CN115359881B - 一种基于深度学习的鼻咽癌肿瘤自动勾画方法 - Google Patents
一种基于深度学习的鼻咽癌肿瘤自动勾画方法 Download PDFInfo
- Publication number
- CN115359881B CN115359881B CN202211276288.6A CN202211276288A CN115359881B CN 115359881 B CN115359881 B CN 115359881B CN 202211276288 A CN202211276288 A CN 202211276288A CN 115359881 B CN115359881 B CN 115359881B
- Authority
- CN
- China
- Prior art keywords
- network
- nasopharyngeal carcinoma
- image
- delineation
- tumor
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的鼻咽癌肿瘤自动勾画方法,包括图像数据预处理与数据集设置、建立鼻咽癌肿瘤勾画网络模型、训练与验证鼻咽癌肿瘤勾画网络模型、输入测试集得到鼻咽癌肿瘤勾画结果;建立了编码器‑解码器型的分割网络,编码器逐渐提取物体的抽象特征并减少空间维度,解码器逐渐修复物体的细节和空间维度,并在分割网络中通过跳跃连接融合不同层次的特征,帮助解码器更好的修复目标的细节。还使用了生成对抗网络来平衡样本中小体积肿瘤与大体积肿瘤之间的分布差异。本发明解决了鼻咽癌勾画任务中结构复杂、目标形状尺寸变化大、与周围组织强度相识、肿瘤边缘难以识别所导致的分割精度不高等问题,提高了鼻咽癌肿瘤的分割精度。
Description
技术领域
本发明涉及医疗图像处理技术领域,尤其涉及一种基于深度学习的鼻咽癌肿瘤自动勾画方法。
背景技术
鼻咽癌是发生于鼻咽腔顶部和侧壁的恶性肿瘤。是我国高发恶性肿瘤之一,发病率为耳鼻咽喉恶性肿瘤之首。鼻咽癌对放疗有很强的敏感性,放疗是主要的治疗手段。为了获得良好的治疗效果,精确地勾画肿瘤是必不可少的一步。
目前,在临床上,鼻咽癌肿瘤勾画主要靠人工来实现,勾画的质量完全取决于放射肿瘤专家的知识和主观判断。不同的观察者可能会从同一画面中得出不同的结论,这种差异会导致以下放疗剂量参数发生显著变化,从而影响治疗效果。此外,目前国内的医生工作量很大,巨大的工作压力使勾画很容易出错,这将给患者的后续治疗带来严重后果。
由于鼻咽癌其病理学特征不同于脑瘤、肺癌等多肿瘤,解剖结构复杂,常与脑干、耳蜗、腮腺等临近组织强度相识,难以识别。加之,鼻咽癌肿瘤尺寸变化较大、成像背景复杂、形状不规则、小靶区信噪比低等特点,传统的计算机辅助诊断技术的分割效果差。
因此,如何设计出一种针对鼻咽癌肿瘤进行高精度自动勾画的方法已经成为急需解决的技术难题。
发明内容
本发明的目的是要提供一种基于深度学习的鼻咽癌肿瘤自动勾画方法。该方法对不同尺寸、不同形状的鼻咽癌肿瘤均具有良好的勾画效果。
为达到上述目的,本发明是按照以下技术方案实施的:
本发明包括如下步骤:
S1:对数据集进行预处理,然后将经过预处理的图像数据集划分为训练集、验证集和测试集,比例设置为6:2:2,根据比例随机选择归入三个数据集中;
S2:建立鼻咽癌肿瘤勾画网络模型,包括分割网络与生成对抗网络;
S3:利用训练集对S2中构建的鼻咽癌肿瘤勾画网络进行训练,根据损失函数,训练鼻咽癌肿瘤勾画网络模型的参数,得到训练好的分割网络模型;然后将验证集输入到训练好的分割网络模型,测试分割网络模型的性能;
S4:将测试集输入到S3中训练好的分割网络模型中,得到鼻咽癌肿瘤的勾画结果。
本发明的有益效果是:
本发明是一种基于深度学习的鼻咽癌肿瘤自动勾画方法,与现有技术相比,本发明建立了编码器-解码器型的分割网络,编码器逐渐提取物体的抽象特征并减少空间维度,解码器逐渐修复物体的细节和空间维度,并在分割网络中通过跳跃连接融合不同层次的特征,帮助解码器更好的修复目标的细节。此外,还使用了生成对抗网络来平衡样本中小体积肿瘤与大体积肿瘤之间的分布差异。本发明解决了鼻咽癌勾画任务中结构复杂、目标形状尺寸变化大、与周围组织强度相识、肿瘤边缘难以识别所导致的分割精度不高等问题,大大提高了鼻咽癌肿瘤的分割精度。
附图说明
图1为本发明方法一种实施例的步骤流程图;
图2为本发明一种实施例的鼻咽癌勾画网络的整体结构示意图;
图3为本发明一种实施例的分割网络的结构示意图;
