CN115272372A - 一种基于3D-UNet的膝关节CT图像分割方法及系统 - Google Patents
一种基于3D-UNet的膝关节CT图像分割方法及系统 Download PDFInfo
- Publication number
- CN115272372A CN115272372A CN202210916565.9A CN202210916565A CN115272372A CN 115272372 A CN115272372 A CN 115272372A CN 202210916565 A CN202210916565 A CN 202210916565A CN 115272372 A CN115272372 A CN 115272372A
- Authority
- CN
- China
- Prior art keywords
- image
- knee joint
- network model
- unet
- result
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种基于3D‑UNet的膝关节CT图像分割方法及系统。首先获取膝关节CT影像原始图,通过预处理及格式转换等操作得到nii格式文件;然后对nii格式文件进行裁剪,并搭建3D‑UNet网络模型,设置超参数,基于所设置的损失函数对网络模型进行训练;训练完成后对膝关节CT序列图像进行预测,并通过连通分支算法对预测结果进行修正;最后对修正结果进行区域填充,得到图像分割结果。本发明通过深度学习方法对膝关节CT图像进行分割,为术前手术计划和术中手术提供可视化参考依据,在模型训练阶段,不需要人工调节各种参数,不仅会消耗较少资源,且模型具有很强适应性和鲁棒性。在模型预测阶段,采用连通分支算法,有效过滤膝关节非骨组织,降低类别假阳性。
Description
技术领域
本发明涉及医学图像分割领域,特别涉及一种基于3D-UNet的膝关节CT图像分割方法及系统。
背景技术
在医学图像的处理过程中,膝关节CT影像精确的分割对于疾病的诊断和治疗至关重要,膝关节分割过程中,通常要完成股骨、胫骨、腓骨和髌骨的分割,如不能准确分割各组织结构,严重影像骨科疾病的诊断和治疗。
骨关节分割已经成为几个临床领域的重要研究课题,各种各样的医学影像分割技术应运而生,临床上应用的分割技术有手工的、半自动和全自动的分割,然而传统的分割过程容易出现漏标和误标等问题。
发明内容
基于此,本申请实施例提供了一种基于3D-UNet的膝关节CT图像分割方法及系统,能够快速准确的完成分割,同时辅助手术规划,可实时完成重建,辅助手术规划,使得医生效率大幅提升。
第一方面,提供了一种基于3D-UNet的膝关节CT图像分割方法,该方法包括:
S1、获取膝关节CT影像原始图,通过预处理及格式转换得到膝关节jpg序列图片,并将所述膝关节jpg序列图片进行图像增强后通过execute方法生成图像矩阵数组,利用生成的图像矩阵数组进行格式转换得到nii格式文件;
S2、对所述nii格式文件进行裁剪,并搭建3D-UNet网络模型,设置超参数;
S3、对搭建后的所述3D-UNet网络模型设置损失函数,并基于所设置的损失函数对所述3D-UNet网络模型进行训练;
S4、基于训练完成的3D-UNet网络模型对膝关节CT序列图像进行预测,并通过连通分支算法对预测结果进行修正;
S5、对修正结果进行区域填充,得到图像分割结果,其中,采用对轮廓点连接的形式,连接修正结果的各个轮廓区域,并通过OpenCV中copyMakeBorder算法对连接后的修正结果进行填充。
可选地,将所述膝关节jpg序列图片进行图像增强后通过execute方法生成图像矩阵数组,利用生成的图像矩阵数组进行格式转换得到nii格式文件,包括:
采用OpenCV中gamma方法,增强所述膝关节jpg序列图片中骨骼对比度,获取骨骼和非骨骼组织对比度明显的图像;
并采用SimpleITK中ImageSeriesReader方法,读取图像增强之后的图像,通过execute方法生成图像矩阵数组,利用wirteImage方法生成nii格式文件。
可选地,对所述nii格式文件进行裁剪,包括:
所述nii格式文件中的非零区域进行裁剪,同时在裁剪过程中进行正则化处理,通过统计整个数据集中mask内像素的HU值范围,找出预设范围的HU值,然后使用z-score方法进行归一化。
可选地,所述3D-UNet网络模型的激活函数为Leaky_Relu,并且通过instance_normalization进行正则化。
可选地,对搭建后的所述3D-UNet网络模型设置损失函数,并基于所设置的损失函数对所述3D-UNet网络模型进行训练,包括:
通过五折交叉验证,设置的损失函数包括为Dice损失和交叉熵损失;在对所述3D-UNet网络模型进行训练的过程中,对于每一个样本单独计算Dice损失,然后在batch上求平均值,在进行完交叉验证之后,选择表现最优参数,并进行保存。
可选地,在对所述3D-UNet网络模型进行训练的过程中,包括:
采用Adam优化器,学习率调整策略为计算训练集和验证集的指数移动平均损失。
可选地,所述基于训练完成的3D-UNet网络模型对膝关节CT序列图像进行预测,包括:
基于训练完成的3D-UNet网络模型对裁剪后的nii格式文件进行分块预测;并设置分块边界的像素为低权重,分块中心的像素为高权重,从而完成预测。
可选地,所述通过连通分支算法对预测结果进行修正,包括:
将所有的前景类别进行设置,当最大区域以外的所有分支的抑制提高了前景的平均Dice而没有减小任何类别的Dice,则将当前前景用于不同的类别上,遍历所有前景,完成对预测结果进行修正。
可选地,在对修正结果进行区域填充,得到图像分割结果之后,所述方法还包括:
将图像分割结果转换为成nii格式图像,并输出可视化结果。
第二方面,提供了一种基于3D-UNet的膝关节CT图像分割系统,该系统包括:
获取模块,用于获取膝关节CT影像原始图,通过预处理及格式转换得到膝关节jpg序列图片,并将所述膝关节jpg序列图片进行图像增强后通过execute方法生成图像矩阵数组,利用生成的图像矩阵数组进行格式转换得到nii格式文件;
搭建模块,用于对所述nii格式文件进行裁剪,并搭建3D-UNet网络模型,设置超参数;
训练模块,用于对搭建后的所述3D-UNet网络模型设置损失函数,并基于所设置的损失函数对所述3D-UNet网络模型进行训练;
修正模块,用于基于训练完成的3D-UNet网络模型对膝关节CT序列图像进行预测,并通过连通分支算法对预测结果进行修正;
填充模块,用于对修正结果进行区域填充,得到图像分割结果,其中,采用对轮廓点连接的形式,连接修正结果的各个轮廓区域,并通过OpenCV中copyMakeBorder算法对连接后的修正结果进行填充。
本申请实施例提供的技术方案首先获取膝关节CT影像原始图,通过预处理及格式转换得到膝关节jpg序列图片,并进行图像增强后通过execute方法生成图像矩阵数组进一步得到nii格式文件;然后对nii格式文件进行裁剪,并搭建3D-UNet网络模型,设置超参数,基于所设置的损失函数对3D-UNet网络模型进行训练;之后基于训练完成的3D-UNet网络模型对膝关节CT序列图像进行预测,并通过连通分支算法对预测结果进行修正;最后对修正结果进行区域填充,得到图像分割结果。可以看出,本发明通过深度学习方法对膝关节CT图像进行分割,为术前手术计划和术中手术提供可视化参考依据。在模型训练阶段,不需要人工调节各种参数,自动创建决策,不仅会消耗较少资源,且模型具有很强适应性和鲁棒性。在模型预测阶段,采用连通分支算法,有效过滤膝关节非骨组织,降低类别假阳性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对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,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图引伸获得其它的实施附图。
图1为本申请实施例提供的一种基于3D-UNet的膝关节CT图像分割流程图;
图2为本申请实施例提供的一种3D-Unet结构图;
图3为本申请实施例提供的图像镂空示意图;
图4为本申请实施例提供的股骨可视化结果示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本发明的描述中,术语“包括”、“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包括了一系列步骤或单元的过程、方法、系统、产品或设备不必限于已明确列出的那些步骤或单元,而是还可包含虽然并未明确列出的但对于这些过程、方法、产品或设备固有的其它步骤或单元,或者基于本发明构思进一步的优化方案所增加的步骤或单元。
请参考图1,其示出了本申请实施例提供的一种基于3D-UNet的膝关节CT图像分割方法的流程图,该方法可以包括以下步骤:
S1、获取膝关节CT影像原始图,通过预处理及格式转换得到膝关节jpg序列图片,并将膝关节jpg序列图片进行图像增强后通过execute方法生成图像矩阵数组,利用生成的图像矩阵数组进行格式转换得到nii格式文件。
在本申请实施例中,步骤S1目的是膝关节CT图像的预处理,具体包括了:
S11、膝关节CT影像的预处理:将膝关节CT原始图dicom按一定的窗宽窗位调整,通常窗宽设置为1500,窗位设置为450,转换成图片jpg格式,获得膝关节jpg序列图片;
S12、膝关节jpg图片预处理:采用OpenCV中gamma方法,增强图片中骨骼对比度,获取骨骼和非骨骼组织对比度明显的图像。
S13、生成nii图像:首先采用SimpleITK中ImageSeriesReader方法,读取CT序列图像,通过execute方法生成图像矩阵数组,最后通过wirteImage方法,生成nii格式的图像,该方法输入为CT序列图像生成的矩阵数组,输出为nii格式文件。
S2、对nii格式文件进行裁剪,并搭建3D-UNet网络模型,设置超参数。
在本申请实施例中,步骤S2目的是搭建3D-UNet网络模型,设置超参数,具体包括了:
S21、对nii数据进行裁剪:为了减少计算资源消耗,在裁剪过程中,只对非零区域进行裁剪,同时在裁剪过程中,需要对数据进行正则化处理,通过统计整个数据集中mask内像素的HU值范围,找出[0.005,0.995]范围的HU值,然后使用z-score方法进行归一化。并通过nii数据文件用于对之后网络模型进行训练。
S22、搭建网络模型:我们的网络结构是基于3D-UNet模型,网络结构如图2所示,该网络结构主要分为三部分:下采样,上采样以及跳跃连接。首先将该网络分为左右部分来分析,左边是压缩的过程,即Encoder。通过卷积和下采样来降低图像尺寸,提取一些浅显的特征。右边部分是解码的过程,即Decoder。通过卷积和上采样来获取一些深层次的特征。其中卷积采用的valid的填充方法,有效获取上下文特征。中间通过concat的方式,将编码阶段获得的feature map同解码阶段获得的feature map结合在一起,融合深层次和浅层次的特征,最终完成膝关节CT序列图像预测。在激活函数上面,使用Leaky_Relu代替Relu,即x<0时,直线斜率为0.01,同时在正则化过程中,采用instance_normalization。同时,为了增加网络鲁棒性,在采样过程中,要保障超过1/3的像素是前景像素,否则会导致收敛很慢等问题。
S23、设置其他参数:模型训练过程采用Adam优化器,学习率为0.001;学习率调整策略为计算训练集和验证集的指数移动平均损失,如果训练集的指数移动平均损失在30轮训练次数内减少不够5e-3,则学习率衰减5倍;训练停止条件是当验证集指数移动平均损失在60个epoch内减少不够5e-3,或者学习率小于1e-6,则停止训练。
S3、对搭建后的3D-UNet网络模型设置损失函数,并基于所设置的损失函数对3D-UNet网络模型进行训练。
在本申请实施例中,步骤S3目的是训练模型,生成最优模型,具体包括了:
S31、设置损失函数,使用五折交叉验证,损失函数为Dice损失和交叉熵损失:Ltotal=LDice+LCE
Dice系数是一种集合相似度度量函数,通常用于计算两个样本点的相似度(值范围为[0,1]。这样梯度损失函数能够注入网络,同时促进网络中所有层的训练。
S32、训练过程:在训练集上训练的3D-UNet,对每一个样本单独计算Dice损失,然后在batch上求平均值,在进行完交叉验证之后,程序会选择表现最好的参数,并把结构保存下来。
S4、基于训练完成的3D-UNet网络模型对膝关节CT序列图像进行预测,并通过连通分支算法对预测结果进行修正。
在本申请实施例中,步骤S4目的是二次修正分割结果并过滤部分噪声,具体包括了:
S41、模型预测阶段:由于膝关节CT序列图像生成3维矩阵后,维度较高,因此预测过程都是分块完成,在区块的边界上精度会有损,因此在对区块重叠处的像素进行融合时,边界的像素权重低,中心的像素权重高;区块重叠的边界为区块大小的1/2,最终完成CT序列图像预测。
S42、对预测结果二次修正:在膝关节CT分割预测完成后,需要去除最大的连接域,从而来消除假阳性,因此本发明采用连通分支算法(Connected Components)。首先所有的前景会被当做一个组件,即前景类别设置为1,如果最大区域以外的所有分支的抑制提高了前景的平均Dice而没有减小任何类别的Dice,则根据这个步骤结果,把当前前景用于不同的类别上,从而过滤噪声,并消除假阳性。
S5、对修正结果进行区域填充,得到图像分割结果。
在本申请实施例中,步骤S5目的是填充分割结果,获取最终最优结果,具体包括了:
S51、填充分割结果:在步骤四过程中,过滤区域内部分噪声的同时也会导致区域内分割结果不能形成完整的封闭区间,导致图像序列中存在镂空情况,因此需要对区域内分割结果进行填充。采用对轮廓点连接的形式,连接轮廓区域,使用OpenCV中copyMakeBorder的方法,对图像进行填充,解决镂空的问题,其中,图像的镂空的示意图如图3所示。
