CN115546231A - 一种基于半监督深度学习的自适应脑胶质瘤分割方法 - Google Patents
一种基于半监督深度学习的自适应脑胶质瘤分割方法 Download PDFInfo
- Publication number
- CN115546231A CN115546231A CN202211226207.1A CN202211226207A CN115546231A CN 115546231 A CN115546231 A CN 115546231A CN 202211226207 A CN202211226207 A CN 202211226207A CN 115546231 A CN115546231 A CN 115546231A
- Authority
- CN
- China
- Prior art keywords
- modality
- network
- missing
- magnetic resonance
- student network
- 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于半监督深度学习的自适应脑胶质瘤分割方法。该方法包括:构建深度学习模型,该深度学习模型包括教师网络、学生网络和多层感知机;基于设定的损失函数训练所述深度学习模型,其中,教师网络以完整的多模态磁共振图像作为输入图像,学生网络以模态缺失的磁共振图像作为输入图像,并利用教师网络学习到的几何结构先验来指导学生网络的训练,所述多层感知机用于基于学生网络所提取的特征来估计所述模态缺失的磁共振图像的模态缺失情况;利用经训练的学生网络对采集的目标图像进行脑胶质瘤分割。本发明能够实现准确有效的脑胶质瘤分割,并适应于各种模态缺失情况的图像。
Description
技术领域
本发明涉及医学图像处理技术领域,更具体地,涉及一种基于半监督深度学习的自适应脑胶质瘤分割方法。
背景技术
脑胶质瘤是最常见的原发性神经上皮恶性肿瘤。磁共振成像凭借其卓越的多模态软组织成像对比度,在临床脑胶质瘤检测方面使用广泛。针对脑胶质瘤病灶区域磁共振扫描图像的定量分析对于患者病情的诊断,治疗以及手术计划都有重要意义。由于脑胶质瘤结构复杂多变,人工标注肿瘤区域边界费时费力,为了辅助医生针对脑胶质瘤实现准确的定量分析,基于脑部磁共振成像的脑胶质瘤自动分割任务已成为一个重要的研究领域。
目前,脑胶质瘤自动分割技术主要采用卷积神经网络等深度学习方法来实现。在这类方法中,往往需要先将大量脑胶质瘤患者的脑部磁多模态磁共振图像序列(如T1(纵向弛豫时间加权序列),T1ce(纵向弛豫时间增强序列),T2(横向弛豫时间加权序列),FLAIR(液体衰减翻转序列))输入卷积神经网络,采用交叉熵或者Dice分割损失来约束分割标注和模型预测结果。在模型训练完成后,在临床测试应用阶段将病例的多模态磁共振扫描数据直接送入模型提取肿瘤区域异质特征,最终输出对不同脑胶质瘤区域的分割。然而,由于脑胶质瘤在形状和纹理上的复杂性,现有方法在模型训练过程中缺乏对肿瘤组织结构的空间几何信息的提取和约束。此外,现有方法在训练时需要大量的带有专家标注的训练数据,不同的专家标注质量往往不同,且标注过程费时费力,因此带标注数据的质和量都难以保证,而临床中包含的大量无标注数据通常都未被用于训练模型。并且,现有方案得到的分类模型在临床使用时,往往需要提供待分割病例完整的多模态磁共振影像数据才能保证模型的分割性能,而临床中由于医院放射科医生数量、数据存储、增强序列扫描对特殊病例不适用等问题,病例多模态磁共振序列的完整性难以保证,从而显著降低了模型的临床易用性。
综上,现有的基于卷积神经网络的脑胶质瘤分割方法在训练时对带标注训练样本的数量有较强依赖,并且在训练中缺乏对多模态数据几何结构的挖掘与约束。此外,现有的脑胶质瘤分割方法在临床测试阶段需要病例的完整多模态磁共振扫描数据作为输入,然而临床中受到医院条件和患者自身因素等限制,容易发生模态数据缺失问题,使得测试数据与训练数据产生差异,这种差异很容易影响模型的实际分割效果。
发明内容
本发明的目的是克服上述现有技术的缺陷,提供一种基于半监督深度学习的自适应脑胶质瘤分割方法。该方法包括以下步骤:
构建深度学习模型,该深度学习模型包括教师网络、学生网络和多层感知机;
