CN115601356A - 基于稀疏卷积自编码的多发性硬化病灶识别方法及系统 - Google Patents

基于稀疏卷积自编码的多发性硬化病灶识别方法及系统 Download PDF

Info

Publication number
CN115601356A
CN115601356A CN202211435607.3A CN202211435607A CN115601356A CN 115601356 A CN115601356 A CN 115601356A CN 202211435607 A CN202211435607 A CN 202211435607A CN 115601356 A CN115601356 A CN 115601356A
Authority
CN
China
Prior art keywords
multiple sclerosis
focus
magnetic resonance
nuclear magnetic
resonance image
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
CN202211435607.3A
Other languages
English (en)
Other versions
CN115601356B (zh
Inventor
马金连
李安宁
边栋
刘竹云
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202211435607.3A priority Critical patent/CN115601356B/zh
Publication of CN115601356A publication Critical patent/CN115601356A/zh
Application granted granted Critical
Publication of CN115601356B publication Critical patent/CN115601356B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明属于医疗影像识别领域，提供了一种基于稀疏卷积自编码的多发性硬化病灶识别方法及系统，包括：获取多发性硬化病灶的核磁共振影像；对多发性硬化病灶的核磁共振影像进行预处理，得到预处理后的多发性硬化病灶核磁共振影像；基于预处理后的多发性硬化病灶核磁共振影像，利用训练好的三维稀疏自编码网络自动分割出多发性硬化病灶区域；基于多发性硬化病灶区域，利用训练好的三维多通道神经卷积网络识别出多发性硬化病灶活性。本发明借助深度稀疏卷积自编码可以自动的分割出病灶区域，弥补了传统图像处理算法等不能解决弱边界问题的不足。

Description

基于稀疏卷积自编码的多发性硬化病灶识别方法及系统
技术领域
本发明属于医疗影像识别技术领域，具体涉及一种基于稀疏卷积自编码的多发性硬化病灶识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
多发性硬化是脑中枢神经系统和免疫有关的发炎以及去髓鞘疾病。受此疾病的影响，神经纤维、神经元以及寡棘突细胞亦会受损。至今，多发性硬化损伤的诱因仍然不明，据推测是受到一些引起该疾病发作的诱发因子的影响。为了研究该病灶，核磁共振成像因可以提供较高的图像分辨率和软组织和其他部位的对比度被公认为检测和研究多发性硬化病灶的最优成像方法。对脑核磁共振图像进行分割已经成为多发性硬化损伤的临床诊断以及分析研究非常重要的一个环节。但由于临床表现多样，放射科医生手动分割海量的含硬化区域并分析影像特征非常耗时。并且医生解读影像特征主观性比较强，其结果往往受到医学成像设备的成像机理、获取条件、显示设备等因素的影响而极易造成误诊或漏诊。此外医生每天要面临很多的病例，尤其是当面临筛查体检时，病例更是多，诊断工作十分繁重，更容易造成漏诊，也就更不可能有时间标注样本，所以我们很难短时间获得大量的标注样本。因此，非常有必要提出一种基于小样本的多发性硬化区域自动化分割方法以及精确甄别病灶性质的系统十分必要。
发明内容
为了解决上述问题，本发明提出了一种基于稀疏卷积自编码的多发性硬化病灶识别方法及系统，本发明借助深度稀疏卷积自编码可以自动的分割出病灶区域，弥补了传统图像处理算法等不能解决弱边界问题的不足。
根据一些实施例，本发明的第一方案提供了一种基于稀疏卷积自编码的多发性硬化病灶识别系统，采用如下技术方案：
基于稀疏卷积自编码的多发性硬化病灶识别系统，包括：
图像采集模块，被配置为获取多发性硬化病灶的核磁共振影像；
图像预处理模块，被配置为对多发性硬化病灶的核磁共振影像进行预处理，得到预处理后的多发性硬化病灶核磁共振影像；
病灶区域分割模块，被配置为基于预处理后的多发性硬化病灶核磁共振影像，利用训练好的三维稀疏自编码网络自动分割出多发性硬化病灶区域；
病灶识别模块，被配置为基于多发性硬化病灶区域，利用训练好的三维多通道神经卷积网络识别出多发性硬化病灶活性；
其中，所述三维多通道神经卷积网络包括两层Gabor小波层、六层卷积层、四层池化层、四个注意力机制模块以及三个全连接层，一个池化层连接一个注意力机制模块。
进一步地，所述对多发性硬化病灶的核磁共振影像进行预处理，得到预处理后的多发性硬化病灶核磁共振影像，具体为：
将多发性硬化病灶的核磁共振影像先进行去壳处理，并将图像灰度化，然后利用高斯滤波去噪，并利用灰度直方图均衡化增强对比度，得到预处理后的多发性硬化病灶核磁共振影像。
进一步地，所述基于预处理后的多发性硬化病灶核磁共振影像，利用训练好的三维稀疏自编码网络自动分割出多发性硬化病灶区域，具体为：
对预处理后的多发性硬化病灶核磁共振影像进行编码，提取出多发性硬化病灶核磁共振影像的高敏感性的层次特征图；
基于多发性硬化病灶核磁共振影像的高敏感性的层次特征图进行解码，提取脑核磁共振的影响特征，并结合编码过程中丢失的细粒度信息重建出原图像；
利用多发性硬化病灶核磁共振影像的高敏感性的层次特征图利用预先训练好的逻辑回归分类器进行分类，得到多发性硬化病灶区域的分割概率图；
