CN115239962B - 基于深层大感受野空间注意力的目标分割方法和装置 - Google Patents
基于深层大感受野空间注意力的目标分割方法和装置 Download PDFInfo
- Publication number
- CN115239962B CN115239962B CN202211161150.1A CN202211161150A CN115239962B CN 115239962 B CN115239962 B CN 115239962B CN 202211161150 A CN202211161150 A CN 202211161150A CN 115239962 B CN115239962 B CN 115239962B
- Authority
- CN
- China
- Prior art keywords
- network
- false positive
- extraction
- feature map
- attention
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/443—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 by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深层大感受野空间注意力的目标分割方法和装置,通过采用提取网络和接收网络,共同完成初始目标分割结果的图像特征提取任务,其中,提取网络和接收网络中均采用多层卷积层对初始目标分割结果进行多层特征图提取,且利用空间注意力机制从提取网络的更深层的特征图中提取注意力信息,利用提取网络输出的深层特征图中包含的更大感受野提取更准确更有效的注意力信息,再利用该注意力信息对接收网络中较浅层的特征图进行调整,强化其中区分性更高、重要性更高的区域的特征,从而从接收网络浅层卷积层开始引导接收网络后续的特征提取过程更关注上述区分性更高、重要性更高的区域,提升了图像特征提取的精度和假阳目标检测的准确性。
Description
技术领域
本发明涉及图像分割技术领域,尤其涉及一种基于深层大感受野空间注意力的目标分割方法和装置。
背景技术
目前,基于人工智能技术的图像分割方案被更多地应用于医学领域,以对各类医学影像进行目标分割,从而可以基于图像分割得到的目标区域进行进一步处理,例如基于分割得到的人体组织、器官子图像进行可视化处理,以便于教学或是提升医学影像报告可读性等;或是基于分割得到的感兴趣区域进行尺寸、形状等数据统计,以进行大数据分析等。
然而,由于感兴趣区域以及背景区域在医学影像中具有类似的影像学特征,并且为了确保不漏检,神经网络模型的灵敏度也相应调整得较高,使得模型的输出结果呈现假阳率高的特点。因此,为了提升医学影像分割的准确性,需要引入假阳性抑制任务。
目前用于假阳性抑制任务的神经网络中,多采用空间注意力机制增强神经网络的图像特征提取能力,从而提升假阳性目标的区分能力、增强网络性能。现有的空间注意力机制包括层内注意力与CBAM(Convolutional Block Attention Module,卷积块注意力模块)等,其共同特点为注意力层与对应卷积层相连,导致浅层部分的注意力层感受野较小,提供的注意力信息不够准确,对浅层编码准确率的提升效果不大,进而导致对整个网络的分类性能的提升效果非常有限,从而难以将医学影像中的假阳性目标准确地辨认出来。
发明内容
本发明提供一种基于深层大感受野空间注意力的目标分割方法和装置,用以解决现有技术中图像特征提取精度不足、难以辨认医学影像中的假阳性目标的缺陷。
本发明提供一种基于深层大感受野空间注意力的目标分割方法,包括:
基于目标分割模型,对待分割医学影像进行目标分割,得到所述待分割医学影像对应的初始目标分割结果;
基于假阳抑制模型中的提取网络和接收网络,对所述初始目标分割结果进行多层特征图提取,得到所述初始目标分割结果的图像特征;其中,所述接收网络在进行当前层特征图提取时,基于空间注意力机制,对所述接收网络输出的上一层特征图以及所述提取网络输出的深层特征图进行融合提取,得到所述接收网络输出的当前层特征图;所述提取网络输出的深层特征图的层数大于等于所述接收网络当前层的层数;所述初始目标分割结果的图像特征为所述接收网络输出的最末层特征图;
基于所述接收网络对所述图像特征进行假阳检测,确定所述待分割医学影像的目标分割结果。
根据本发明提供的一种基于深层大感受野空间注意力的目标分割方法,所述假阳抑制模型是基于如下步骤训练得到的:
分别基于所述接收网络和所述提取网络对样本目标图像进行假阳检测,得到所述接收网络输出的第一假阳检测结果和所述提取网络输出的第二假阳检测结果;
基于所述第一假阳检测结果与所述样本目标图像的标注结果之间的差异,确定所述假阳抑制模型的主损失,并基于所述第二假阳检测结果与所述样本目标图像的标注结果之间的差异,确定所述假阳抑制模型的辅助损失;
基于所述假阳抑制模型的主损失和辅助损失,调整所述假阳抑制模型的网络参数;其中,所述主损失和辅助损失用于反向监督所述接收网络和所述提取网络的特征提取性能和假阳检测性能,以及空间注意力机制的性能。
根据本发明提供的一种基于深层大感受野空间注意力的目标分割方法,所述基于所述假阳抑制模型的主损失和辅助损失,调整所述假阳抑制模型的网络参数,具体包括:
基于所述假阳抑制模型的主损失,反向调整所述接收网络中特征提取子网络和假阳检测子网络的网络参数;
基于所述假阳抑制模型的主损失和辅助损失,反向调整所述提取网络的特征提取子网络、假阳检测子网络以及空间注意力变换层的网络参数;
其中,所述接收网络和所述提取网络的特征提取子网络和假阳检测子网络分别用于多层特征图提取和假阳检测,所述空间注意力变换层用于执行所述空间注意力机制对应的操作。
