的分辨率相同,然后将相同分辨率的四个特征图拼接在一起,得到第一特征图;然后根据第一分类层04,对第一特征图中的像素进行分类,判断第一特征图中的像素是否属于血管区域,得到血管分割结果,再将血管分割结果与第一特征图进行拼接,得到第二特征图;然后根据第二分类层05,对第二特征图中的像素进行分类,判断第二特征图中的像素是否属于血流区域,得到血流分割结果。由此,可以在血管分割结果的基础上,对待分割图像进行血流分割,从而提高血流分割的准确性。
图5示出了本公开第八实施例的一种血流分割装置的结构示意图,如图5所示,该装置主要包括:第一获取模块50,用于获取待分割图像,待分割图像为CTA图像;特征提取模块51,用于根据血流分割模型,对待分割图像进行多尺度特征提取,得到第一特征图;血管分割模块52,用于根据第一特征图,对待分割图像进行血管分割,得到血管分割结果;血流分割模块53,用于根据第一特征图和血管分割结果,对待分割图像进行血流分割,得到血流分割结果。
在一可实施方式中,该装置还包括:
第二获取模块,用于获取样本训练集,样本训练集包括样本CTA图像、样本CTA图像对应的血管标签和样本CTA图像对应的血流标签;训练模块,用于根据样本训练集,对卷积神经网络模型进行训练,得到血流分割模型。
在一可实施方式中,特征提取模块51主要包括:特征提取子模块,用于根据血流分割模型,对待分割图像进行不同尺度的特征提取,得到多个特征图;上采样子模块,用于对多个特征图进行上采样操作,得到相同分辨率的多个特征图;第一拼接子模块,用于对相同分辨率的多个特征图进行拼接,得到第一特征图。
在一可实施方式中,该装置还包括:统一模块,用于统一待分割图像的体素间距,得到待分割图像对应的矩阵,并将矩阵输入至血流分割模型。
在一可实施方式中,血管分割模块52主要包括:第一分割子模块,用于根据第一分类层,对第一特征图的像素进行逐一分类,得到血管分割结果。
在一可实施方式中,血流分割模块53主要包括:第二拼接子模块,用于对第一特征图和血管分割结果进行拼接,得到第二特征图;第二分割子模块,用于根据第二特征图,对待分割图像进行血流分割,得到血流分割结果。
在一可实施方式中,第二分割子模块主要包括:分割单元,用于根据第二分类层,对第二特征图的像素进行逐一分类,得到血流分割结果。
根据本公开的实施例,本公开还提供了一种电子设备和一种可读存储介质。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如一种血流分割方法。例如,在一些实施例中,一种血流分割方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的一种血流分割方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行一种血流分割方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种血流分割方法,其特征在于,所述方法包括:
获取待分割图像,所述待分割图像为计算机断层扫描血管造影CTA图像;
根据血流分割模型,对所述待分割图像进行多尺度特征提取,得到第一特征图;
根据所述第一特征图,对所述待分割图像进行血管分割,得到血管分割结果;
根据所述第一特征图和血管分割结果,对所述待分割图像进行血流分割,得到血流分割结果。
2.根据权利要求1所述的方法,其特征在于,在所述根据血流分割模型,对所述待分割图像进行多尺度特征提取,得到第一特征图之前,所述方法还包括:
获取样本训练集,所述样本训练集包括样本CTA图像、样本CTA图像对应的血管标签和样本CTA图像对应的血流标签;
根据所述样本训练集,对卷积神经网络模型进行训练,得到所述血流分割模型;
所述血流分割模型的损失函数为:
Figure FDA0003613282980000011
其中,N为所述待分割图像的像素个数,K的取值用于表示像素所属的区域,K的取值可以为0和1,K=0时表示像素属于背景,K=1时表示像素属于血管或血流,
Figure FDA0003613282980000012
Figure FDA0003613282980000013
分别为血管标签和血管分割结果,
Figure FDA0003613282980000014
Figure FDA0003613282980000015
分别为血流标签和血流分割结果,αk为损失权重,i为求和变量。
3.根据权利要求1所述的方法,其特征在于,所述根据血流分割模型,对所述待分割图像进行多尺度特征提取,得到第一特征图,包括:
根据所述血流分割模型,对所述待分割图像进行不同尺度的特征提取,得到多个特征图;
对所述多个特征图进行上采样操作,得到相同分辨率的多个特征图;
对所述相同分辨率的多个特征图进行拼接,得到所述第一特征图。
4.根据权利要求3所述的方法,其特征在于,在所述根据血流分割模型,对所述待分割图像进行不同尺度的特征提取,得到多个特征图之前,所述方法还包括:
统一所述待分割图像的体素间距,得到所述待分割图像对应的矩阵,并将所述矩阵输入至所述血流分割模型。
5.根据权利要求1所述的方法,其特征在于,所述血流分割模型包括第一分类层,所述根据第一特征图,对所述待分割图像进行血管分割,得到血管分割结果,包括:
根据所述第一分类层,对所述第一特征图的像素进行逐一分类,得到所述血管分割结果。
6.根据权利要求1所述的方法,其特征在于,所述根据第一特征图和血管分割结果,对所述待分割图像进行血流分割,得到血流分割结果,包括:
对所述第一特征图和所述血管分割结果进行拼接,得到第二特征图;
根据所述第二特征图,对所述待分割图像进行血流分割,得到血流分割结果。
7.根据权利要求6所述的方法,其特征在于,所述血流分割模型还包括第二分类层,所述根据第二特征图,对所述待分割图像进行血流分割,得到血流分割结果,包括:
根据所述第二分类层,对所述第二特征图的像素进行逐一分类,得到所述血流分割结果。
8.一种血流分割装置,其特征在于,所述装置包括:
第一获取模块,用于获取待分割图像,所述待分割图像为计算机断层扫描血管造影CTA图像;
特征提取模块,用于根据血流分割模型,对所述待分割图像进行多尺度特征提取,得到第一特征图;
血管分割模块,用于根据所述第一特征图,对所述待分割图像进行血管分割,得到血管分割结果;
血流分割模块,用于根据所述第一特征图和血管分割结果,对所述待分割图像进行血流分割,得到血流分割结果。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
CN202210439761.1A 2022-04-25 2022-04-25 一种血流分割方法、装置、设备及存储介质 Active CN114972361B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210439761.1A CN114972361B (zh) 2022-04-25 2022-04-25 一种血流分割方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210439761.1A CN114972361B (zh) 2022-04-25 2022-04-25 一种血流分割方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114972361A true CN114972361A (zh) 2022-08-30
CN114972361B CN114972361B (zh) 2022-12-16