基于多发性硬化病灶区域的分割概率图进行细化分割，得到多发性硬化病灶区域。
进一步地，所述对预处理后的多发性硬化病灶核磁共振影像进行编码，提取出多发性硬化病灶核磁共振影像的高敏感性的层次特征图，包括：
先通过步长为1的卷积层提取出多发性硬化病灶核磁共振影像的高敏感性的层次特征；
再通过步长为2的卷积层减小多发性硬化病灶核磁共振影像的高敏感性的层次特征的尺寸，得到多发性硬化病灶核磁共振影像的高敏感性的层次特征图。
进一步地，所述基于多发性硬化病灶核磁共振影像的高敏感性的层次特征图进行解码，提取脑核磁共振的影响特征，并结合编码过程中丢失的细粒度信息重建出原图像，包括：
先通过步长为2的反卷积层增大多发性硬化病灶核磁共振影像的高敏感性的层次特征图的尺寸；
再通过步长为1的卷积层对增大尺寸的多发性硬化病灶核磁共振影像的高敏感性的层次特征图进行特征提取，提取出脑核磁共振的影响特征；
利用脑核磁共振的影响特征，结合编码过程中丢失的细粒度信息重建出原图像。
进一步地，基于多发性硬化病灶区域的分割概率图进行细化分割，得到多发性硬化病灶区域，包括：
基于多发性硬化病灶区域的分割概率图，利用能量泛函函数极小化进行细化分割。
进一步地，所述能量泛函函数，具体为：
记I(x)：x∈V→R为定义在区域
Figure 67892DEST_PATH_IMAGE001
上的核磁共振影像数据，S为V内所有体素点的集合，Nx是体素点x的6−邻域点集合；假设
Figure 675591DEST_PATH_IMAGE002
为体素点x的标签，其中0和1分别代表该体素点属于非病灶区域和病灶区域；建立如下关于标签集
Figure 524599DEST_PATH_IMAGE003
的能量泛函函数：
Figure 243156DEST_PATH_IMAGE004
其中，
Figure 930227DEST_PATH_IMAGE005
为数据惩罚项，
Figure 708827DEST_PATH_IMAGE006
为病灶区域和非病灶区域的概率密度函数，包含了病灶区域内外的图像统计信息；
Figure 45131DEST_PATH_IMAGE007
，(L(x)和1-L(x)分别表示体素x属于病灶区域和非病灶区域的概率，
Figure 301800DEST_PATH_IMAGE008
是一个边界探测函数，其值落在区间[0,1]内，在目标边界处其值接近于0，其中α>0是一个常数；权重参数
Figure 407159DEST_PATH_IMAGE009
，
Figure 356660DEST_PATH_IMAGE010
是随空间变化的两个函数，其中，β>0，γ>0为常数；参数
Figure 852364DEST_PATH_IMAGE011
为常数，用来调节区域项和边界惩罚项之间的平衡。
根据一些实施例，本发明的第二方案提供了一种基于稀疏卷积自编码的多发性硬化病灶识别方法，采用如下技术方案：
基于稀疏卷积自编码的多发性硬化病灶识别方法，包括：
获取多发性硬化病灶的核磁共振影像；
对多发性硬化病灶的核磁共振影像进行预处理，得到预处理后的多发性硬化病灶核磁共振影像；
基于预处理后的多发性硬化病灶核磁共振影像，利用训练好的三维稀疏自编码网络自动分割出多发性硬化病灶区域；
基于多发性硬化病灶区域，利用训练好的三维多通道神经卷积网络识别出多发性硬化病灶活性；
其中，所述三维多通道神经卷积网络包括两层Gabor小波层、六层卷积层、四层池化层、四个注意力机制模块以及三个全连接层，一个池化层连接一个注意力机制模块。
根据一些实施例，本发明的第三方案提供了一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下步骤：
获取多发性硬化病灶的核磁共振影像；
对多发性硬化病灶的核磁共振影像进行预处理，得到预处理后的多发性硬化病灶核磁共振影像；
基于预处理后的多发性硬化病灶核磁共振影像，利用训练好的三维稀疏自编码网络自动分割出多发性硬化病灶区域；
基于多发性硬化病灶区域，利用训练好的三维多通道神经卷积网络识别出多发性硬化病灶活性；
其中，所述三维多通道神经卷积网络包括两层Gabor小波层、六层卷积层、四层池化层、四个注意力机制模块以及三个全连接层，一个池化层连接一个注意力机制模块。
根据一些实施例，本发明的第四方案提供了一种计算机设备。
一种计算机设备，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下步骤：
获取多发性硬化病灶的核磁共振影像；
对多发性硬化病灶的核磁共振影像进行预处理，得到预处理后的多发性硬化病灶核磁共振影像；
基于预处理后的多发性硬化病灶核磁共振影像，利用训练好的三维稀疏自编码网络自动分割出多发性硬化病灶区域；
基于多发性硬化病灶区域，利用训练好的三维多通道神经卷积网络识别出多发性硬化病灶活性；
其中，所述三维多通道神经卷积网络包括两层Gabor小波层、六层卷积层、四层池化层、四个注意力机制模块以及三个全连接层，一个池化层连接一个注意力机制模块。
与现有技术相比，本发明的有益效果为：
本发明不仅借助深度稀疏卷积自编码可以自动的分割出病灶区域，弥补了传统图像处理算法等不能解决弱边界问题的不足。而且可以利用少量的标注数据，并自动学习出提取出有价值的特征组合，避免了人工选取特征的复杂，这样提取出来的特征更有利于找到病灶的主要规律信息。并且采用Gabor小波、多通道、注意力机制等策略与技术训练对病灶的分类模型，既可以减小训练时间，也可以更好地获得对分类有益的高敏感性、高特异性的特征，可以更好地、客观地量化主要的临床医学指标，提高对多发性硬化病灶的甄别准确率。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例所述的基于稀疏卷积自编码的多发性硬化病灶识别方法及系统的流程图；
图2是本发明实施例中所用病灶的核磁共振影像；
图3是本发明实施例中的3DM-GAMCNN结构图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例提供了一种基于稀疏卷积自编码的多发性硬化病灶识别系统，包括：