图4为本发明一种实施例的生成网络的结构示意图;
图5为本发明一种实施例的判别网络的结构示意图;
图6为采用本发明方法得到的鼻咽癌肿瘤勾画的可视化结果示例。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步描述,在此发明的示意性实施例以及说明用来解释本发明,但并不作为对本发明的限定。
本发明设计到的基础原理:
1. 残差模块;残差模块将输入的特征图依次经过3×3×3卷积单元、BN(批量归一化)+LeakyReLU激活函数、3×3×3卷积单元、BN处理,再将输入与第2个BN处理后的特征图相加作为输出。残差模块解决了模型训练过程中的梯度消失问题,使得网络可以被设计的很深。
2.跨步卷积;跨步卷积的卷积步长大与1,可以代替池化进行下采样,相比于池化,跨步卷积可以大大减小有效信息的损失。
3.多分类焦点损失函数;多分类焦点损失函数可以调整不同类别对最终损失的影响,可以表达为:
式中:式中:表示预测的期望值,是一个长度为m的one-hot编码向量,m表示要分割的类别数(包括背景), 表示实际的预测值,通过设置可以调整不同类别的权重。
4. 生成对抗网络;生成对抗网络可作为数据增强网络,包括生成网络与判别网络,生成网络与判别网络通过对抗训练提升彼此的性能,生成网络用来产生接近真实图像的伪图像,判别网络则用来判断输入数据的真假。
本实施例选用StructSeg2019数据集。
本发明提出一种基于深度学习的鼻咽癌肿瘤自动勾画方法,其流程图如图1所示,结构示意图如图2所示,该方法包括以下步骤:
S1:对数据集进行预处理,然后将经过预处理的图像数据集划分为训练集、验证集和测试集,比例设置为6:2:2,根据比例随机选择归入三个数据集中;
所述预处理包括以下3个分步骤:
S11:采用阈值化的方法提取头颈部区域;所述阈值化方法采取的阈值为-600,过滤掉非头颈部区域,剩下的部分进行膨胀处理,将头颈部内部的小孔洞填上,得到头颈部区域的掩膜,利用掩膜从图像中提取出头颈部区域。
S12:将StructSeg2019数据集(Automatic Structure Segmentation forRadiotherapy Planning Challenge 2019)中的图像数据截取至-1000~1000,此范围外的图像数据置为-1000或1000,然后归一化至0~1。
S13:计算训练集中鼻咽癌肿瘤得体积,肿瘤体积小于90cm3将被作为小体积肿瘤样本,肿瘤体积大于90cm3的将被作为大体积肿瘤样本。
S2:建立鼻咽癌肿瘤勾画网络,如图2所示,其特征在于所述步骤S2包括以下2个分步骤:
S21:建立分割网络;分割网络由2个卷积层、4个跨步卷积层、4个反卷积层、2个反池化层、9个残差模块组成。
分割网络的结构如图3所示,其工作流程如下:
(1)从训练集中的鼻咽癌肿瘤图像中采样128×128×128的3D图像块,依次经过一个通道数为16、卷积核大小为3×3×3的卷积层和一个残差模块,得到第1输出特征。第1输出特征依次经过四组步长为2、积核大小为3×3×3跨步卷积层和残差模块,依次生成第1输出特征、第3输出特征、第4输出特征、第5输出特征。第2输出特征的图片尺寸缩减为64×64×64,通道数变为32;第3输出特征的图片尺寸缩减为32×32×32,通道数变为64;第4输出特征的图片尺寸缩减为16×16×16,通道数变为128;第5输出特征的图片尺寸缩减为8×8×8,通道数变为256;经过上述处理后,输入的图片尺寸缩减为原来的1/16,该操作为编码操作;
(2)第5输出特征经过一个3×3×3、步长为2、通道数为128的反卷积层处理后,与第4输出特征串联,得到第6输出特征,至此通道数为256;第6输出特征经过一个3×3×3、步长为2、通道数为64的反卷积层处理后,与第3输出特征串联,得到第7输出特征,至此通道数为128;第7输出特征经过一个3×3×3、步长为2、通道数为32的反卷积层处理后,与第2输出特征串联,得到第8输出特征,至此通道数为64;第8输出特征经过一个3×3×3、步长为2、通道数为16的反卷积层处理后,与第1输出特征串联,得到第9输出特征,至此通道数为32;将第9输出特征经过一个残差模块处理,第8输出特征经过残差模块、2倍的反池化层处理,第7输出特征经过残差模块、4倍的反池化层处理,再将这三步得到的特征图串联,得到第10输出特征,至此,通道数为224;上述操作为解码操作,对特征图的分辨率进行放大,逐步修复物体的细节和空间维度。