根据本发明提供的一种基于深层大感受野空间注意力的目标分割方法,所述基于空间注意力机制,对所述接收网络输出的上一层特征图以及所述提取网络输出的深层特征图进行融合提取,得到所述接收网络输出的当前层特征图,具体包括:
基于所述提取网络中与所述深层特征图对应的空间注意力变换层,对所述提取网络的特征提取子网络输出的所述深层特征图进行注意力变换,得到所述初始目标分割结果中各子区域的注意力程度;
基于所述接收网络的特征提取子网络,利用所述初始目标分割结果中各子区域的注意力程度,对所述接收网络输出的上一层特征图中所述各子区域对应的特征值进行调整,得到更新特征图,并对所述更新特征图进行特征提取,得到所述接收网络输出的当前层特征图。
根据本发明提供的一种基于深层大感受野空间注意力的目标分割方法,所述基于所述提取网络中与所述深层特征图对应的空间注意力变换层,对所述提取网络的特征提取子网络输出的所述深层特征图进行注意力变换,得到所述初始目标分割结果中各子区域的注意力程度,具体包括:
基于所述空间注意力变换层,对所述提取网络的特征提取子网络输出的所述深层特征图进行注意力变换,得到所述深层特征图所在感受野下的注意力矩阵;
对所述注意力矩阵进行上采样,得到尺寸与所述接收网络输出的上一层特征图的尺寸相同的上采样注意力矩阵;其中,所述上采样注意力矩阵中包含所述初始目标分割结果中各子区域的注意力程度。
根据本发明提供的一种基于深层大感受野空间注意力的目标分割方法,所述基于所述接收网络的特征提取子网络,利用所述初始目标分割结果中各子区域的注意力程度,对所述接收网络输出的上一层特征图中所述各子区域对应的特征值进行调整,得到更新特征图,具体包括:
将所述上采样注意力矩阵和所述接收网络输出的上一层特征图进行逐元素相乘,得到所述更新特征图。
本发明还提供一种基于深层大感受野空间注意力的目标分割装置,包括:
目标分割单元,用于基于目标分割模型,对待分割医学影像进行目标分割,得到所述待分割医学影像对应的初始目标分割结果;
特征提取单元,用于基于假阳抑制模型中的提取网络和接收网络,对所述初始目标分割结果进行多层特征图提取,得到所述初始目标分割结果的图像特征;其中,所述接收网络在进行当前层特征图提取时,基于空间注意力机制,对所述接收网络输出的上一层特征图以及所述提取网络输出的深层特征图进行融合提取,得到所述接收网络输出的当前层特征图;所述提取网络输出的深层特征图的层数大于等于所述接收网络当前层的层数;所述初始目标分割结果的图像特征为所述接收网络输出的最末层特征图;
假阳抑制单元,用于基于所述接收网络对所述图像特征进行假阳检测,确定所述待分割医学影像的目标分割结果。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于深层大感受野空间注意力的目标分割方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于深层大感受野空间注意力的目标分割方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于深层大感受野空间注意力的目标分割方法。
本发明提供的基于深层大感受野空间注意力的目标分割方法和装置,通过采用提取网络和接收网络,共同完成初始目标分割结果的图像特征提取任务,其中,提取网络和接收网络中均采用多层卷积层对初始目标分割结果进行多层特征图提取,且利用空间注意力机制从提取网络的更深层的特征图中提取注意力信息,利用提取网络输出的深层特征图中包含的更大感受野提取更准确更有效的注意力信息,再利用该注意力信息对接收网络中较浅层的特征图进行调整,强化其中区分性更高、重要性更高的区域的特征,从而从接收网络浅层卷积层开始引导接收网络后续的特征提取过程更关注上述区分性更高、重要性更高的区域,提升了图像特征提取的精度,并进一步提高了假阳目标检测的准确性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明提供的基于深层大感受野空间注意力的目标分割方法的流程示意图;
图2是本发明提供的特征提取方法的流程示意图;
图3是本发明提供的训练过程中的模型结构示意图;
图4是本发明提供的后向传播路径的示意图;
图5是本发明提供的基于深层大感受野空间注意力的目标分割装置的结构示意图;
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,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。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明提供的基于深层大感受野空间注意力的目标分割方法的流程示意图,如图1所示,该方法包括:
步骤110,基于目标分割模型,对待分割医学影像进行目标分割,得到所述待分割医学影像对应的初始目标分割结果;
步骤120,基于假阳抑制模型中的提取网络和接收网络,对所述初始目标分割结果进行多层特征图提取,得到所述初始目标分割结果的图像特征;其中,所述接收网络在进行当前层特征图提取时,基于空间注意力机制,对所述接收网络输出的上一层特征图以及所述提取网络输出的深层特征图进行融合提取,得到所述接收网络输出的当前层特征图;所述提取网络输出的深层特征图的层数大于等于所述接收网络当前层的层数;所述初始目标分割结果的图像特征为所述接收网络输出的最末层特征图;
步骤130,基于所述接收网络对所述图像特征进行假阳检测,确定所述待分割医学影像的目标分割结果。
具体地,可以基于训练好的目标分割模型,对当前的待分割医学影像进行目标分割,得到目标分割模型输出的一个或多个初始目标分割结果。其中,初始目标分割结果中包含目标分割模型预测的感兴趣区域(即目标)对应的子图像。此处,目标分割模型所需预测的目标类型可以基于实际应用场景选定,例如肺部组织、血管等,然后获取大量包含目标的样本医学图像以及其中感兴趣区域的勾画标注,以对目标分割模型进行充分的训练。