图像采集模块，被配置为获取多发性硬化病灶的核磁共振影像；
图像预处理模块，被配置为对多发性硬化病灶的核磁共振影像进行预处理，得到预处理后的多发性硬化病灶核磁共振影像；
病灶区域分割模块，被配置为基于预处理后的多发性硬化病灶核磁共振影像，利用训练好的三维稀疏自编码网络自动分割出多发性硬化病灶区域；
病灶识别模块，被配置为基于多发性硬化病灶区域，利用训练好的三维多通道神经卷积网络识别出多发性硬化病灶活性；
其中，所述三维多通道神经卷积网络包括两层Gabor小波层、六层卷积层、四层池化层、四个注意力机制模块以及三个全连接层，一个池化层连接一个注意力机制模块。
所提出的系统，可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。
实施例二
如图1所示，本实施例提供了一种基于稀疏卷积自编码的多发性硬化病灶识别方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：
获取多发性硬化病灶的核磁共振影像；
对多发性硬化病灶的核磁共振影像进行预处理，得到预处理后的多发性硬化病灶核磁共振影像；
基于预处理后的多发性硬化病灶核磁共振影像，利用训练好的三维稀疏自编码网络自动分割出多发性硬化病灶区域；
基于多发性硬化病灶区域，利用训练好的三维多通道神经卷积网络识别出多发性硬化病灶活性；
其中，所述三维多通道神经卷积网络包括两层Gabor小波层、六层卷积层、四层池化层、四个注意力机制模块以及三个全连接层，一个池化层连接一个注意力机制模块。
所述对多发性硬化病灶的核磁共振影像进行预处理，得到预处理后的多发性硬化病灶核磁共振影像，具体为：
将多发性硬化病灶的核磁共振影像先进行去壳处理，并将图像灰度化，然后利用高斯滤波去噪，并利用灰度直方图均衡化增强对比度，得到预处理后的多发性硬化病灶核磁共振影像。
所述基于预处理后的多发性硬化病灶核磁共振影像，利用训练好的三维稀疏自编码网络自动分割出多发性硬化病灶区域，具体为：
对预处理后的多发性硬化病灶核磁共振影像进行编码，提取出多发性硬化病灶核磁共振影像的高敏感性的层次特征图；
基于多发性硬化病灶核磁共振影像的高敏感性的层次特征图进行解码，提取脑核磁共振的影响特征，并结合编码过程中丢失的细粒度信息重建出原图像；
利用多发性硬化病灶核磁共振影像的高敏感性的层次特征图利用预先训练好的逻辑回归分类器进行分类，得到多发性硬化病灶区域的分割概率图；
基于多发性硬化病灶区域的分割概率图进行细化分割，得到多发性硬化病灶区域。
所述对预处理后的多发性硬化病灶核磁共振影像进行编码，提取出多发性硬化病灶核磁共振影像的高敏感性的层次特征图，包括：
先通过步长为1的卷积层提取出多发性硬化病灶核磁共振影像的高敏感性的层次特征；
再通过步长为2的卷积层减小多发性硬化病灶核磁共振影像的高敏感性的层次特征的尺寸，得到多发性硬化病灶核磁共振影像的高敏感性的层次特征图。
所述基于多发性硬化病灶核磁共振影像的高敏感性的层次特征图进行解码，提取脑核磁共振的影响特征，并结合编码过程中丢失的细粒度信息重建出原图像，包括：
先通过步长为2的反卷积层增大多发性硬化病灶核磁共振影像的高敏感性的层次特征图的尺寸；
再通过步长为1的卷积层对增大尺寸的多发性硬化病灶核磁共振影像的高敏感性的层次特征图进行特征提取，提取出脑核磁共振的影响特征；
利用脑核磁共振的影响特征，结合编码过程中丢失的细粒度信息重建出原图像。
基于多发性硬化病灶区域的分割概率图进行细化分割，得到多发性硬化病灶区域，包括：
基于多发性硬化病灶区域的分割概率图，利用能量泛函函数极小化进行细化分割。
具体地，如图1所示，本实施例所述的方法的过程，具体为：
一、读取多发性硬化病灶的核磁共振影像数据；
所述过程一具体为：读取病灶的核磁共振影像 (可以是图片格式，也可以是标准的dicom图片)，包括至少200例活性硬化病灶的影像和至少200例非活性硬化病灶的影像，每例病人的影像有3个序列 (T1，T2，FLAIR)，总共90张影像。
二、对多发性硬化病灶的核磁共振影像进行去壳、去噪、灰度归一化、增强对比度一系列预处理；
所述过程二具体为：将过程一读取的多发性硬化病灶的核磁共振影像，先进行去壳处理，并将图像灰度化，然后利用高斯滤波去噪，并利用灰度直方图均衡化增强对比度，得到预处理后的增强图像。
三、选取图像，建立一个三维稀疏自编码网络结构，即3DSAE (3 dimensionsparse AutoEncoder)，用于自动学习分割出多发性硬化病灶区域，称为感兴趣区域，即ROI(region of interest)，该自动分割模型记为Seg-3DSAE。然后再利用三维图割模型对病灶形状进行细化分割；
所述过程三具体包括下述步骤：
第1步：首先建立一个三维稀疏自编码网络，输入过程二的预处理之后的增强图像，通过编码过程将输入数据进行降维，得到特征编码，再通过解码过程利用特征编码重建出原图像，由此自动学习多发性硬化核磁影像的深度特征表示，然后基于编码后得到的特征，训练一个逻辑回归分类器，进而训练出自动分割模型Seg-3DSAE。
所述过程三第1步中，利用三维深度自编码训练出自动分割模型Seg-3DSAE，获得多发性硬化病灶区域的概率图。具体的方法如下：
步骤1：编码过程结构类似VNet结构的左侧部分，每个阶段先执行1到3个大小为5×5×5，步长为1卷积，通过这些卷积层作用于将脑核磁共振多个序列的影像，自动提取出高敏感性的层次特征。再执行大小为2×2×2，步长均为2的卷积，以此操作减小特征图尺寸。在数学上卷积作用为
Figure 178303DEST_PATH_IMAGE012
其中，符号*表示卷积运算符；所述l表示层数；所述i表示l－1层的第i个神经元节点；所述j表示l层的第j个神经元节点；所述
Figure 138169DEST_PATH_IMAGE013
表示选择的输入特征图的集合；所述
Figure 992992DEST_PATH_IMAGE014