(3)将第10特征图经过一个3×3×3、通道数为2的卷积层处理后,得到分割网络的输出。分割网络的输出为4维的张量数据,128×128×128×2,其中2表示需要分割的类别数,包括肿瘤和背景。
分割网络采用的损失函数为多分类焦点损失函数,可以表达为:
式中:表示预测的期望值,是一个长度为m的one-hot编码向量,m表示要分割的类别数(包括背景), 表示实际的预测值,通过设置可以调整不同类别的权重。
S22:建立生成对抗网络,包括生成网络和判别网络。
生成网络由3个跨步卷积层、2个卷积层、3个反卷积层组成,最后一个反卷积层使用tanh激活函数,其它层使用LeakyReLU作为激活函数。判别网络由4个跨步卷积层、3个残差模块组成,最后一层使用sigmoid激活函数来进行二分类,其它层使用LeakyReLU作为激活函数。
生成网络的结构如图4所示,其工作流程如下:
从训练集中小体积鼻咽癌肿瘤标签样本中采样32×32×32的3D图像块并加入随机噪声,首先经过三个4×4×4、步长为2、通道数分别为64、128、256的跨步卷积层处理,特征图的尺寸变为4×4×4,通道数变为256,然后再经过两个3×3×3、通道数为256的卷积层处理,最后再经过三个4×4×4、步长为2、通道数分别为128、64、1的反卷积层处理,得到与输入尺寸大小相同的伪图像。
判别网络的结构如图5所示,其工作流程如下:
输入32×32×32×2的图像对(肿瘤图像和标签),先依次经过3组3×3×3、步长为2,通道数分别为64、128、256的跨步卷积、残差模块处理,输出特征图的尺寸大小变为3×3×3,通道数变为256,再经过一个3×3×3、步长为2,通道数为1的跨步卷积层,输出特征图的尺寸大小变为1×1×1,通道数变为1,表示这对图像为真的概率。
生成对抗网络的损失函数可以表达为:
式中:表示生成的伪图像,表示真实的图像,表示真实的标签,表示Wasserstein距离,为正则化参数,表示生成样本和用于计算梯度惩罚的真实样本的线性插值。
因此,整个鼻咽癌肿瘤勾画网络最终的损失函数可以表达为:
S3:利用训练集对S2中构建的鼻咽癌肿瘤勾画网络进行训练,根据损失函数,训练鼻咽癌肿瘤勾画网络模型的参数,得到训练好的分割网络模型;然后将验证集输入到训练好的分割网络模型,测试分割网络模型的性能;
所述S3具体包括以下3个分步骤:
S31:设置训练参数。设置前1/4epoch的学习率为0.01,1/4到3/4的学习率为0.001,剩余epoch的学习率为0.0001,动量设置为0.9,权重衰减为0.0001,网络模型保存频率为1,迭代次数为1500,batch_size为4。
S32:训练鼻咽癌肿瘤勾画网络,计算判别网络、分割网络、生成网络的损失函数值并采用反向传播法更新网络中的参数,迭代1500次后,得到训练好的分割网络。
整个网络的训练可以分为两个阶段:
(1)第一个阶段:从大体积肿瘤样本的图像中采样图像块输入到分割网络中产生伪标签,再将真实图像与伪标签、真实图像与真实标签这两对图像输入到判别网络中,分别计算判别网络、分割网络的损失函数值并采用反向传播法更新网络中的参数。
(2)第二个阶段:从小体积肿瘤样本的图像中采样图像块输入到分割网络中产生伪标签。再从小体积肿瘤样本的标签中采样图像块并加入随机噪声输入到生成网络中产生伪图像。最后将真实图像与真实标签、真实图像与伪标签、伪图像与真实标签这三对图像输入到判别网络中,分别计算判别网络、分割网络、生成网络的损失函数值并采用反向传播法更新网络中的参数。
S33:将验证集输入到训练好的分割网络模型中,测试分割网络模型的稳定性。
S4:将测试集输入到S3中训练好的分割网络模型中,得到鼻咽癌肿瘤的勾画结果,勾画结果参见图6。
如图6所示,其为鼻咽癌肿瘤人工与自动勾画结果对比图,可以看出,利用本发明所述方法所获得的自动勾画结果,与人工基本无异,达到了满足实际应用的效果。
本发明的技术方案不限于上述具体实施例的限制,凡是根据本发明的技术方案做出的技术变形,均落入本发明的保护范围之内。
Claims (3)
1.一种基于深度学习的鼻咽癌肿瘤自动勾画方法,其特征在于,包括以下步骤:
S1:对数据集进行预处理,然后将经过预处理的图像数据集划分为训练集、验证集和测试集,比例设置为6:2:2,根据比例随机选择归入三个数据集中;对数据集进行预处理包括以下步骤:
S11:采用阈值化的方法提取头颈部区域;所述阈值化方法采取的阈值为-600,过滤掉非头颈部区域,剩下的部分进行膨胀处理,将头颈部内部的小孔洞填上,得到头颈部区域的掩膜,利用掩膜从图像中提取出头颈部区域;