基于设定的损失函数训练所述深度学习模型,其中,教师网络以完整的多模态磁共振图像作为输入图像,所述完整的多模态磁共振图像包含带标注数据和无标注数据;学生网络以模态缺失的磁共振图像作为输入图像,所述模态缺失的磁共振图像包含带标注数据和无标注数据;并且利用教师网络学习到的几何结构先验来指导学生网络的训练;所述多层感知机用于基于学生网络所提取的特征来估计所述模态缺失的磁共振图像的模态缺失情况;
利用经训练的学生网络对采集的目标图像进行脑胶质瘤分割。
与现有技术相比,本发明的优点在于,采用半监督训练策略,即在模型蒸馏训练时仅采用部分带标注的数据;在半监督训练条件下创新地从特征空间几何结构一致的角度对大量无标注数据进行训练约束,有效避免了脑胶质瘤深度学习分割模型对训练带标注数据的高度依赖问题;针对现有分割方法面临临床数据模态缺失时性能下降的问题,设计了一个模态任务自适应的训练策略,通过对不同缺失模态的情况的特征设置任务提示编码,使分割网络在多种不同的模态缺失条件下实现对于目标肿瘤区域的相对鲁棒分割。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1是根据本发明一个实施例的基于半监督深度学习的自适应脑胶质瘤分割方法的流程图;
图2是根据本发明一个实施例的基于半监督深度学习的自适应脑胶质瘤分割方法的过程示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
参见图1所示,所提供的基于半监督深度学习的自适应脑胶质瘤分割方法包括以下步骤:
步骤S110,构建半监督的深度学习模型,该深度学习模型采用知识迁移框架,包含教师网络、学生网络和多层感知机。
参见图2所示,深度学习模型采用基于几何结构约束的半监督知识迁移训练框架,整体上包括教师网络(或称教师模型)、学生网络(或称学生模型)和多层感知机。教师网络和学生网络总体上包含编码器和解码器。教师网络以完整的多模态磁共振图像作为输入图像,输出分割图像,所述完整的多模态磁共振图像包含带标注数据和无标注数据。学生网络以模态缺失的磁共振图像作为输入图像,输出分割图像,所述模态缺失的磁共振图像同样包含带标注数据和无标注数据。多层感知机用于基于学生网络所提取的特征来估计模态缺失的磁共振图像的模态缺失情况。
在一个实施例中,采用现有的3d-UNet网络作为深度学习模型网络的基本框架。模态缺失图像可通过对完整的多模态磁共振图像进行随机划分获得。
步骤S120,基于设定的损失函数训练深度学习模型,训练过程利用教师网络学习到的几何结构先验来指导学生网络,并利用模态缺失数据设计任务提示编码,以增强学生网络对模态缺失情况的自适应性。
首先,为了帮助模型更好的从无标注数据中学习肿瘤区域的信息以摆脱训练模型时对带标注训练数据的依赖,在现有框架基础上,采用半监督结合知识蒸馏的训练策略,即采用预训练好的教师模型蒸馏训练学生模型,蒸馏训练时只采用少部分带有标注的训练数据。
具体地,首先对教师网络输入带有标注的数据进行预训练,随后在蒸馏训练时,同时对学生网络和教师网络输入带有标注的数据和大量无标注的数据。对于大量无分割标注的训练数据,设计了一个几何结构先验的损失约束。例如,几何结构约束指对蒸馏训练中教师网络和学生网络编码器提取到的深层高维度空间几何特征进行降维,并通过设计对比损失约束无标注训练样本在学生网络与教师网络编码特征中空间结构中体素级别的差异。在一个实施例中,为了能够更有效地使教师模型的模态信息被学生模型捕捉,蒸馏训练时学生模型的权重使用教师模型的指数移动平均来进行更新。通过这种设计,利用教师网络学习到的几何结构先验来指导学生网络的训练,有利于获得更精确的分割效果,弥补了采用大量无标注数据进行训练可能导致的精确度不高的问题。
在一个优选实施例中,为了增强对模态缺失数据的自适应性,针对模态缺失数据设计任务提示编码,即对于模态缺失数据进行模拟和任务编码。
具体地,在蒸馏训练时,对于模态完整的数据(4种模态),通过对样本进行随机划分为15等份,让每一份数据中模拟对应一种模态缺失情况(共15种),并对每一种模态缺失条件进行0,1编码,将每一种编码当做一种模态缺失条件下分割任务的表示。例如,用1指示存在对应模态,用0指示模态缺失。将编码向量与输入图像经过卷积降维的低维特征拼接,然后将拼接后的特征输入学生网络的解码器,最终在学生网络解码输出时通过多层感知机输出一个任务分类结果并与模态缺失的编码标签进行损失约束。这样通过梯度反向传播可以有效约束网络识别不同的分割任务,实现模态缺失任务自适应。通过模拟临床可能出现的模态缺失场景并对每一种场景设置任务提示编码,从而实现一种无标注训练数据利用率高,且对于模态缺失条件鲁棒的脑胶质瘤分割模型。