是指l－1层的输出，作为l层的输入；所述f表示激活函数，这里选取ReLU函数 f(x)=max(0,x) 作为激活函数；所述k是卷积算子；所述b是偏置；
解码过程结构类似VNet结构的右侧部分，每个阶段先执行大小为2×2×2，步长均为2的反卷积，增大输入的特征图尺寸。再执行1到3个大小为5×5×5，步长为1卷积，提取脑核磁共振的影像特征，并通过skip-connection操作收集编码过程中丢失的细粒度信息，最终重建出原图像；
编码与解码的过程采用卷积操作，可以参数共享，减少模型训练参数。此外该自编码模型具有一定的稀疏性，可以进一步减少模型训练参数，从而减少对训练样本的需求。整个自编码训练的损失函数定义如下：
Figure 507150DEST_PATH_IMAGE015
其中，m为样本数；w表示权重参数；b表示偏置；x i 为输入的图像数据；
Figure 167938DEST_PATH_IMAGE016
为编码解码之后重建的图像数据；
Figure 684108DEST_PATH_IMAGE017
是两个平衡参数；n为所在层的神经元数；参数
Figure 975412DEST_PATH_IMAGE018
是稀疏的，
Figure 508025DEST_PATH_IMAGE019
表示神经元j的平均激活值，即所有样本在该神经元的平均激活值，具体的期望计算为
Figure 910187DEST_PATH_IMAGE020
这里
Figure 782328DEST_PATH_IMAGE021
是指l层的输出；
Figure 306851DEST_PATH_IMAGE022
表示KL散度，具体计算如下
Figure 264442DEST_PATH_IMAGE023
步骤2：去掉解码过程，利用编码过程得到的带标签的图像数据的影像特征，训练一个逻辑回归分类器对这些特征进行分类，最后输出一张分割概率图。实际上就极小化化下面的损失函数，
Figure 470296DEST_PATH_IMAGE024
其中，所述i是指第i个样本；所述m表示共有m个样本，m取值范围为任意正整数；log表示自然对数，即以欧拉数为底的对数；
Figure 259260DEST_PATH_IMAGE025
是i个样本；
Figure 892367DEST_PATH_IMAGE026
是第i个样本的标签；
Figure 337255DEST_PATH_IMAGE027
表示以θ为参数的假设函数；λ是权衡第一项(数据项)与第二项(正则项)的参数，这里λ取正数，并根据实验结果调节其大小。然后利用随机梯度下降法就可以求解该优化问题。
第2步：将第1步得到的Seg-3DSAE模型应用于所有的病灶影像，即对选取的360000张图像进行自动分割，得到这些病灶区域的分割概率图。然后建立一个三维图割模型，对Seg-3DSAE得到的病灶区域进行细化分割。最终得到ROI，即所有的多发性硬化病灶。
所述过程三的第2步中，通过利用三维图割模型对Seg-3DSAE分割出的病灶形状进行细化分割，具体的方法就是：
记I(x) : x∈V→R为定义在区域
Figure 143537DEST_PATH_IMAGE028
上的核磁共振影像数据，S为V内所有体素点的集合，Nx是体素点x的6−邻域点集合；假设
Figure 488805DEST_PATH_IMAGE029
为体素点x的标签，其中0和1分别代表该体素点属于背景(非病灶区域)和前景(病灶区域)；建立如下关于标签集
Figure 292813DEST_PATH_IMAGE030
的能量泛函，
Figure 490576DEST_PATH_IMAGE031
其中
Figure 38232DEST_PATH_IMAGE032
Figure 801789DEST_PATH_IMAGE033
为前景和背景的概率密度函数)为数据惩罚项，包含了病灶区域内外的图像统计信息；
Figure 776698DEST_PATH_IMAGE034
，(L(x)和1-L(x)分别表示体素x属于前景和背景的概率，初始值取Seg-3DSAE模型得到的分割概率图)为形状先验项；这两项共同用来表达病灶的区域，也称为区域项，用来描述体素点x和前景或者背景的相似度；第三项为边界惩罚项，起到边界平滑的正则作用。
Figure 196178DEST_PATH_IMAGE035
(α>0是一个常数，根据实验情况确定)是一个边界探测函数，其值落在区间[0,1]内，在目标边界处其值接近于0；权重参数
Figure 344263DEST_PATH_IMAGE036
，
Figure 165588DEST_PATH_IMAGE037
(β>0，γ>0为根据实验确定的常数)是随空间变化的两个函数；参数
Figure 311399DEST_PATH_IMAGE038
为常数，取值根据实验情况确定，用来调节区域项和边界惩罚项之间的平衡；这样可以使得模型在不同的图像区域自适应地表现为基于区域的模型或基于边界的模型。极小化这个能量泛函就可以找到前景与背景的分界线(具体求解该极小化问题可以用连续的最大流算法)，从而得到了能对病灶区域进行细化分割的三维图割模型，即能量泛函函数，就可以对由Seg-3DSAE模型得到的病灶区域进行细化分割。
四、建立一个含有Gabor小波核+注意力机制的三维多通道神经卷积神经网络架构，即3DM-GAMCNN (3 dimension multi-channel Gabor and attention moduleconvolutional neural network)，用于识别多发性硬化病灶的活性，其输入有过程三自动分割结果的图像，自动提取病灶区域的特征，甄别其活性。
所述过程四用训练集训练出3DM-GAMCNN模型，用于解读核磁共振影像特征，并对所有自动分割出来的多发性硬化病灶区域提取特征，具体包括以下步骤：