S12:将StructSeg2019数据集中的图像数据截取至-1000~1000,此范围外的图像数据置为-1000或1000,然后归一化至0~1;
S13:计算训练集中鼻咽癌肿瘤的体积,肿瘤体积小于90cm3将被作为小体积肿瘤样本,肿瘤体积大于90cm3的将被作为大体积肿瘤样本;
S2:建立鼻咽癌肿瘤勾画网络模型,包括分割网络与生成对抗网络;具体包括以下步骤:
S21:建立分割网络;分割网络由2个卷积层、4个跨步卷积层、4个反卷积层、2个反池化层、9个残差模块组成;
S22:建立生成对抗网络,包括生成网络、判别网络;生成网络由3个跨步卷积层、2个卷积层、3个反卷积层组成,判别网络由4个跨步卷积层、3个残差模块组成;
S3:利用训练集对S2中构建的鼻咽癌肿瘤勾画网络进行训练,根据损失函数,训练鼻咽癌肿瘤勾画网络模型的参数,得到训练好的分割网络模型;然后将验证集输入到训练好的分割网络模型,测试分割网络模型的性能;具体包括以下步骤:
S31:设置训练参数:设置前1/4epoch的学习率为0.01,1/4到3/4的学习率为0.001,剩余epoch的学习率为0.0001,动量设置为0.9,权重衰减为0.0001,网络模型保存频率为1,迭代次数为1500,batch_size为4;
S32:训练鼻咽癌肿瘤勾画网络:计算判别网络、分割网络、生成网络的损失函数值并采用反向传播法更新网络中的参数,迭代1500次后,得到训练好的分割网络;
所述训练鼻咽癌肿瘤勾画网络分为两个阶段:
(1)第一个阶段:从大体积肿瘤样本的图像中采样图像块输入到分割网络中产生伪标签,再将真实图像与伪标签、真实图像与真实标签这两对图像输入到判别网络中,分别计算判别网络、分割网络的损失函数值并采用反向传播法更新网络中的参数;
(2)第二个阶段:从小体积肿瘤样本的图像中采样图像块输入到分割网络中产生伪标签;再从小体积肿瘤样本的标签中采样图像块并加入随机噪声输入到生成网络中产生伪图像;最后将真实图像与真实标签、真实图像与伪标签、伪图像与真实标签这三对图像输入到判别网络中,分别计算判别网络、分割网络、生成网络的损失函数值并采用反向传播法更新网络中的参数;
S33:将验证集输入到训练好的分割网络模型中,测试分割网络模型的稳定性;
S4:将测试集输入到S3中训练好的分割网络模型中,得到鼻咽癌肿瘤的勾画结果。
2.根据权利要求1所述的基于深度学习的鼻咽癌肿瘤自动勾画方法,其特征在于:分割网络的输入为128×128×128的3D图像块,每经过一个下跨步卷积层,特征图的尺寸减少一半,每经过一个反卷积层,特征图的尺寸扩大为原来的两倍,最终输出与输入大小相同的分割结果图;分割网络整体为编码器-解码器型结构,编码器与解码器中相同尺寸的特征图通过跳跃连接融合到一起,解码器中小尺寸的特征图经过反池化层处理后与大尺寸的特征图通过跳跃连接融合到一起。
3.根据权利要求1所述的基于深度学习的鼻咽癌肿瘤自动勾画方法,其特征在于:生成网络的输入为32×32×32的3D图像块和随机噪声,每经过一个跨步卷积层,特征图的尺寸减少一半,每经过一个反卷积层,特征图的尺寸扩大为原来的两倍,最终输出与输入大小相同的伪图像,判别网络的输入为32×32×32的3D图像对,所述3D图像对为图像和标签,经过几次下采样后,最终输出一个数,表示这对图像的判别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211276288.6A CN115359881B (zh) | 2022-10-19 | 2022-10-19 | 一种基于深度学习的鼻咽癌肿瘤自动勾画方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211276288.6A CN115359881B (zh) | 2022-10-19 | 2022-10-19 | 一种基于深度学习的鼻咽癌肿瘤自动勾画方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115359881A CN115359881A (zh) | 2022-11-18 |
CN115359881B true CN115359881B (zh) | 2023-04-07 |
Family