仍结合图2所示,在一个实施例中,训练深度学习模型的总体损失函数包括空间几何特征约束项、分割损失约束项以及编码预测损失项。空间几何特征约束项是指教师网络和学生网络所提取的无标注数据的体素级别空间几何特征之间的损失。分割损失项反映教师网络和学生网络输出的分割图像的带标注数据之间的分割损失。编码预测损失项反映多层感知机估计的模态缺失情况编码与设定的任务提示编码之间的预测损失。总体损失函数可以是上述三部分损失的总和,或加权和的形式。
步骤S130,利用经训练的学生网络对目标图像进行脑胶质瘤分割。
在临床应用阶段,仅使用训练好的学生网络进行分割结果预测,即将采集的目标图像输入到经训练的学生网络,可获得脑胶质瘤分割结果。由于模型训练中,采用了任务编码预测损失进行约束,因此,在实际应用中,即使采集到磁共振图像是模态缺失图像,同样可进行精准分割。
需说明的是,本发明涉及的模型训练过程可在服务器或云端离线进行,将经训练的学生模型嵌入到电子设备或服务器即可实现实时的图像分割。该电子设备可以是终端设备或者服务器,终端设备包括手机、平板电脑、个人数字助理(PDA)、销售终端(POS)、车载电脑、智能可穿戴设备(智能手表、虚拟现实眼镜、虚拟现实头盔等)等任意终端设备。服务器包括但不限于应用服务器或Web服务器,可以为独立服务器或者集群服务器或云服务器等。
综上所述,相关研究表明,目前针对脑胶质瘤分割任务的深度学习模型高度依赖训练数据的规模以及测试数据的模态完整性,模型在训练期间往往需要使用大量带有标注的多模态磁共振图像,并且测试使用时需要获取与训练时一致的完整多模态磁共振扫描序列,这样的数据高完备性要求显著降低了模型的临床易用性。本发明将半监督训练策略、知识蒸馏训练以及模态缺失自适应训练进行了有机结合,使获得的脑胶质瘤分割模型(学生网络)具有较高的临床易用性。半监督训练策略减轻了模型在训练时对于标注数据的依赖,降低了医生的工作量,使得模型可以更高效的利用患者的脑部磁共振图像数据。知识蒸馏训练中,提取多模态磁共振数据的深层几何信息约束无标注样本进行蒸馏训练,在降低对标注数据依赖的前提下,保证了模型的分割精准度。进一步地,通过对模态缺失过程进行任务编码,避免了深度学习模型应用于脑胶质瘤分割任务时对于标注样本数据数量和模态完整性上的高度依赖,使学生网络能够较好适应多种模态缺失数据,在临床应用时能够应对不同的数据条件。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++、Python等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是,通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
Claims (10)
1.一种基于半监督深度学习的自适应脑胶质瘤分割方法,包括以下步骤:
构建深度学习模型,该深度学习模型包括教师网络、学生网络和多层感知机;
基于设定的损失函数训练所述深度学习模型,其中,教师网络以完整的多模态磁共振图像作为输入图像,所述完整的多模态磁共振图像包含带标注数据和无标注数据;学生网络以模态缺失的磁共振图像作为输入图像,所述模态缺失的磁共振图像包含带标注数据和无标注数据;并且利用教师网络学习到的几何结构先验来指导学生网络的训练;所述多层感知机用于基于学生网络所提取的特征来估计所述模态缺失的磁共振图像的模态缺失情况;
利用经训练的学生网络对采集的目标图像进行脑胶质瘤分割。
2.根据权利要求1所述的方法,其特征在于,所述损失函数包括空间几何特征约束项、分割损失约束项以及编码预测损失项,所述空间几何特征约束项反映教师网络和学生网络所提取的无标注数据的体素级别空间几何特征之间的损失,所述分割损失项反映教师网络和学生网络输出的分割图像的带标注数据之间的分割损失,所述编码预测损失项反映所述多层感知机估计的模态缺失情况编码与设定的任务指示编码之间的损失,该任务指示编码用于指示所述模态缺失的磁共振图像的模态缺失情况。
3.根据权利要求2所述的方法,其特征在于,所述空间几何特征约束项是指教师网络和学生网络的编码器提取到的深层高维度空间几何特征进行降维,并通过设计对比损失约束无标注训练样本在学生网络与教师网络编码特征中空间结构中体素级别的差异。