第 I 步：建立含有Gabor +注意力机制的三维多通道神经卷积神经网络架构(3DM-GAMCNN)。所述3DM-GAMCNN是由8层卷积层、4层下采样层、4个注意力机制模块、3层全连接层组成的网络结构，三个全连接层的神经元节点数分别为4096，2048，1；前两层卷积核采用Gabor 小波核，也称为Gabor小波层，其余各卷积层的卷积核的大小分别为：第三层、第四层与第五层为7×7×7，第六层为5×5×5，第七层与第八层都是3×3×3；步长分别是：第三个卷积层是2，其余的都是1；下采样层的大小都是3×3×3，步长都是2；采用ReLu函数作为激活函数；
第II步：基于多发性硬化病灶核磁共振影像数据，进行交叉验证，建立识别多发性硬化病灶性质的3DM-GAMCNN模型。首先将过程三中Seg-3DSAE模型与三维图割模型自动分割出的ROI (即所有的多发性硬化病灶) 平均分成8组，选出6组ROI数据作训练集，用于训练3DM-GAMCNN模型识别多发性硬化病灶的性质；1组用于验证，并调节模型参数；剩余1组作测试集，用于测试训练好的3DM-GAMCNN模型。即利用Seg-3DSAE模型得到分割概率图，并利用三维图割细化分割出病灶区域ROI，然后利用3DM-GCNN模型提取这些ROI的特征，进而识别多发性硬化病灶的性质。然后重复这样实验，做8次交叉检验，即对于分好的8组数据，每次选出一组不同的数据作测试集，1组作为验证集，余下的6组数据作训练集，重复8次，直至每一组数据都作过测试集。也就是共进行了8次交叉检验；
经过8次交叉检验，每次都会保存模型3DM-GAMCNN的权重与偏置参数，根据测试集上的受试者工作特征曲线(receiver operating characteristic curve，简称ROC曲线)及ROC曲线下与坐标轴所围的面积(Area Under Curve，AUC)值评估结果，这里ROC曲线以敏感性为纵坐标、(1-特异性)为横坐标绘制成曲线，AUC的取值范围在0.5和1之间。AUC越接近1.0说明模型性能越好。每次的AUC值与8次的平均值相差不大，就取其中AUC值稍高的一组权重与偏置参数作为3DM-GAMCNN模型的最佳参数，即训练好了3DM-GAMCNN模型，即最终建立了基于Gabor小波与小样本稀疏卷积自编码的多发性硬化核磁共振影像识别模型；
图2是展示了实验中用来训练本发明中模型的核磁共振影像。将需要解读的多发性硬化病灶的核磁共振影像输入到这个基于Gabor小波与小样本稀疏卷积自编码的多发性硬化病灶核磁共振影像识别系统，即可自动获得该病灶区域，并对该区域特征进行分析解读，进而可以根据这些特征识别出病灶性质。
如图3所示，所述过程四中，建立一个含有Gabor小层的三维多通道卷积神经网络建立3DM-GAMCNN模型，识别多发性硬化病灶的性质，具体方法如下：
首先通过3DM-GAMCNN的Gabor小波层、卷积层、池化层、注意力机制模块自动学习与提取脑核磁共振影像特征，用于解读其临床相关信息，保存所有自动分割出来的多发性硬化病灶区域提取特征，然后进行分析。
具体地，输入大小为512×512×3的图像，经过前两个Gabor小波层提取特征通道数均为48，第一个Gabor小波层输出的特征图记为C1，第二个Gabor小波层输出的特征图记为C2；之后经过3×3×3的下采样层与卷积块注意力机制模块作用，再由两个7×7×7的卷积作用，进一步提取特征，输出的特征图大小分别记为C3，C4，通道数分别为96，128；然后再经3×3×3的下采样层与卷积块注意力机制模块作用后由一个7×7×7的卷积作用，输出特征图为C5，通道数分别为256；该特征图再由3×3×3的下采样层与卷积块注意力机制模块作用后由5×5×5的卷积作用，输出特征图为C6，通道数为256；C6再经3×3×3的下采样层与卷积块注意力机制模块作用后再依次由两个3×3×3的卷积作用，输出特征图依次分别为C7，C8，通道数分别为384，256；C8之后紧接三个全连接层，输出通道数分别为2048，2048，1。最后一个全连接层的特征由Softmax函数处理，最终得出分类结果。
但是3DM-GAMCNN模型的对象只是针对多发性硬化病灶区域提取特征，而自动分割部分是针对非病灶区域与病灶区域同时进行提取特征；所采用的注意力机制模块为卷积块注意力机制模块(Convolutional Block Attention Module，CBAM)。提取病灶区域的特征后利用Softmax构造一个能进行两分类的分类器，对提取出来的特征进行分析，这个过程实际上就是求解一个损失函数的最优值，即是优化下面的一个带权重的交叉熵损失函数，该损失函数一定程度上可以有效地解决数据样本不平衡问题。具体定义如下
Figure 716710DEST_PATH_IMAGE039
其中，i是指第i个样本；m表示共有m个样本，m取值范围为任意正整数；a，b，c，d均为正数，根据实验结果调节其大小；log表示自然对数，即以欧拉数为底的对数；
Figure 402906DEST_PATH_IMAGE040
是第i个样本的真实标签；
Figure 78738DEST_PATH_IMAGE041
为第i个样本的预测标签。
通过极小化这个能量泛函就可以实现对样本标签的预测，具体地就是利用反向传播方法求解该损失函数得到输出的特征向量，再根据输出特征向量的隶属哪类特征的概率预测出一个分类标签，也就对一个多发性硬化病灶的特征进行了分类，进而甄别出是活性病灶还是非活性病灶。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下步骤：
获取多发性硬化病灶的核磁共振影像；
对多发性硬化病灶的核磁共振影像进行预处理，得到预处理后的多发性硬化病灶核磁共振影像；
基于预处理后的多发性硬化病灶核磁共振影像，利用训练好的三维稀疏自编码网络自动分割出多发性硬化病灶区域；
基于多发性硬化病灶区域，利用训练好的三维多通道神经卷积网络识别出多发性硬化病灶活性；
其中，所述三维多通道神经卷积网络包括两层Gabor小波层、六层卷积层、四层池化层、四个注意力机制模块以及三个全连接层，一个池化层连接一个注意力机制模块。
实施例四
本实施例提供了一种计算机设备，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下步骤：
获取多发性硬化病灶的核磁共振影像；