此外,目标分割模型可以基于U-net、V-net等分割模型构建得到,且目标分割模型不限于2D模型或3D模型。其中,若目标分割模型为2D模型,则样本医学图像和待分割医学影像可以选用完整的CT轴位图像;若目标分割模型为3D模型,则样本医学图像和待分割医学影像可以选用从CT图像中随机采样的3D图像块,本发明实施例对此不作具体限定。
然而,由于感兴趣区域以及背景区域在医学影像中具有类似的影像学特征,并且为了确保不漏检,目标分割模型的灵敏度也相应调整得较高,使得模型输出的初始目标分割结果可能是假阳目标,即被目标分割模型检测为目标但实际上不是目标的对象。因此,为了提升医学影像目标分割的准确性,需要对初始目标分割结果进行后续假阳检测,当其为假阳目标时将其去除。正由于医学影像本身的成像质量会对机器学习模型提取图像特征以及辨认目标与非目标带来严峻考验,且医学影像中感兴趣区域与背景区域边界不清晰且具备类似的影像学特征,因此,可以通过提升图像特征提取精度的方式,达到提升假阳检测的检测精度的目的。
具体而言,本发明实施例在构建假阳抑制模型时,采用了两个卷积神经网络——提取网络和接收网络,共同完成初始目标分割结果的图像特征提取任务。其中,提取网络和接收网络可以基于结构相同的卷积神经网络骨架构建得到;提取网络和接收网络中均采用了多层卷积层对初始目标分割结果进行多层特征图提取,每层卷积层提取的特征图的尺寸由大到小,其对应的感受野则由小到大。即,越浅层卷积层输出的特征图对应的尺寸越大,但感受野越小,因而提取到的图像特征越底层、包含有更多图像细节信息;相应地,越深层卷积层输出的特征图对应的尺寸越小,但感受野越大,因而能提取到更高层的图像语义。
考虑到假阳抑制模型的任务在于准确地辨认初始目标分割结果中是否为假阳目标,而假阳目标和真实目标是具备较高相似度(因为具备较高相似度,目标分割模型才将其视为目标输出),因此,在提取初始目标分割结果的图像特征时,需要尽可能提取具备更高区分性的特征并弱化区分性相对较低的特征,以免假阳抑制模型仍旧无法辨认出假阳目标。对此,本发明实施例在进行多层特征图提取时,使用了空间注意力机制,以强化特征图中区分性较高、重要性较高的特征。
然而,现有采用空间注意力机制的卷积神经网络中,任一注意力层会对相同层数的卷积层输出的特征图进行注意力变换,得到新的特征图后输入至下一卷积层进行特征图提取,直至到达最后一层卷积层。可见,对于浅层注意力层,其注意力变换对象为同样层数的浅层特征图,而浅层特征图的感受野较小、不具备全局视角,因此难以准确分析出整个特征图中区分性较高、重要性较高的区域,使得对其进行注意力变换后得到的注意力信息不够准确,因而对浅层特征图精度的提升十分有限,对于整个模型的特征提取性能的优化不足。
对此,如图2所示,本发明实施例在提取网络和接收网络对初始目标分割结果进行多层特征图提取时,会基于空间注意力机制,对接收网络输出的上一层特征图以及提取网络输出的深层特征图进行融合提取,得到接收网络输出的当前层特征图。其中,提取网络输出的深层特征图的层数大于等于接收网络当前层的层数。此处,基于空间注意力机制,对接收网络输出的上一层特征图以及提取网络输出的深层特征图进行融合提取时,可以基于空间注意力机制对上述深层特征图进行注意力变换,得到相应的注意力信息(初始目标分割结果中区分性更高、重要性更高的区域),从而基于上述注意力信息对接收网络输出的上一层特征图进行调整,强化其中区分性更高、重要性更高的区域的特征。
另外,在提取网络进行多层特征提取时,也可以基于空间注意力机制对当前层卷积层输出的特征图进行注意力变换,得到相应的注意力信息,再基于上述注意力信息对当前层输出的特征图进行调整,得到新的特征图后输入至下一层卷积层继续进行特征提取,以提升提取网络特征提取的精度。
以接收网络第i层卷积层为例,其输入为接收网络第i-1层卷积层输出的特征图与提取网络第j(j>=i)层卷积层输出的深层特征图经由空间注意力机制变换后的融合结果。而在常规的空间注意力机制中,第i层卷积层的输入则为第i-1层卷积层经由空间注意力机制变换后的融合结果。
由此可知,在本发明实施例中,会利用空间注意力机制从提取网络的更深层的特征图中提取注意力信息,利用提取网络输出的深层特征图中包含的更大感受野提取更准确更有效的注意力信息,再利用该注意力信息对接收网络中较浅层的特征图进行调整,强化其中区分性更高、重要性更高的区域的特征,从而从接收网络浅层卷积层开始引导接收网络后续的特征提取过程更关注上述区分性更高、重要性更高的区域,以提升假阳目标检测的准确性。
初始目标分割结果的图像特征为接收网络通过上述方式提取的最末层特征图。随后,基于接收网络对上述图像特征进行假阳检测,确定待分割医学影像的目标分割结果。其中,若任一初始目标分割结果被检测为假阳目标,则将其删除,否则将其保留并存储至待分割医学影像的目标分割结果中。
本发明实施例提供的方法,通过采用提取网络和接收网络,共同完成初始目标分割结果的图像特征提取任务,其中,提取网络和接收网络中均采用多层卷积层对初始目标分割结果进行多层特征图提取,且利用空间注意力机制从提取网络的更深层的特征图中提取注意力信息,利用提取网络输出的深层特征图中包含的更大感受野提取更准确更有效的注意力信息,再利用该注意力信息对接收网络中较浅层的特征图进行调整,强化其中区分性更高、重要性更高的区域的特征,从而从接收网络浅层卷积层开始引导接收网络后续的特征提取过程更关注上述区分性更高、重要性更高的区域,提升了图像特征提取的精度,并进一步提高了假阳目标检测的准确性。
基于上述实施例,所述假阳抑制模型是基于如下步骤训练得到的:
