CN115719335A - 一种脑血管图像-标签两阶段生成方法、装置及存储介质 - Google Patents
一种脑血管图像-标签两阶段生成方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115719335A CN115719335A CN202211368903.6A CN202211368903A CN115719335A CN 115719335 A CN115719335 A CN 115719335A CN 202211368903 A CN202211368903 A CN 202211368903A CN 115719335 A CN115719335 A CN 115719335A
- Authority
- CN
- China
- Prior art keywords
- label
- image
- cerebrovascular
- training
- stage
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明一种脑血管图像‑标签两阶段生成方法，首先将有标签脑血管图像及无标签脑血管图像分别进行处理，获得训练集1及训练集2，然后构建脑血管图像‑标签两阶段生成对抗网络模型，采用训练集1及训练集2对该模型进行训练，最后将N维噪声输入到训练完成的模型，获得完整的脑血管图像；本发明利用伪标签与真实数据输入两阶段生成对抗网络模型分别生成脑血管图像与标签，生成出的脑血管图像在血管周围体素更清晰，血管标签连通性强；应用于分割任务中的数据增强可以使从脑血管图像分割出的脑血管结构精度更高，便于辅助后续的病理图像诊断；同时，伪标签的使用缓和了医学图像标签数据不足的情况。
Description
技术领域
本发明属于图像生成技术领域，具体涉及一种脑血管图像-标签两阶段生成方法、装置及存储介质。
背景技术
脑血管图像分割任务中，有监督的深度学习分割方法需要使用大量成对的图像-标签数据训练网络模型。然而大量的训练数据难以获取，网络模型分割性能受到了数据量不足的制约。尽管裁剪、翻转等传统的数据增强方法在一定程度上解决了数据量不足问题，但是此类方法产生的样本多样性有限，难以包含训练样本以外的解剖变异，因此需要一种自动图像生成方法大量生成所需的训练数据。
现有的脑血管图像-标签生成方法为将随机噪声输入生成器直接生成图像和标签，即单阶段生成方式。这种方式生成的图像-标签数据分布接近于训练数据的总体分布，然而在样本多样性得到提升的同时牺牲了一部分的图像局部信息。在脑血管分割任务中，分割网络更关注血管及周边部分的体素，这部分体素决定了分割血管的边缘。图像中血管处的纹理结构不够清晰，生成的标签连通性较差，无法保证生成血管部分体素的精确度。同时，现有的方法进行的训练依然需求庞大的数据量。
发明内容
针对现有技术的不足，本发明提出一种脑血管图像-标签两阶段生成方法，包括以下步骤：
步骤1、将有标签脑血管图像的图像数据及标签数据进行预处理，并随机生成N维噪声，将N维噪声、预处理后的图像数据及标签数据做为训练集1；
步骤2、将无标签脑血管图像进行拓扑结构约束分割出伪标签，将伪标签数据做为训练集2；
步骤3、构建脑血管图像-标签两阶段生成对抗网络模型，所述模型包括串级的标签生成网络及图像生成网络；
步骤4、将训练集1及训练集2分别输入脑血管图像-标签两阶段生成对抗网络模型进行训练，获得训练完成的脑血管图像-标签两阶段生成对抗网络模型；
步骤5、将N维噪声输入到训练完成的脑血管图像-标签两阶段生成对抗网络模型，获得图像-标签数据对，进而生成完整的脑血管图像。
进一步地，所述的步骤1具体如下：对图像数据及标签数据进行归一化处理及数据增强，并利用随机分布生成N维噪声，将N维噪声、数据增强后的图像数据及标签数据均转换为并行训练形式，构成训练集1。
进一步地，步骤2所述的拓扑结构约束采用U-Net结合混合损失函数约束。
进一步地，所述的步骤3中，
标签生成网络：包括标签生成器及标签判别器；用于将随机噪声的分布映射至脑血管标签的分布并进行训练，生成脑血管标签发送到图像生成网络；
图像生成网络：包括图像生成器及图像判别器；用于对接收到的脑血管标签添加纹理结构，并通过训练增加纹理的真实性，进而生成完整的脑血管图像。
进一步地，所述的标签生成网络中，
标签生成器由多个解码模块及一个特征融合模块组成，每个解码模块包含一个固定步长的三维反卷积，并连接批次归一化(Batch Normalization)及Leaky ReLU激活函数；最后一层特征融合模块采用固定步长的三维反卷积，输出通道大小固定的图像并使用激活函数限定输出值范围；