ID=84008588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211276288.6A Active CN115359881B (zh) | 2022-10-19 | 2022-10-19 | 一种基于深度学习的鼻咽癌肿瘤自动勾画方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115359881B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389584A (zh) * | 2018-09-17 | 2019-02-26 | 成都信息工程大学 | 基于cnn的多尺度鼻咽肿瘤分割方法 |
CN109934832A (zh) * | 2019-03-25 | 2019-06-25 | 北京理工大学 | 基于深度学习的肝脏肿瘤分割方法及装置 |
CN111898324A (zh) * | 2020-08-13 | 2020-11-06 | 四川大学华西医院 | 基于分割任务辅助的鼻咽癌三维剂量分布预测方法 |
CN114663431A (zh) * | 2022-05-19 | 2022-06-24 | 浙江大学 | 基于强化学习和注意力的胰腺肿瘤图像分割方法及系统 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG11202001010UA (en) * | 2017-08-07 | 2020-03-30 | Univ Johns Hopkins | Methods and materials for assessing and treating cancer |
CN108198179A (zh) * | 2018-01-03 | 2018-06-22 | 华南理工大学 | 一种生成对抗网络改进的ct医学图像肺结节检测方法 |
WO2020028352A1 (en) * | 2018-07-31 | 2020-02-06 | Washington University | Methods and systems for segmenting organs in images using a cnn-based correction network |
US20220084267A1 (en) * | 2018-10-30 | 2022-03-17 | Diagnocat, Inc. | Systems and Methods for Generating Quick-Glance Interactive Diagnostic Reports |
JPWO2022004500A1 (zh) * | 2020-06-30 | 2022-01-06 | ||
CN112270660B (zh) * | 2020-09-30 | 2022-09-09 | 四川大学 | 基于深度神经网络的鼻咽癌放疗靶区自动分割方法 |
CN113077471B (zh) * | 2021-03-26 | 2022-10-14 | 南京邮电大学 | 一种基于u型网络的医学图像分割方法 |
US11580646B2 (en) * | 2021-03-26 | 2023-02-14 | Nanjing University Of Posts And Telecommunications | Medical image segmentation method based on U-Net |
CN113870279A (zh) * | 2021-09-01 | 2021-12-31 | 山东师范大学 | 多模态脑肿瘤图像分割系统及方法 |
CN114170193A (zh) * | 2021-12-10 | 2022-03-11 | 中国科学技术大学 | 一种基于深度学习的鼻咽癌靶区自动勾画方法及系统 |
CN114266786B (zh) * | 2021-12-21 | 2024-09-13 | 北京工业大学 | 基于生成对抗网络的胃病变分割方法及系统 |
CN114693933A (zh) * | 2022-04-07 | 2022-07-01 | 天津大学 | 基于生成对抗网络和多尺度特征融合的医学影像分割装置 |
-
2022
- 2022-10-19 CN CN202211276288.6A patent/CN115359881B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389584A (zh) * | 2018-09-17 | 2019-02-26 | 成都信息工程大学 | 基于cnn的多尺度鼻咽肿瘤分割方法 |