对多发性硬化病灶的核磁共振影像进行预处理，得到预处理后的多发性硬化病灶核磁共振影像；
基于预处理后的多发性硬化病灶核磁共振影像，利用训练好的三维稀疏自编码网络自动分割出多发性硬化病灶区域；
基于多发性硬化病灶区域，利用训练好的三维多通道神经卷积网络识别出多发性硬化病灶活性；
其中，所述三维多通道神经卷积网络包括两层Gabor小波层、六层卷积层、四层池化层、四个注意力机制模块以及三个全连接层，一个池化层连接一个注意力机制模块。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（Random AccessMemory，RAM）等。
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.基于稀疏卷积自编码的多发性硬化病灶识别系统，其特征在于，包括：
图像采集模块，被配置为获取多发性硬化病灶的核磁共振影像；
图像预处理模块，被配置为对多发性硬化病灶的核磁共振影像进行预处理，得到预处理后的多发性硬化病灶核磁共振影像；
病灶区域分割模块，被配置为基于预处理后的多发性硬化病灶核磁共振影像，利用训练好的三维稀疏自编码网络自动分割出多发性硬化病灶区域；
病灶识别模块，被配置为基于多发性硬化病灶区域，利用训练好的三维多通道神经卷积网络识别出多发性硬化病灶活性；
其中，所述三维多通道神经卷积网络包括两层Gabor小波层、六层卷积层、四层池化层、四个注意力机制模块以及三个全连接层，一个池化层连接一个注意力机制模块。
2.如权利要求1所述的基于稀疏卷积自编码的多发性硬化病灶识别系统，其特征在于，所述对多发性硬化病灶的核磁共振影像进行预处理，得到预处理后的多发性硬化病灶核磁共振影像，具体为：
将多发性硬化病灶的核磁共振影像先进行去壳处理，并将图像灰度化，然后利用高斯滤波去噪，并利用灰度直方图均衡化增强对比度，得到预处理后的多发性硬化病灶核磁共振影像。
3.如权利要求1所述的基于稀疏卷积自编码的多发性硬化病灶识别系统，其特征在于，所述基于预处理后的多发性硬化病灶核磁共振影像，利用训练好的三维稀疏自编码网络自动分割出多发性硬化病灶区域，具体为：
对预处理后的多发性硬化病灶核磁共振影像进行编码，提取出多发性硬化病灶核磁共振影像的高敏感性的层次特征图；
基于多发性硬化病灶核磁共振影像的高敏感性的层次特征图进行解码，提取脑核磁共振的影响特征，并结合编码过程中丢失的细粒度信息重建出原图像；
利用多发性硬化病灶核磁共振影像的高敏感性的层次特征图利用预先训练好的逻辑回归分类器进行分类，得到多发性硬化病灶区域的分割概率图；
基于多发性硬化病灶区域的分割概率图进行细化分割，得到多发性硬化病灶区域。
4.如权利要求3所述的基于稀疏卷积自编码的多发性硬化病灶识别系统，其特征在于，所述对预处理后的多发性硬化病灶核磁共振影像进行编码，提取出多发性硬化病灶核磁共振影像的高敏感性的层次特征图，包括：
先通过步长为1的卷积层提取出多发性硬化病灶核磁共振影像的高敏感性的层次特征；
再通过步长为2的卷积层减小多发性硬化病灶核磁共振影像的高敏感性的层次特征的尺寸，得到多发性硬化病灶核磁共振影像的高敏感性的层次特征图。
5.如权利要求3所述的基于稀疏卷积自编码的多发性硬化病灶识别系统，其特征在于，所述基于多发性硬化病灶核磁共振影像的高敏感性的层次特征图进行解码，提取脑核磁共振的影响特征，并结合编码过程中丢失的细粒度信息重建出原图像，包括：
先通过步长为2的反卷积层增大多发性硬化病灶核磁共振影像的高敏感性的层次特征图的尺寸；
再通过步长为1的卷积层对增大尺寸的多发性硬化病灶核磁共振影像的高敏感性的层次特征图进行特征提取，提取出脑核磁共振的影响特征；
利用脑核磁共振的影响特征，结合编码过程中丢失的细粒度信息重建出原图像。
6.如权利要求3所述的基于稀疏卷积自编码的多发性硬化病灶识别系统，其特征在于，基于多发性硬化病灶区域的分割概率图进行细化分割，得到多发性硬化病灶区域，包括：
基于多发性硬化病灶区域的分割概率图，利用能量泛函函数极小化进行细化分割。
7.如权利要求6所述的基于稀疏卷积自编码的多发性硬化病灶识别系统，其特征在于，所述能量泛函函数，具体为：
记I(x)：x∈V→R为定义在区域
Figure 310297DEST_PATH_IMAGE001
上的核磁共振影像数据，S为V内所有体素点的集合，Nx是体素点x的6−邻域点集合；假设
Figure 166258DEST_PATH_IMAGE002
为体素点x的标签，其中0和1分别代表该体素点属于非病灶区域和病灶区域；建立如下关于标签集
Figure 739321DEST_PATH_IMAGE003
的能量泛函函数：
Figure 895496DEST_PATH_IMAGE004
其中，
Figure 161393DEST_PATH_IMAGE005
为数据惩罚项，
Figure 973491DEST_PATH_IMAGE006
为病灶区域和非病灶区域的概率密度函数，包含了病灶区域内外的图像统计信息；
Figure 412562DEST_PATH_IMAGE007
，(L(x)和1-L(x)分别表示体素x属于病灶区域和非病灶区域的概率，
Figure 390620DEST_PATH_IMAGE008
是一个边界探测函数，其值落在区间[0,1]内，在目标边界处其值接近于0，其中α>0是一个常数；权重参数
Figure 561839DEST_PATH_IMAGE009
，
Figure 126812DEST_PATH_IMAGE010
是随空间变化的两个函数，其中，β>0，γ>0为常数；参数
Figure 307258DEST_PATH_IMAGE011
为常数，用来调节区域项和边界惩罚项之间的平衡。
8.基于稀疏卷积自编码的多发性硬化病灶识别方法，其特征在于，包括：
获取多发性硬化病灶的核磁共振影像；
对多发性硬化病灶的核磁共振影像进行预处理，得到预处理后的多发性硬化病灶核磁共振影像；
基于预处理后的多发性硬化病灶核磁共振影像，利用训练好的三维稀疏自编码网络自动分割出多发性硬化病灶区域；
基于多发性硬化病灶区域，利用训练好的三维多通道神经卷积网络识别出多发性硬化病灶活性；