标签判别器由多个特征提取模块及一个全连接层组成，每个特征提取模块包含一个固定步长的三维卷积、实例归一化(Instance Normalization)及一个Leaky ReLU激活函数；最后一层模块输出的特征图经过压平(flatten)操作输入全连接层。
进一步地，所述的图像生成网络中，
图像生成器由编码模块及解码模块组成；编码模块由多个卷积块连接组成；每个卷积块由固定步长的三维卷积连接实例归一化及Leaky ReLU激活函数组成；解码模块由多个固定步长的三维反卷积相连接组成；三维反卷积之间通过批实例归一化-Leaky ReLU激活函数连接；最后一层解码模块采用固定步长的三维反卷积，输出通道值与标签图像通道值一致并使用激活函数限定输出值范围；
图像判别器由多个特征提取模块及一个特征融合模块组成：每个特征提取模块包含一个固定步长的三维卷积、实例归一化及一个Leaky ReLU激活函数；特征融合模块包含一个固定步长的三维卷积。
进一步地，所述图像判别器中的特征提取模块的数目由输出的特征图决定，输出的特征图在三个维度上不全为1。
进一步地，所述的步骤4具体如下：
步骤4.1、参数初始化，包括：设定训练次数阈值、训练批次大小、网络参数生成器学习率、判别器学习率及随机初始化网络权重；
步骤4.2、将N维随机噪声输入脑血管图像-标签两阶段生成对抗网络模型进行前向传播，获得生成的脑血管标签及图像；
步骤4.3根据生成的脑血管标签及图像，对比真实的脑血管标签及图像，利用损失函数计算脑血管图像-标签两阶段生成对抗网络模型的训练误差。
步骤4.4、根据获得的训练误差反向传播更新优化网络参数；
步骤4.5、判断训练次数是否达到所设定的训练次数阈值，若是，则训练完成，保存网络模型参数，否则，返回执行步骤4.2。
一种脑血管图像-标签两阶段生成装置，包括：
处理器；
存储介质：用于存储一个或多个程序；
当所述一个或多个程序被处理器执行时，使得所述处理器实现如权利要求1至8中任一项所述的方法。
一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现如权利要求1至8中任一项所述的方法。
本发明的优点：
本发明脑血管图像-标签两阶段生成方法，利用伪标签与真实数据输入两阶段生成对抗网络模型分别生成脑血管图像与标签，生成出的脑血管图像在血管周围体素更清晰，血管标签连通性强；应用于分割任务中的数据增强可以使从脑血管图像分割出的脑血管结构精度更高，便于辅助后续的病理图像诊断；同时，伪标签的使用缓和了医学图像标签数据不足的情况。
附图说明
图1为本发明一种实施例的脑血管图像-标签两阶段生成方法流程图；
图2为本发明一种实施例的脑血管图像-标签两阶段生成对抗网络模型的结构示意图；
图3为本发明一种实施例的单阶段生成方法，两阶段生成方法和真实图像的图像-标签3D效果图；
图4为本发明一种实施例的真实标签和分别使用了传统数据增强、单阶段生成方法和两阶段生成方法作为数据增强后的分割结果的3D效果图。
具体实施方式
下面结合附图对本发明一种实施例做进一步说明。
本发明实施例中，一种脑血管图像-标签两阶段生成方法，方法流程图如图1所示，包括以下步骤：
步骤1、将有标签脑血管图像的图像数据及标签数据进行预处理，并利用随机分布生成N维噪声，将N维噪声、预处理后的图像数据及标签数据做为训练集1，具体如下：
步骤1.1、读取有标签脑血管图像的图像数据和标签数据并进行归一化处理，采用公式如下：
其中，v*表示归一化后的图像数据或标签数据，v表示输入图像，vmin表示图像数据或标签数据中的最小值，vmax表示图像数据或标签数据中的最大值；
步骤1.2、利用高斯分布生成128维噪声；
步骤1.3、对归一化后的图像数据和标签数据进行数据增强；数据增强采用随机裁剪方法，从素图像的三个方向随机选取位置，按设定体积128×128×64进行裁剪，得到体素数据输入神经网络用于后续任务的训练；
步骤1.4、设定数据精度，将128维噪声、数据增强后的图像数据和标签数据均转换为并行训练形式，构成总训练集，并按7:3划分为训练集1与测试集：
步骤2、将无标签的脑血管图像进行拓扑结构约束分割出伪标签，将伪标签数据组成训练集2，具体如下：
采用U-Net结合混合损失函数约束分割出的伪标签的拓扑结构，计算公式如下：
L＝LossDice+LossclDice (4)
其中，LDice表示Dice相似系数损失，N表示所有体素的总和，i表示脑血管标签体素的数量，ti表示脑血管标签的第i个体素值，yi表示分割出的伪标签的第i个体素值，ε表示平滑系数，用于平滑损失值和梯度，LclDice表示均衡中心线Dice相似系数损失，pi表示从伪标签中提取获得的中心线，mi表示从第i个从脑血管标签中提取获得的中心线，L表示混合损失函数。
步骤3、构建脑血管图像-标签两阶段生成对抗网络模型，如图2所示，所述模型包括串级的标签生成网络和图像生成网络；