分别基于所述接收网络和所述提取网络对样本目标图像进行假阳检测,得到所述接收网络输出的第一假阳检测结果和所述提取网络输出的第二假阳检测结果;
基于所述第一假阳检测结果与所述样本目标图像的标注结果之间的差异,确定所述假阳抑制模型的主损失,并基于所述第二假阳检测结果与所述样本目标图像的标注结果之间的差异,确定所述假阳抑制模型的辅助损失;
基于所述假阳抑制模型的主损失和辅助损失,调整所述假阳抑制模型的网络参数;其中,所述主损失和辅助损失用于反向监督所述接收网络和所述提取网络的特征提取性能和假阳检测性能,以及空间注意力机制的性能。
具体地,在训练假阳抑制模型时,需要联合调整接收网络和提取网络的各个参数,从而提升整个假阳抑制模型的性能。其中,可以基于上述实施例中提供的针对初始目标分割结果相同的方式对样本目标图像进行特征提取和假阳检测,得到样本目标图像的假阳检测结果,并基于该假阳检测结果与该样本目标图像的标注结果之间的差异,对整个假阳抑制模型的性能进行优化(包括接收网络的特征提取性能和假阳检测性能,提取网络的特征提取性能,以及空间注意力机制的性能)。
然而,仅依靠上述方式对接收网络的特征提取性能和假阳检测性能、提取网络的特征提取性能以及空间注意力机制的性能进行约束和优化,由于待优化的对象较多,因此其对于空间注意力机制的监督相对较弱。考虑到空间注意力机制的性能对于图像特征提取精度的影响较大,如图3所示,因此,本发明实施例在提取网络中加入假阳检测子网络,将样本目标图像输入至假阳抑制模型后,接收网络和提取网络均会对其进行特征提取和假阳检测,从而得到接收网络输出的第一假阳检测结果和提取网络输出的第二假阳检测结果。
随后,可以基于上述第一假阳检测结果与样本目标图像的标注结果之间的差异,确定假阳抑制模型的主损失,并基于上述第二假阳检测结果与样本目标图像的标注结果之间的差异,确定假阳抑制模型的辅助损失。其中,可以基于假阳抑制模型的主损失和辅助损失,共同优化调整假阳抑制模型的网络参数,主损失和辅助损失可以用于联合监督接收网络和提取网络的特征提取性能和假阳检测性能,以及空间注意力机制的性能,通过加强对空间注意力机制性能的监督,进一步提升假阳抑制模型的特征提取性能以及假阳检测性能。训练时,每训练两个回合即可以在验证集上进行测试,若验证集的结果比之前最好的结果好,则保存此模型并更新最好结果的值,验证集的结果可以使用FROC值衡量。
基于上述任一实施例,所述基于所述假阳抑制模型的主损失和辅助损失,调整所述假阳抑制模型的网络参数,具体包括:
基于所述假阳抑制模型的主损失,反向调整所述接收网络中特征提取子网络和假阳检测子网络的网络参数;
基于所述假阳抑制模型的主损失和辅助损失,反向调整所述提取网络的特征提取子网络、假阳检测子网络以及空间注意力变换层的网络参数;
其中,所述接收网络和所述提取网络的特征提取子网络和假阳检测子网络分别用于多层特征图提取和假阳检测,所述空间注意力变换层用于执行所述空间注意力机制对应的操作。
具体地,根据上述实施例中提供的方式计算得到主损失和辅助损失后,可以由此计算网络参数的梯度,进行后向传播。如图4所示,其中实心箭头为主损失的后向传播路径,虚线箭头为辅助损失的后向传播路径。可见,主损失的后向传播可以传播到接收网络的特征提取子网络和假阳检测子网络的全部网络参数,以及提取网络的特征提取子网络以及空间注意力变换层的网络参数;而辅助损失的后向传播可以传播到提取网络的特征提取子网络、假阳检测子网络以及空间注意力变换层的全部网络参数,对于提取网络尤其是其中的空间注意力变换层提供了直接的强监督。需要说明的是,为了方便描述本发明方案,将提取网络划分为了特征提取子网络和空间注意力变换层,但实际模型结构中特征提取子网络和空间注意力变换层可以为相互耦合的神经网络结构。
因此,可以基于假阳抑制模型的主损失,反向调整接收网络中特征提取子网络和假阳检测子网络的网络参数;另外,基于假阳抑制模型的主损失和辅助损失,联合调整提取网络的特征提取子网络、假阳检测子网络以及空间注意力变换层的网络参数,从而提升模型训练的效果。
其中,接收网络和提取网络的特征提取子网络和假阳检测子网络分别用于多层特征图提取和假阳检测,空间注意力变换层用于执行空间注意力机制对应的操作。
基于上述任一实施例,所述基于空间注意力机制,对所述接收网络输出的上一层特征图以及所述提取网络输出的深层特征图进行融合提取,得到所述接收网络输出的当前层特征图,具体包括:
基于所述提取网络中与所述深层特征图对应的空间注意力变换层,对所述提取网络的特征提取子网络输出的所述深层特征图进行注意力变换,得到所述初始目标分割结果中各子区域的注意力程度;
基于所述接收网络的特征提取子网络,利用所述初始目标分割结果中各子区域的注意力程度,对所述接收网络输出的上一层特征图中所述各子区域对应的特征值进行调整,得到更新特征图,并对所述更新特征图进行特征提取,得到所述接收网络输出的当前层特征图。
具体地,如图2所示,提取网络中设置有与各卷积层输出的特征图相对应的空间注意力变换层。基于提取网络中与上述深层特征图对应的空间注意力变换层,可以对该深层特征图进行注意力变换,得到初始目标分割结果中各子区域的注意力程度。其中,得到的注意力程度对应的子区域的尺寸与上述深层特征图的尺寸相对应,深层特征图的尺寸越小,上述子区域的尺寸越大。此处,任一子区域的注意力程度越大,表明该子区域中包含的图像特征区分性越高、重要性也越高。
随后,基于接收网络的特征提取子网络,利用上一步得到的初始目标分割结果中各子区域的注意力程度,对接收网络输出的上一层特征图中与各子区域相对应的特征值进行调整,得到更新特征图。其中,任一子区域的注意力程度越大,接收网络输出的上一层特征图中与该子区域相对应的特征值也被调整得相对更大。再对更新特征图进行特征提取,从而得到接收网络输出的当前层特征图。