其中，所述三维多通道神经卷积网络包括两层Gabor小波层、六层卷积层、四层池化层、四个注意力机制模块以及三个全连接层，一个池化层连接一个注意力机制模块。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如下步骤：
获取多发性硬化病灶的核磁共振影像；
对多发性硬化病灶的核磁共振影像进行预处理，得到预处理后的多发性硬化病灶核磁共振影像；
基于预处理后的多发性硬化病灶核磁共振影像，利用训练好的三维稀疏自编码网络自动分割出多发性硬化病灶区域；
基于多发性硬化病灶区域，利用训练好的三维多通道神经卷积网络识别出多发性硬化病灶活性；
其中，所述三维多通道神经卷积网络包括两层Gabor小波层、六层卷积层、四层池化层、四个注意力机制模块以及三个全连接层，一个池化层连接一个注意力机制模块。
10.一种计算机设备，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，其特征在于，所述处理器执行所述程序时实现如下步骤：
获取多发性硬化病灶的核磁共振影像；
对多发性硬化病灶的核磁共振影像进行预处理，得到预处理后的多发性硬化病灶核磁共振影像；
基于预处理后的多发性硬化病灶核磁共振影像，利用训练好的三维稀疏自编码网络自动分割出多发性硬化病灶区域；
基于多发性硬化病灶区域，利用训练好的三维多通道神经卷积网络识别出多发性硬化病灶活性；
其中，所述三维多通道神经卷积网络包括两层Gabor小波层、六层卷积层、四层池化层、四个注意力机制模块以及三个全连接层，一个池化层连接一个注意力机制模块。
CN202211435607.3A 2022-11-16 2022-11-16 基于稀疏卷积自编码的多发性硬化病灶识别方法及系统 Active CN115601356B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211435607.3A CN115601356B (zh) 2022-11-16 2022-11-16 基于稀疏卷积自编码的多发性硬化病灶识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211435607.3A CN115601356B (zh) 2022-11-16 2022-11-16 基于稀疏卷积自编码的多发性硬化病灶识别方法及系统

Publications (2)

Publication Number Publication Date
CN115601356A true CN115601356A (zh) 2023-01-13
CN115601356B CN115601356B (zh) 2023-03-31

Family

ID=84853334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211435607.3A Active CN115601356B (zh) 2022-11-16 2022-11-16 基于稀疏卷积自编码的多发性硬化病灶识别方法及系统

Country Status (1)

Country Link
CN (1) CN115601356B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180240219A1 (en) * 2017-02-22 2018-08-23 Siemens Healthcare Gmbh Denoising medical images by learning sparse image representations with a deep unfolding approach
CN110321777A (zh) * 2019-04-25 2019-10-11 重庆理工大学 一种基于栈式卷积稀疏去噪自编码器的人脸识别方法
US20200029845A1 (en) * 2018-07-30 2020-01-30 Biosense Webster (Israel) Ltd. Left atrium shape reconstruction from sparse location measurements using neural networks
CN112132833A (zh) * 2020-08-25 2020-12-25 沈阳工业大学 一种基于深度卷积神经网络的皮肤病图像病灶分割方法
CN114022462A (zh) * 2021-11-10 2022-02-08 华东理工大学 实现多参数核磁共振图像病灶分割的方法、系统、装置、处理器及其计算机可读存储介质
CN115294029A (zh) * 2022-07-11 2022-11-04 华南农业大学 一种面向多模态图像的脑部病灶区域定位系统和方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180240219A1 (en) * 2017-02-22 2018-08-23 Siemens Healthcare Gmbh Denoising medical images by learning sparse image representations with a deep unfolding approach
US20200029845A1 (en) * 2018-07-30 2020-01-30 Biosense Webster (Israel) Ltd. Left atrium shape reconstruction from sparse location measurements using neural networks
CN110321777A (zh) * 2019-04-25 2019-10-11 重庆理工大学 一种基于栈式卷积稀疏去噪自编码器的人脸识别方法
CN112132833A (zh) * 2020-08-25 2020-12-25 沈阳工业大学 一种基于深度卷积神经网络的皮肤病图像病灶分割方法