S52、生成最终结果,按照步骤S13方法,生成nii格式图像,输出可视化结果,其中,输出的可视化结果如图4所示。
综上可以看出,本发明涉及医学图像分割技术领域,通过深度学习方法对膝关节CT图像进行分割,为术前手术计划和术中手术提供可视化参考依据。在模型训练阶段,不需要人工调节各种参数,自动创建决策,不仅会消耗较少资源,且模型具有很强适应性和鲁棒性。在模型预测阶段,采用连通分支算法,有效过滤膝关节非骨组织,降低类别假阳性。
本申请实施例还提供的一种基于3D-UNet的膝关节CT图像分割系统。系统包括:
获取模块,用于获取膝关节CT影像原始图,通过预处理及格式转换得到膝关节jpg序列图片,并将所述膝关节jpg序列图片进行图像增强后通过execute方法生成图像矩阵数组,利用生成的图像矩阵数组进行格式转换得到nii格式文件;
搭建模块,用于对所述nii格式文件进行裁剪,并搭建3D-UNet网络模型,设置超参数;
训练模块,用于对搭建后的所述3D-UNet网络模型设置损失函数,并基于所设置的损失函数对所述3D-UNet网络模型进行训练;
修正模块,用于基于训练完成的3D-UNet网络模型对膝关节CT序列图像进行预测,并通过连通分支算法对预测结果进行修正;
填充模块,用于对修正结果进行区域填充,得到图像分割结果,其中,采用对轮廓点连接的形式,连接修正结果的各个轮廓区域,并通过OpenCV中copyMakeBorder算法对连接后的修正结果进行填充。
本申请实施例提供的基于3D-UNet的膝关节CT图像分割系统用于实现上述基于3D-UNet的膝关节CT图像分割方法,关于基于3D-UNet的膝关节CT图像分割系统的具体限定可以参见上文中对于基于3D-UNet的膝关节CT图像分割方法的限定,在此不再赘述。上述基于3D-UNet的膝关节CT图像分割系统中的各个部分可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于设备中的处理器中,也可以以软件形式存储于设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于3D-UNet的膝关节CT图像分割方法,其特征在于,所述方法包括:
S1、获取膝关节CT影像原始图,通过预处理及格式转换得到膝关节jpg序列图片,并将所述膝关节jpg序列图片进行图像增强后通过execute方法生成图像矩阵数组,利用生成的图像矩阵数组进行格式转换得到nii格式文件;
S2、对所述nii格式文件进行裁剪,并搭建3D-UNet网络模型,设置超参数;
S3、对搭建后的所述3D-UNet网络模型设置损失函数,并基于所设置的损失函数对所述3D-UNet网络模型进行训练;
S4、基于训练完成的3D-UNet网络模型对膝关节CT序列图像进行预测,并通过连通分支算法对预测结果进行修正;
S5、对修正结果进行区域填充,得到图像分割结果,其中,采用对轮廓点连接的形式,连接修正结果的各个轮廓区域,并通过OpenCV中copyMakeBorder算法对连接后的修正结果进行填充。
2.根据权利要求1所述的方法,其特征在于,将所述膝关节jpg序列图片进行图像增强后通过execute方法生成图像矩阵数组,利用生成的图像矩阵数组进行格式转换得到nii格式文件,包括:
采用OpenCV中gamma方法,增强所述膝关节jpg序列图片中骨骼对比度,获取骨骼和非骨骼组织对比度明显的图像;
并采用SimpleITK中ImageSeriesReader方法,读取图像增强之后的图像,通过execute方法生成图像矩阵数组,利用wirteImage方法生成nii格式文件。
3.根据权利要求1所述的方法,其特征在于,对所述nii格式文件进行裁剪,包括:
所述nii格式文件中的非零区域进行裁剪,同时在裁剪过程中进行正则化处理,通过统计整个数据集中mask内像素的HU值范围,找出预设范围的HU值,然后使用z-score方法进行归一化。
4.根据权利要求1所述的方法,其特征在于,所述3D-UNet网络模型的激活函数为Leaky_Relu,并且通过instance_normalization进行正则化。
5.根据权利要求1所述的方法,其特征在于,对搭建后的所述3D-UNet网络模型设置损失函数,并基于所设置的损失函数对所述3D-UNet网络模型进行训练,包括:
通过五折交叉验证,设置的损失函数包括为Dice损失和交叉熵损失;在对所述3D-UNet网络模型进行训练的过程中,对于每一个样本单独计算Dice损失,然后在batch上求平均值,在进行完交叉验证之后,选择表现最优参数,并进行保存。