基于上述任一实施例,所述基于所述提取网络中与所述深层特征图对应的空间注意力变换层,对所述提取网络的特征提取子网络输出的所述深层特征图进行注意力变换,得到所述初始目标分割结果中各子区域的注意力程度,具体包括:
基于所述空间注意力变换层,对所述提取网络的特征提取子网络输出的所述深层特征图进行注意力变换,得到所述深层特征图所在感受野下的注意力矩阵;
对所述注意力矩阵进行上采样,得到尺寸与所述接收网络输出的上一层特征图的尺寸相同的上采样注意力矩阵;其中,所述上采样注意力矩阵中包含所述初始目标分割结果中各子区域的注意力程度。
具体地,基于提取网络中与上述深层特征图对应的空间注意力变换层,对该深层特征图进行注意力变换,得到深层特征图所在感受野下的注意力矩阵之后,由于该注意力矩阵的尺寸与上述深层特征图的尺寸相对应,而与接收网络输出的上一层特征图的尺寸不同(比接收网络输出的上一层特征图的尺寸更小),因此,还可以对该注意力矩阵进行上采样,得到尺寸与接收网络输出的上一层特征图的尺寸相同的上采样注意力矩阵,以便于对接收网络输出的上一层特征图进行调整。其中,上采样注意力矩阵中包含初始目标分割结果中各子区域的注意力程度。
基于上述任一实施例,所述基于所述接收网络的特征提取子网络,利用所述初始目标分割结果中各子区域的注意力程度,对所述接收网络输出的上一层特征图中所述各子区域对应的特征值进行调整,得到更新特征图,具体包括:
将所述上采样注意力矩阵和所述接收网络输出的上一层特征图进行逐元素相乘,得到所述更新特征图。
具体地,可以将上采样注意力矩阵和接收网络输出的上一层特征图中的特征值进行逐元素相乘,从而得到对应的更新特征图。
下面对本发明提供的基于深层大感受野空间注意力的目标分割装置进行描述,下文描述的基于深层大感受野空间注意力的目标分割装置与上文描述的基于深层大感受野空间注意力的目标分割方法可相互对应参照。
基于上述任一实施例,图5是本发明提供的基于深层大感受野空间注意力的目标分割装置的结构示意图,如图5所示,该装置包括:目标分割单元510、特征提取单元520和假阳抑制单元530。
其中,目标分割单元510用于基于目标分割模型,对待分割医学影像进行目标分割,得到所述待分割医学影像对应的初始目标分割结果;
特征提取单元520用于基于假阳抑制模型中的提取网络和接收网络,对所述初始目标分割结果进行多层特征图提取,得到所述初始目标分割结果的图像特征;其中,所述接收网络在进行当前层特征图提取时,基于空间注意力机制,对所述接收网络输出的上一层特征图以及所述提取网络输出的深层特征图进行融合提取,得到所述接收网络输出的当前层特征图;所述提取网络输出的深层特征图的层数大于等于所述接收网络当前层的层数;所述初始目标分割结果的图像特征为所述接收网络输出的最末层特征图;
假阳抑制单元530用于基于所述接收网络对所述图像特征进行假阳检测,确定所述待分割医学影像的目标分割结果。
本发明实施例提供的装置,通过采用提取网络和接收网络,共同完成初始目标分割结果的图像特征提取任务,其中,提取网络和接收网络中均采用多层卷积层对初始目标分割结果进行多层特征图提取,且利用空间注意力机制从提取网络的更深层的特征图中提取注意力信息,利用提取网络输出的深层特征图中包含的更大感受野提取更准确更有效的注意力信息,再利用该注意力信息对接收网络中较浅层的特征图进行调整,强化其中区分性更高、重要性更高的区域的特征,从而从接收网络浅层卷积层开始引导接收网络后续的特征提取过程更关注上述区分性更高、重要性更高的区域,提升了图像特征提取的精度,并进一步提高了假阳目标检测的准确性。
基于上述任一实施例,该装置还包括模型训练单元,用于基于如下步骤训练所述假阳抑制模型:
分别基于所述接收网络和所述提取网络对样本目标图像进行假阳检测,得到所述接收网络输出的第一假阳检测结果和所述提取网络输出的第二假阳检测结果;
基于所述第一假阳检测结果与所述样本目标图像的标注结果之间的差异,确定所述假阳抑制模型的主损失,并基于所述第二假阳检测结果与所述样本目标图像的标注结果之间的差异,确定所述假阳抑制模型的辅助损失;
基于所述假阳抑制模型的主损失和辅助损失,调整所述假阳抑制模型的网络参数;其中,所述主损失和辅助损失用于反向监督所述接收网络和所述提取网络的特征提取性能和假阳检测性能,以及空间注意力机制的性能。
基于上述任一实施例,所述基于所述假阳抑制模型的主损失和辅助损失,调整所述假阳抑制模型的网络参数,具体包括:
基于所述假阳抑制模型的主损失,反向调整所述接收网络中特征提取子网络和假阳检测子网络的网络参数;
基于所述假阳抑制模型的主损失和辅助损失,反向调整所述提取网络的特征提取子网络、假阳检测子网络以及空间注意力变换层的网络参数;
其中,所述接收网络和所述提取网络的特征提取子网络和假阳检测子网络分别用于多层特征图提取和假阳检测,所述空间注意力变换层用于执行所述空间注意力机制对应的操作。
基于上述任一实施例,所述基于空间注意力机制,对所述接收网络输出的上一层特征图以及所述提取网络输出的深层特征图进行融合提取,得到所述接收网络输出的当前层特征图,具体包括:
基于所述提取网络中与所述深层特征图对应的空间注意力变换层,对所述提取网络的特征提取子网络输出的所述深层特征图进行注意力变换,得到所述初始目标分割结果中各子区域的注意力程度;
基于所述接收网络的特征提取子网络,利用所述初始目标分割结果中各子区域的注意力程度,对所述接收网络输出的上一层特征图中所述各子区域对应的特征值进行调整,得到更新特征图,并对所述更新特征图进行特征提取,得到所述接收网络输出的当前层特征图。
基于上述任一实施例,所述基于所述提取网络中与所述深层特征图对应的空间注意力变换层,对所述提取网络的特征提取子网络输出的所述深层特征图进行注意力变换,得到所述初始目标分割结果中各子区域的注意力程度,具体包括:
基于所述空间注意力变换层,对所述提取网络的特征提取子网络输出的所述深层特征图进行注意力变换,得到所述深层特征图所在感受野下的注意力矩阵;