CN114022462A (zh) * 2021-11-10 2022-02-08 华东理工大学 实现多参数核磁共振图像病灶分割的方法、系统、装置、处理器及其计算机可读存储介质
CN115294029A (zh) * 2022-07-11 2022-11-04 华南农业大学 一种面向多模态图像的脑部病灶区域定位系统和方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JINLIAN MA 等: ""A pre-trained convolutional neural network based method for thyroid nodule diagnosis"" *
宫进昌;赵尚义;王远军;: "基于深度学习的医学图像分割研究进展" *
杨丽洋;文戈;: "深度学习在医学影像中的应用" *

Also Published As

Publication number Publication date
CN115601356B (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
Balamurugan et al. Brain tumor segmentation and classification using hybrid deep CNN with LuNetClassifier
Alghodhaifi et al. Predicting invasive ductal carcinoma in breast histology images using convolutional neural network
CN108109140A (zh) 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统
WO2011034596A1 (en) High-throughput biomarker segmentation utilizing hierarchical normalized cuts
Janik et al. Interpretability of a deep learning model in the application of cardiac MRI segmentation with an ACDC challenge dataset
CN114332547B (zh) 医学目标分类方法和装置、电子设备和存储介质
JP2022547722A (ja) 細胞検出およびセグメンテーションのための弱教師ありマルチタスク学習
Tavakoli et al. Detection of abnormalities in mammograms using deep features
KR102373985B1 (ko) 서포트 벡터 머신을 이용한 전립선암의 등급 분류 방법
Salama et al. Enhancing Medical Image Quality using Neutrosophic Fuzzy Domain and Multi-Level Enhancement Transforms: A Comparative Study for Leukemia Detection and Classification
Bose et al. Detection of microcalcification in mammograms using soft computing techniques
CN116758336A (zh) 一种基于人工智能的医学图像智能分析系统
Thapa et al. Deep learning for breast cancer classification: Enhanced tangent function
Rozendo et al. Classification of non-Hodgkin lymphomas based on sample entropy signatures
Iqbal et al. Hybridization of CNN with LBP for Classification of Melanoma Images.
Shankara et al. Detection of lung cancer using convolution neural network
CN115601356B (zh) 基于稀疏卷积自编码的多发性硬化病灶识别方法及系统
CN117011601A (zh) 多模态分类预测方法、装置、处理器及机器可读存储介质
CN115713505A (zh) 基于聚焦交叉熵的多元特征融合的脑膜瘤分级方法及系统
Sarrafzadeh et al. Circlet transform in cell and tissue microscopy
CN112733769B (zh) 基于多波段熵率超像素分割的高光谱图像分类方法
Prasad et al. A multi-classifier and decision fusion framework for robust classification of mammographic masses
Chandra et al. A Novel Framework For Brain Disease Classification Using Quantum Convolutional Neural Network
CN117173485B (zh) 一种肺癌组织病理图像的智能分类系统方法及系统
Taha et al. Deep Learning for Malaria Diagnosis: Leveraging Convolutional Neural Networks for Accurate Parasite Detection

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