4.根据权利要求1所述的方法,其特征在于,所述模态缺失的磁共振图像根据以下步骤获得:
对于模态完整的磁共振图像,将样本随机划分为多份数据,每一份数据对应一种模态缺失情况;
对每一种模态缺失情况进行任务指示编码,该任务指示编码用于表征图像中包含的模态和缺失的模态,每一种编码作为一种模态缺失情况下分割任务的表示。
5.根据权利要求4所述的方法,其特征在于,所述模态完整的磁共振图像包含T1、T1ce、T2和FLAIR四种模态,所述多份数据设置为15等份,所述任务指示编码的类型采用0,1编码。
6.根据权利要求2所述的方法,其特征在于,所述多层感知机用于基于学生网络所提取的特征来估计所述模态缺失的磁共振图像的模态缺失情况包括以下步骤:
将任务指示编码向量与输入图像经过卷积降维的低维特征拼接;
将拼接后的特征输入所述学生网络的解码器,进而在所述学生网络解码输出时通过所述多层感知机输出一个任务分类结果,并与模态缺失的编码标签进行损失约束,进而通过梯度反向传播约束所述学生网络识别不同的分割任务。
7.根据权利要求1所述的方法,其特征在于,所述教师网络是基于带有标注数据进行预训练的模型。
8.根据权利要求1所述的方法,其特征在于,在所述深度学习模型的训练过程中,所述学生网络的权重使用所述教师网络的指数移动平均权重来进行更新。
9.一种计算机可读存储介质,其上存储有计算机程序,其中,该计算机程序被处理器执行时实现根据权利要求1至8中任一项所述的方法的步骤。
10.一种计算机设备,包括存储器和处理器,在所述存储器上存储有能够在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计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211226207.1A CN115546231A (zh) | 2022-10-09 | 2022-10-09 | 一种基于半监督深度学习的自适应脑胶质瘤分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211226207.1A CN115546231A (zh) | 2022-10-09 | 2022-10-09 | 一种基于半监督深度学习的自适应脑胶质瘤分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115546231A true CN115546231A (zh) | 2022-12-30 |
Family
ID=84732274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211226207.1A Pending CN115546231A (zh) | 2022-10-09 | 2022-10-09 | 一种基于半监督深度学习的自适应脑胶质瘤分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115546231A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116010858A (zh) * | 2023-03-28 | 2023-04-25 | 同心智医科技(北京)有限公司 | 基于自监督学习的通道注意MLP-Mixer网络模型及其应用 |
CN116309571A (zh) * | 2023-05-18 | 2023-06-23 | 中国科学院自动化研究所 | 一种基于半监督学习的三维脑血管分割方法和装置 |
-
2022
- 2022-10-09 CN CN202211226207.1A patent/CN115546231A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116010858A (zh) * | 2023-03-28 | 2023-04-25 | 同心智医科技(北京)有限公司 | 基于自监督学习的通道注意MLP-Mixer网络模型及其应用 |
CN116010858B (zh) * | 2023-03-28 | 2023-06-09 | 同心智医科技(北京)有限公司 | 基于自监督学习的通道注意MLP-Mixer网络模型装置及其应用 |