对所述注意力矩阵进行上采样,得到尺寸与所述接收网络输出的上一层特征图的尺寸相同的上采样注意力矩阵;其中,所述上采样注意力矩阵中包含所述初始目标分割结果中各子区域的注意力程度。
基于上述任一实施例,所述基于所述接收网络的特征提取子网络,利用所述初始目标分割结果中各子区域的注意力程度,对所述接收网络输出的上一层特征图中所述各子区域对应的特征值进行调整,得到更新特征图,具体包括:
将所述上采样注意力矩阵和所述接收网络输出的上一层特征图进行逐元素相乘,得到所述更新特征图。
具体地,可以将上采样注意力矩阵和接收网络输出的上一层特征图中的特征值进行逐元素相乘,从而得到对应的更新特征图。
图6是本发明提供的电子设备的结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、存储器(memory)620、通信接口(Communications Interface)630和通信总线640,其中,处理器610,存储器620,通信接口630通过通信总线640完成相互间的通信。处理器610可以调用存储器620中的逻辑指令,以执行基于深层大感受野空间注意力的目标分割方法,该方法包括:基于目标分割模型,对待分割医学影像进行目标分割,得到所述待分割医学影像对应的初始目标分割结果;基于假阳抑制模型中的提取网络和接收网络,对所述初始目标分割结果进行多层特征图提取,得到所述初始目标分割结果的图像特征;其中,所述接收网络在进行当前层特征图提取时,基于空间注意力机制,对所述接收网络输出的上一层特征图以及所述提取网络输出的深层特征图进行融合提取,得到所述接收网络输出的当前层特征图;所述提取网络输出的深层特征图的层数大于等于所述接收网络当前层的层数;所述初始目标分割结果的图像特征为所述接收网络输出的最末层特征图;基于所述接收网络对所述图像特征进行假阳检测,确定所述待分割医学影像的目标分割结果。
此外,上述的存储器620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。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的基于深层大感受野空间注意力的目标分割方法,该方法包括:基于目标分割模型,对待分割医学影像进行目标分割,得到所述待分割医学影像对应的初始目标分割结果;基于假阳抑制模型中的提取网络和接收网络,对所述初始目标分割结果进行多层特征图提取,得到所述初始目标分割结果的图像特征;其中,所述接收网络在进行当前层特征图提取时,基于空间注意力机制,对所述接收网络输出的上一层特征图以及所述提取网络输出的深层特征图进行融合提取,得到所述接收网络输出的当前层特征图;所述提取网络输出的深层特征图的层数大于等于所述接收网络当前层的层数;所述初始目标分割结果的图像特征为所述接收网络输出的最末层特征图;基于所述接收网络对所述图像特征进行假阳检测,确定所述待分割医学影像的目标分割结果。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的基于深层大感受野空间注意力的目标分割方法,该方法包括:基于目标分割模型,对待分割医学影像进行目标分割,得到所述待分割医学影像对应的初始目标分割结果;基于假阳抑制模型中的提取网络和接收网络,对所述初始目标分割结果进行多层特征图提取,得到所述初始目标分割结果的图像特征;其中,所述接收网络在进行当前层特征图提取时,基于空间注意力机制,对所述接收网络输出的上一层特征图以及所述提取网络输出的深层特征图进行融合提取,得到所述接收网络输出的当前层特征图;所述提取网络输出的深层特征图的层数大于等于所述接收网络当前层的层数;所述初始目标分割结果的图像特征为所述接收网络输出的最末层特征图;基于所述接收网络对所述图像特征进行假阳检测,确定所述待分割医学影像的目标分割结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;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: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发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于深层大感受野空间注意力的目标分割方法,其特征在于,包括:
基于目标分割模型,对待分割医学影像进行目标分割,得到所述待分割医学影像对应的初始目标分割结果;
基于假阳抑制模型中的提取网络和接收网络,对所述初始目标分割结果进行多层特征图提取,得到所述初始目标分割结果的图像特征;其中,所述接收网络在进行当前层特征图提取时,基于空间注意力机制,对所述接收网络输出的上一层特征图以及所述提取网络输出的深层特征图进行融合提取,得到所述接收网络输出的当前层特征图;所述提取网络输出的深层特征图的层数大于等于所述接收网络当前层的层数;所述初始目标分割结果的图像特征为所述接收网络输出的最末层特征图;
基于所述接收网络对所述图像特征进行假阳检测,确定所述待分割医学影像的目标分割结果;
所述假阳抑制模型是基于如下步骤训练得到的:
分别基于所述接收网络和所述提取网络对样本目标图像进行假阳检测,得到所述接收网络输出的第一假阳检测结果和所述提取网络输出的第二假阳检测结果;
基于所述第一假阳检测结果与所述样本目标图像的标注结果之间的差异,确定所述假阳抑制模型的主损失,并基于所述第二假阳检测结果与所述样本目标图像的标注结果之间的差异,确定所述假阳抑制模型的辅助损失;
基于所述假阳抑制模型的主损失和辅助损失,调整所述假阳抑制模型的网络参数;其中,所述主损失和辅助损失用于反向监督所述接收网络和所述提取网络的特征提取性能和假阳检测性能,以及空间注意力机制的性能。