CN109934832A (zh) * | 2019-03-25 | 2019-06-25 | 北京理工大学 | 基于深度学习的肝脏肿瘤分割方法及装置 |
CN111898324A (zh) * | 2020-08-13 | 2020-11-06 | 四川大学华西医院 | 基于分割任务辅助的鼻咽癌三维剂量分布预测方法 |
CN114663431A (zh) * | 2022-05-19 | 2022-06-24 | 浙江大学 | 基于强化学习和注意力的胰腺肿瘤图像分割方法及系统 |
Non-Patent Citations (2)
Title |
---|
四川省医用辐射危害评价与控制技术的研究结果;马桥 等;《医疗装备》;20200415;第33卷(第7期);3-5 * |
基于3D U-net的宫颈癌近距离治疗剂量分布预测;刘明哲 等;《中华放射医学与防护杂志》;20220825;第42卷(第8期);摘要 * |
Also Published As
Publication number | Publication date |
---|---|
CN115359881A (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113077471B (zh) | 一种基于u型网络的医学图像分割方法 | |
US11941807B2 (en) | Artificial intelligence-based medical image processing method and medical device, and storage medium | |
CN111145181B (zh) | 基于多视角分离卷积神经网络的骨骼ct图像三维分割方法 | |
CN110969124A (zh) | 基于轻量级多分支网络的二维人体姿态估计方法及系统 | |
CN111325750B (zh) | 一种基于多尺度融合u型链神经网络的医学图像分割方法 | |
CN110163876A (zh) | 基于多特征融合的左心室分割方法、系统、设备及介质 | |
CN109002763B (zh) | 基于同源连续性的模拟人脸老化的方法及装置 | |
CN115496771A (zh) | 一种基于脑部三维mri图像设计的脑肿瘤分割方法 | |
CN111080657A (zh) | 基于卷积神经网络多维度融合的ct图像器官分割方法 | |
CN110246171B (zh) | 一种实时单目视频深度估计方法 | |
CN110619641A (zh) | 一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法 | |
CN111080592B (zh) | 一种基于深度学习的肋骨提取方法及装置 | |
CN110992351A (zh) | 基于多输入卷积神经网络的sMRI图像分类方法和装置 | |
CN110782427A (zh) | 基于可分离空洞卷积的磁共振脑肿瘤自动分割方法 | |
CN114266939A (zh) | 一种基于ResTLU-Net模型的脑提取方法 | |
CN111260667A (zh) | 一种结合空间引导的神经纤维瘤分割方法 | |
CN117611601B (zh) | 基于文字辅助的半监督3d医学图像分割方法 | |
CN115239655A (zh) | 一种甲状腺超声影像肿瘤分割分类方法及装置 | |
CN115359881B (zh) | 一种基于深度学习的鼻咽癌肿瘤自动勾画方法 | |
CN117593275A (zh) | 一种医学图像分割系统 | |
CN115222748A (zh) | 一种基于并联深度u形网络和概率密度图的多器官分割方法 | |
CN112581513B (zh) | 锥束计算机断层扫描图像特征提取与对应方法 | |
CN110706223B (zh) | 基于人工智能的医学放射影像胸部摄片的质量控制方法 | |
CN115578400A (zh) | 图像处理方法、图像分割网络的训练方法及装置 | |
Jia et al. | Three-dimensional segmentation of hippocampus in brain MRI images based on 3CN-net |
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 |