CN116309571A (zh) * | 2023-05-18 | 2023-06-23 | 中国科学院自动化研究所 | 一种基于半监督学习的三维脑血管分割方法和装置 |
CN116309571B (zh) * | 2023-05-18 | 2023-09-12 | 中国科学院自动化研究所 | 一种基于半监督学习的三维脑血管分割方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10902588B2 (en) | Anatomical segmentation identifying modes and viewpoints with deep learning across modalities | |
Richardson et al. | Noninterpretive uses of artificial intelligence in radiology | |
Azizi et al. | Robust and efficient medical imaging with self-supervision | |
CN110298844B (zh) | X光造影图像血管分割与识别方法及装置 | |
WO2022001623A1 (zh) | 基于人工智能的图像处理方法、装置、设备及存储介质 | |
CN115546231A (zh) | 一种基于半监督深度学习的自适应脑胶质瘤分割方法 | |
CN114945951A (zh) | 用于图像分类的不确定性引导的半监督神经网络训练 | |
US10878570B2 (en) | Knockout autoencoder for detecting anomalies in biomedical images | |
Li et al. | Decoding radiology reports: potential application of OpenAI ChatGPT to enhance patient understanding of diagnostic reports | |
CN111511287A (zh) | 从医学图像自动提取超声心动图测量结果 | |
CN111145905B (zh) | 目标决策模型构建方法及装置、电子设备、存储介质 | |
CN112614144A (zh) | 一种图像分割方法、装置、设备及存储介质 | |
Yang et al. | A multiorgan segmentation model for CT volumes via full convolution‐deconvolution network | |
Alawad et al. | Machine learning and deep learning techniques for optic disc and cup segmentation–a review | |
CN117112829B (zh) | 医疗数据跨模态检索方法、装置和相关设备 | |
WO2020231510A1 (en) | A system and method for coronary calcium deposits detection and labeling | |
CN116469103A (zh) | 一种医学图像分割数据自动标注的方法 | |
CN112634255B (zh) | 脑部病灶检测模型的建立方法、装置以及计算机设备 | |
CN114266777A (zh) | 分割模型的训练方法、分割方法、装置、电子设备及介质 | |
KR20220162153A (ko) | 부호부여된 거리 맵의 예측에 의한 형상-인지 기관 세그먼트화 | |
US10910098B2 (en) | Automatic summarization of medical imaging studies | |
CN112991266A (zh) | 用于小样本医疗影像的语义分割方法及系统 | |
CN113409324A (zh) | 一种融合微分几何信息的脑分割方法 | |
CN112989032A (zh) | 实体关系分类方法、装置、介质及电子设备 | |
CN113592766B (zh) | 一种基于深度序列信息融合的冠脉造影图像分割方法 |
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 |