Family

ID=82978734

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210439761.1A Active CN114972361B (zh) 2022-04-25 2022-04-25 一种血流分割方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114972361B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116258717A (zh) * 2023-05-15 2023-06-13 广州思德医疗科技有限公司 病灶识别方法、装置、设备和存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109741335A (zh) * 2018-11-28 2019-05-10 北京理工大学 血管oct图像中血管壁及血流区域的分割方法与装置
US20190279361A1 (en) * 2018-03-07 2019-09-12 University Of Virginia Patent Foundation Automatic quantification of cardiac mri for hypertrophic cardiomyopathy
CN110517264A (zh) * 2019-09-03 2019-11-29 武汉市中心医院 一种基于血管分割的病灶提取方法及装置
US20200167930A1 (en) * 2017-06-16 2020-05-28 Ucl Business Ltd A System and Computer-Implemented Method for Segmenting an Image
CN112102283A (zh) * 2020-09-14 2020-12-18 北京航空航天大学 一种基于深度多尺度注意力卷积神经网络的视网膜眼底血管分割方法
CN112465834A (zh) * 2020-11-26 2021-03-09 中科麦迪人工智能研究院(苏州)有限公司 一种血管分割方法及装置
CN112489047A (zh) * 2021-02-05 2021-03-12 四川大学 一种基于深度学习的盆骨及其动脉血管的多层级分割方法
CN113313728A (zh) * 2021-06-16 2021-08-27 首都医科大学附属北京天坛医院 一种颅内动脉分割方法及系统
CN113808146A (zh) * 2021-10-18 2021-12-17 山东大学 一种医学图像多器官分割方法及系统
CN113850812A (zh) * 2021-09-06 2021-12-28 北京航空航天大学 一种眼底动静脉图像分割方法、装置和设备
CN113920078A (zh) * 2021-09-30 2022-01-11 北京鹰瞳科技发展股份有限公司 一种针对眼底图像的血管分割方法和电子设备
CN114332802A (zh) * 2022-03-15 2022-04-12 北京中科慧眼科技有限公司 基于双目相机的路面平坦度语义分割方法和系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200167930A1 (en) * 2017-06-16 2020-05-28 Ucl Business Ltd A System and Computer-Implemented Method for Segmenting an Image
US20190279361A1 (en) * 2018-03-07 2019-09-12 University Of Virginia Patent Foundation Automatic quantification of cardiac mri for hypertrophic cardiomyopathy
CN109741335A (zh) * 2018-11-28 2019-05-10 北京理工大学 血管oct图像中血管壁及血流区域的分割方法与装置
CN110517264A (zh) * 2019-09-03 2019-11-29 武汉市中心医院 一种基于血管分割的病灶提取方法及装置
CN112102283A (zh) * 2020-09-14 2020-12-18 北京航空航天大学 一种基于深度多尺度注意力卷积神经网络的视网膜眼底血管分割方法
CN112465834A (zh) * 2020-11-26 2021-03-09 中科麦迪人工智能研究院(苏州)有限公司 一种血管分割方法及装置
CN112489047A (zh) * 2021-02-05 2021-03-12 四川大学 一种基于深度学习的盆骨及其动脉血管的多层级分割方法
CN113313728A (zh) * 2021-06-16 2021-08-27 首都医科大学附属北京天坛医院 一种颅内动脉分割方法及系统
CN113850812A (zh) * 2021-09-06 2021-12-28 北京航空航天大学 一种眼底动静脉图像分割方法、装置和设备
CN113920078A (zh) * 2021-09-30 2022-01-11 北京鹰瞳科技发展股份有限公司 一种针对眼底图像的血管分割方法和电子设备
CN113808146A (zh) * 2021-10-18 2021-12-17 山东大学 一种医学图像多器官分割方法及系统
CN114332802A (zh) * 2022-03-15 2022-04-12 北京中科慧眼科技有限公司 基于双目相机的路面平坦度语义分割方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DAN YANG等: "A Multi-Scale Feature Fusion Method Based on U-Net for Retinal Vessel Segmentation", 《ENTROPY》 *
梁礼明等: "多尺度特征融合双U型视网膜分割算法", 《光电子 激光》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116258717A (zh) * 2023-05-15 2023-06-13 广州思德医疗科技有限公司 病灶识别方法、装置、设备和存储介质
CN116258717B (zh) * 2023-05-15 2023-09-08 广州思德医疗科技有限公司 病灶识别方法、装置、设备和存储介质