6.根据权利要求5所述的方法,其特征在于,在对所述3D-UNet网络模型进行训练的过程中,包括:
采用Adam优化器,学习率调整策略为计算训练集和验证集的指数移动平均损失。
7.根据权利要求1所述的方法,其特征在于,所述基于训练完成的3D-UNet网络模型对膝关节CT序列图像进行预测,包括:
基于训练完成的3D-UNet网络模型对裁剪后的nii格式文件进行分块预测;并设置分块边界的像素为低权重,分块中心的像素为高权重,从而完成预测。
8.根据权利要求1所述的方法,其特征在于,所述通过连通分支算法对预测结果进行修正,包括:
将所有的前景类别进行设置,当最大区域以外的所有分支的抑制提高了前景的平均Dice而没有减小任何类别的Dice,则将当前前景用于不同的类别上,遍历所有前景,完成对预测结果进行修正。
9.根据权利要求1所述的方法,其特征在于,在对修正结果进行区域填充,得到图像分割结果之后,所述方法还包括:
将图像分割结果转换为成nii格式图像,并输出可视化结果。
10.一种基于3D-UNet的膝关节CT图像分割系统,其特征在于,所述系统包括:
获取模块,用于获取膝关节CT影像原始图,通过预处理及格式转换得到膝关节jpg序列图片,并将所述膝关节jpg序列图片进行图像增强后通过execute方法生成图像矩阵数组,利用生成的图像矩阵数组进行格式转换得到nii格式文件;
搭建模块,用于对所述nii格式文件进行裁剪,并搭建3D-UNet网络模型,设置超参数;
训练模块,用于对搭建后的所述3D-UNet网络模型设置损失函数,并基于所设置的损失函数对所述3D-UNet网络模型进行训练;
修正模块,用于基于训练完成的3D-UNet网络模型对膝关节CT序列图像进行预测,并通过连通分支算法对预测结果进行修正;
填充模块,用于对修正结果进行区域填充,得到图像分割结果,其中,采用对轮廓点连接的形式,连接修正结果的各个轮廓区域,并通过OpenCV中copyMakeBorder算法对连接后的修正结果进行填充。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210916565.9A CN115272372A (zh) | 2022-08-01 | 2022-08-01 | 一种基于3D-UNet的膝关节CT图像分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210916565.9A CN115272372A (zh) | 2022-08-01 | 2022-08-01 | 一种基于3D-UNet的膝关节CT图像分割方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115272372A true CN115272372A (zh) | 2022-11-01 |
Family
ID=83746727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210916565.9A Pending CN115272372A (zh) | 2022-08-01 | 2022-08-01 | 一种基于3D-UNet的膝关节CT图像分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115272372A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437459A (zh) * | 2023-10-08 | 2024-01-23 | 昆山市第一人民医院 | 基于决策网络实现用户膝关节髌骨软化状态分析方法 |
CN117853458A (zh) * | 2024-01-10 | 2024-04-09 | 北京长木谷医疗科技股份有限公司 | 翻修手术机器人植入物智能识别评估方法、装置及设备 |
-
2022
- 2022-08-01 CN CN202210916565.9A patent/CN115272372A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437459A (zh) * | 2023-10-08 | 2024-01-23 | 昆山市第一人民医院 | 基于决策网络实现用户膝关节髌骨软化状态分析方法 |
CN117437459B (zh) * | 2023-10-08 | 2024-03-22 | 昆山市第一人民医院 | 基于决策网络实现用户膝关节髌骨软化状态分析方法 |