2.根据权利要求1所述的基于深层大感受野空间注意力的目标分割方法,其特征在于,所述基于所述假阳抑制模型的主损失和辅助损失,调整所述假阳抑制模型的网络参数,具体包括:
基于所述假阳抑制模型的主损失,反向调整所述接收网络中特征提取子网络和假阳检测子网络的网络参数;
基于所述假阳抑制模型的主损失和辅助损失,反向调整所述提取网络的特征提取子网络、假阳检测子网络以及空间注意力变换层的网络参数;
其中,所述接收网络和所述提取网络的特征提取子网络和假阳检测子网络分别用于多层特征图提取和假阳检测,所述空间注意力变换层用于执行所述空间注意力机制对应的操作。
3.根据权利要求1所述的基于深层大感受野空间注意力的目标分割方法,其特征在于,所述基于空间注意力机制,对所述接收网络输出的上一层特征图以及所述提取网络输出的深层特征图进行融合提取,得到所述接收网络输出的当前层特征图,具体包括:
基于所述提取网络中与所述深层特征图对应的空间注意力变换层,对所述提取网络的特征提取子网络输出的所述深层特征图进行注意力变换,得到所述初始目标分割结果中各子区域的注意力程度;
基于所述接收网络的特征提取子网络,利用所述初始目标分割结果中各子区域的注意力程度,对所述接收网络输出的上一层特征图中所述各子区域对应的特征值进行调整,得到更新特征图,并对所述更新特征图进行特征提取,得到所述接收网络输出的当前层特征图。
4.根据权利要求3所述的基于深层大感受野空间注意力的目标分割方法,其特征在于,所述基于所述提取网络中与所述深层特征图对应的空间注意力变换层,对所述提取网络的特征提取子网络输出的所述深层特征图进行注意力变换,得到所述初始目标分割结果中各子区域的注意力程度,具体包括:
基于所述空间注意力变换层,对所述提取网络的特征提取子网络输出的所述深层特征图进行注意力变换,得到所述深层特征图所在感受野下的注意力矩阵;
对所述注意力矩阵进行上采样,得到尺寸与所述接收网络输出的上一层特征图的尺寸相同的上采样注意力矩阵;其中,所述上采样注意力矩阵中包含所述初始目标分割结果中各子区域的注意力程度。
5.根据权利要求4所述的基于深层大感受野空间注意力的目标分割方法,其特征在于,所述基于所述接收网络的特征提取子网络,利用所述初始目标分割结果中各子区域的注意力程度,对所述接收网络输出的上一层特征图中所述各子区域对应的特征值进行调整,得到更新特征图,具体包括:
将所述上采样注意力矩阵和所述接收网络输出的上一层特征图进行逐元素相乘,得到所述更新特征图。
6.一种基于深层大感受野空间注意力的目标分割装置,其特征在于,包括:
目标分割单元,用于基于目标分割模型,对待分割医学影像进行目标分割,得到所述待分割医学影像对应的初始目标分割结果;
特征提取单元,用于基于假阳抑制模型中的提取网络和接收网络,对所述初始目标分割结果进行多层特征图提取,得到所述初始目标分割结果的图像特征;其中,所述接收网络在进行当前层特征图提取时,基于空间注意力机制,对所述接收网络输出的上一层特征图以及所述提取网络输出的深层特征图进行融合提取,得到所述接收网络输出的当前层特征图;所述提取网络输出的深层特征图的层数大于等于所述接收网络当前层的层数;所述初始目标分割结果的图像特征为所述接收网络输出的最末层特征图;
假阳抑制单元,用于基于所述接收网络对所述图像特征进行假阳检测,确定所述待分割医学影像的目标分割结果;
所述假阳抑制模型是基于如下步骤训练得到的:
分别基于所述接收网络和所述提取网络对样本目标图像进行假阳检测,得到所述接收网络输出的第一假阳检测结果和所述提取网络输出的第二假阳检测结果;
基于所述第一假阳检测结果与所述样本目标图像的标注结果之间的差异,确定所述假阳抑制模型的主损失,并基于所述第二假阳检测结果与所述样本目标图像的标注结果之间的差异,确定所述假阳抑制模型的辅助损失;
基于所述假阳抑制模型的主损失和辅助损失,调整所述假阳抑制模型的网络参数;其中,所述主损失和辅助损失用于反向监督所述接收网络和所述提取网络的特征提取性能和假阳检测性能,以及空间注意力机制的性能。
7.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述基于深层大感受野空间注意力的目标分割方法。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述基于深层大感受野空间注意力的目标分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211161150.1A CN115239962B (zh) | 2022-09-22 | 2022-09-22 | 基于深层大感受野空间注意力的目标分割方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211161150.1A CN115239962B (zh) | 2022-09-22 | 2022-09-22 | 基于深层大感受野空间注意力的目标分割方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115239962A CN115239962A (zh) | 2022-10-25 |
CN115239962B true CN115239962B (zh) | 2022-12-16 |
Family
ID=83667475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211161150.1A Active CN115239962B (zh) | 2022-09-22 | 2022-09-22 | 基于深层大感受野空间注意力的目标分割方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115239962B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712493A (zh) * | 2019-10-09 | 2021-04-27 | 西门子医疗有限公司 | 使用多参数磁共振成像减少恶性病变的假阳性检测 |