Also Published As

Publication number Publication date
CN114972361B (zh) 2022-12-16

Similar Documents

Publication Publication Date Title
CN111652217B (zh) 文本检测方法、装置、电子设备及计算机存储介质
CN113139543B (zh) 目标对象检测模型的训练方法、目标对象检测方法和设备
CN110443258B (zh) 文字检测方法、装置、电子设备及存储介质
CN112857268B (zh) 对象面积测量方法、装置、电子设备和存储介质
CN112800915A (zh) 建筑物变化检测方法、装置、电子设备以及存储介质
CN115409990B (zh) 一种医学图像分割方法、装置、设备及存储介质
JP2023527615A (ja) 目標対象検出モデルのトレーニング方法、目標対象検出方法、機器、電子機器、記憶媒体及びコンピュータプログラム
CN113947188A (zh) 目标检测网络的训练方法和车辆检测方法
CN115018805A (zh) 分割模型训练方法、图像分割方法、装置、设备及介质
CN114648676A (zh) 点云处理模型的训练和点云实例分割方法及装置
CN113409461A (zh) 构建地貌地图的方法、装置、电子设备和可读存储介质
CN111260564A (zh) 一种图像处理方法和装置及计算机存储介质
CN114972361B (zh) 一种血流分割方法、装置、设备及存储介质
CN113971728B (zh) 图像识别方法、模型的训练方法、装置、设备及介质
CN111192320A (zh) 一种位置信息确定方法、装置、设备和存储介质
CN114972220B (zh) 一种图像处理方法、装置、电子设备及可读存储介质
CN115409856A (zh) 一种肺部医学图像处理方法、装置、设备及存储介质
CN113032071B (zh) 页面元素定位方法、页面测试方法、装置、设备和介质
CN113610856A (zh) 训练图像分割模型和图像分割的方法和装置
CN114925076A (zh) 地图数据的更新方法、装置、电子设备和存储介质
CN113763405A (zh) 一种图像检测方法和装置
CN117333487B (zh) 一种痘痘分级方法、装置、设备及存储介质
CN114092739B (zh) 图像处理方法、装置、设备、存储介质和程序产品
CN117372261B (zh) 基于卷积神经网络的分辨率重建方法、装置、设备及介质
CN115690143B (zh) 图像分割方法、装置、电子设备及存储介质

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: Room 3011, 2nd Floor, Building A, No. 1092 Jiangnan Road, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323000

Patentee after: Zhejiang Yizhun Intelligent Technology Co.,Ltd.

Address before: No. 1202-1203, 12 / F, block a, Zhizhen building, No. 7, Zhichun Road, Haidian District, Beijing 100083

Patentee before: Beijing Yizhun Intelligent Technology Co.,Ltd.