CN117853458A (zh) * | 2024-01-10 | 2024-04-09 | 北京长木谷医疗科技股份有限公司 | 翻修手术机器人植入物智能识别评估方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115272372A (zh) | 一种基于3D-UNet的膝关节CT图像分割方法及系统 | |
US20190172205A1 (en) | Method and system for extracting vasculature | |
CN110648337A (zh) | 髋关节分割方法、装置、电子设备和存储介质 | |
RU2589461C2 (ru) | Устройство для создания присваиваний между областями изображения и категориями элементов | |
RU2589292C2 (ru) | Устройство и способ формирования карты коррекции затухания | |
Naranjo et al. | Metal artifact reduction in dental CT images using polar mathematical morphology | |
KR101258814B1 (ko) | 동적조영증강 유방 mr 영상에서 조직별 밝기값 보정 및 종양 강성 제약을 적용한 비강체 정합 방법 및 시스템 | |
CN112634283A (zh) | 使用小样本图像训练的髋关节分割模型建立方法及其应用 | |
CN108038840B (zh) | 一种图像处理方法、装置、图像处理设备及存储介质 | |
CN113706409A (zh) | 基于人工智能的cbct图像增强方法、装置和存储介质 | |
JP2019515255A (ja) | 医療画像処理 | |
Gozes et al. | Bone structures extraction and enhancement in chest radiographs via CNN trained on synthetic data | |
CN112308823B (zh) | 医学图像中感兴趣区域的定位方法及装置 | |
CN116894783A (zh) | 基于时变约束的对抗生成网络模型的金属伪影去除方法 | |
KR20210137281A (ko) | 3d 인공신경망 네트워크 기반 콘빔 아티팩트 보정 시스템 및 방법 | |
Zhang et al. | Medical image fusion based a densely connected convolutional networks | |
CN114897703A (zh) | 一种骨科全长x线片自动拼接系统、方法、计算机设备及存储介质 | |
Zhang et al. | Blood vessel segmentation based on digital subtraction angiography sequence | |
Zhu et al. | CT metal artifact correction assisted by the deep learning-based metal segmentation on the projection domain | |
Shahina et al. | Renal stone detection and analysis by contour based algorithm | |
CN113096117A (zh) | 异位骨化ct图像分割方法、三维重建方法、装置 | |
TWI593392B (zh) | Metal Detection and Artifact Removal Methods in Computerized Tomography Images | |
CN115345952B (zh) | 一种基于神经网络的磁共振图像处理方法及系统 | |
Alam et al. | Generalizable cone beam ct esophagus segmentation using in silico data augmentation | |
Sapthagirivasan et al. | Denoising and fissure extraction in high resolution isotropic CT images using Dual Tree Complex Wavelet Transform |
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 |