CN114998303A (zh) * | 2022-06-30 | 2022-09-02 | 上海艺冉医疗科技股份有限公司 | 特征提取能力强的小肠间质瘤检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10482603B1 (en) * | 2019-06-25 | 2019-11-19 | Artificial Intelligence, Ltd. | Medical image segmentation using an integrated edge guidance module and object segmentation network |
CN112991269A (zh) * | 2021-02-07 | 2021-06-18 | 复旦大学 | 一种肺部ct图像的识别分类方法 |
CN112906718B (zh) * | 2021-03-09 | 2023-08-22 | 西安电子科技大学 | 一种基于卷积神经网络的多目标检测方法 |
CN114862873A (zh) * | 2022-05-09 | 2022-08-05 | 李洁 | Ct图像分割处理方法及装置 |
-
2022
- 2022-09-22 CN CN202211161150.1A patent/CN115239962B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712493A (zh) * | 2019-10-09 | 2021-04-27 | 西门子医疗有限公司 | 使用多参数磁共振成像减少恶性病变的假阳性检测 |
CN114998303A (zh) * | 2022-06-30 | 2022-09-02 | 上海艺冉医疗科技股份有限公司 | 特征提取能力强的小肠间质瘤检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115239962A (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3961484A1 (en) | Medical image segmentation method and device, electronic device and storage medium | |
JP7496389B2 (ja) | 画像解析方法、装置、プログラムおよび学習済み深層学習アルゴリズムの製造方法 | |
CN112017189B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
EP3989119A1 (en) | Detection model training method and apparatus, computer device, and storage medium | |
CN111784671A (zh) | 基于多尺度深度学习的病理图像病灶区域检测方法 | |
CN109360633B (zh) | 医疗影像处理方法及装置、处理设备及存储介质 | |
CN110084237A (zh) | 肺结节的检测模型构建方法、检测方法和装置 | |
CN110853005A (zh) | 一种免疫组化膜染色切片诊断方法及装置 | |
CN112819821B (zh) | 一种细胞核图像检测方法 | |
KR20230059799A (ko) | 병변 검출을 위해 공동 훈련을 이용하는 연결형 머신 러닝 모델 | |
CN112419292B (zh) | 病理图像的处理方法、装置、电子设备及存储介质 | |
CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
CN115222713A (zh) | 一种冠状动脉钙化积分的计算方法、装置及存储介质 | |
CN114549462A (zh) | 基于视角解耦Transformer模型的病灶检测方法、装置、设备及介质 | |
CN114581709A (zh) | 识别医学图像中的目标的模型训练、方法、设备及介质 | |
US12008750B2 (en) | Generating annotation data of tissue images | |
CN115170401A (zh) | 图像补全方法、装置、设备及存储介质 | |
CN113033305B (zh) | 活体检测方法、装置、终端设备和存储介质 | |
CN115239962B (zh) | 基于深层大感受野空间注意力的目标分割方法和装置 | |
WO2023204959A1 (en) | Cell classification using center emphasis of a feature map | |
CN115656952A (zh) | 一种基于u型多维多尺度融合神经网络的地下目标多分类检测方法 | |
CN109598201A (zh) | 动作检测方法、装置、电子设备及可读存储介质 | |
CN112734707A (zh) | 一种3d内窥镜辅助检测方法、系统、装置及存储介质 | |
CN111598144A (zh) | 图像识别模型的训练方法和装置 |
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 |