标签生成网络：用于将随机噪声的分布利用标签生成器映射至脑血管标签的分布，并利用判别器训练，生成脑血管标签发送到图像生成网络；
图像生成网络：用于对生成的脑血管标签输入图像生成器添加纹理结构，并利用图像判别器训练添加纹理的真实性，最终生成完整的脑血管图像。
所述的标签生成网络包括标签生成器及标签判别器：
标签生成器由5个解码模块和一个特征融合模块组成；每个解码模块包含一个步长为2的4×4×4的三维反卷积，并连接批次归一化和Leaky ReLU激活函数；每级解码模块中卷积核大小依次为256、128、64和32；最后一层特征融合模块采用步长为2的4×4×4的三维反卷积，输出通道数目为1的标签图像并使用sigmoid激活函数限定输出值范围为[0,1]；
标签判别器由3个特征提取模块、特征融合层和一个全连接层组成；每个特征提取模块包含一个步长为2的4×4×4三维卷积，实例归一化和一个Leaky ReLU激活函数组成；特征融合层使用步长为1的4×4×4卷积，用于融合提取出的脑血管标签特征；每级特征提取模块卷积核大小依次为64、128和256。最后一层模块输出的特征图经过压平操作输入全连接层。
所述的图像生成网络包括图像生成器及图像判别器：
图像生成器由编码模块和解码模块组成；编码模块由4个卷积块连接组成；每个卷积块由步长为2的3×3×3三维卷积连接实例归一化和Leaky ReLU激活函数组成。解码模块由4个步长为2的3×3×3三维反卷积相连接组成；三维反卷积之间通过批实例归一化-Leaky ReLU激活函数连接；每级编码模块中卷积核大小依次为32、64、128和256，对应同级的解码模块与编码模块卷积核数目相同；最后一层模块采用步长为2的3×3×3三维反卷积，输出通道值与标签图像通道值一致并使用sigmoid激活函数限定输出值范围为[0,1]。
图像判别器由4个特征提取模块和一个特征融合模块组成：每个特征提取模块包含一个步长为2的3×3×3三维卷积，实例归一化和一个Leaky ReLU激活函数组成；特征融合模块包含一个步长为1的3×3×3三维卷积，输出的特征图大小为[1,8,8,4]；每级特征提取模块卷积核大小依次为64、128、256和512。
步骤4、将训练集1及训练集2分别输入脑血管图像-标签两阶段生成对抗网络模型进行训练，获得训练完成的脑血管图像-标签两阶段生成对抗网络模型，具体如下：
步骤4.1、将训练集1及训练集2分别输入标签生成网络进行训练，获得训练完成的标签生成网络，具体为：
步骤4.1.1、参数初始化，包括：设定训练次数阈值为20000、训练批次大小为6、标签生成器及标签判别器的学习率均为0.0002，随机初始化网络权重；
步骤4.1.2、将128维噪声输入标签生成网络进行前向传播，获得生成的脑血管标签；
步骤4.1.3、根据生成的脑血管标签与真实脑血管标签，利用损失函数计算标签生成网络的训练误差；
其中，标签生成器与标签判别器的损失函数分别为：
其中，E表示对数据进行期望计算，x表示脑血管标签图像，pg表示生成图像的分布，pdata表示真实标签的分布，
表示采样数据的分布，D(·)表示标签判别器的输出。
步骤4.1.4、根据获得的训练误差反向传播更新优化标签生成网络参数；
网络参数更新采用Adam优化器，更新参数策略如下：
其中，θt表示更新后的神经网络中卷积权值参数，θt-1表示更新前的神经网络中卷积权值参数，lr表示当前学习率，
表示对梯度的一阶矩据估计的校正；
表示对梯度的二阶矩估计的校正；
步骤4.1.5、判断训练次数是否达到所设定的训练次数阈值，若是，则训练完成，保存网络模型参数，否则，返回执行步骤4.1.2；
步骤4.2、将训练集1及训练集2分别输入图像生成网络进行训练，获得训练完成的图像生成网络，具体如下：
步骤4.2.1、参数初始化，包括：设定训练次数阈值为20000、训练批次大小为6、图像生成器及图像判别器的学习率均为0.0002，随机初始化网络权重；
步骤4.2.2、将128维噪声输入图像生成网络进行前向传播，获得生成的脑血管图像；
步骤4.2.3、根据生成的脑血管图像与真实的脑血管图像，利用损失函数计算图像生成网络的训练误差；
其中，图像生成器与图像判别器的损失函数分别为：
D_loss＝LMSE(D(x,y),1)+LMSE(D(x,G(z)),0) (8)
G_loss＝LMSE(D(x,G(z),1)) (9)
其中，LMSE表示均方损失函数，x表示脑血管标签图像，y表示对应x的脑血管图像，1和0均为多维向量，与图像判别器的输出维度相同，G(z)表示图像生成器的输出。
步骤4.2.4、根据获得的训练误差反向传播更新优化图像生成网络参数，参数更新方式与步骤4.1.4相同；
步骤4.2.5、判断训练次数是否达到所设定的训练次数阈值，若是，则训练完成，保存网络模型参数，否则，返回执行步骤4.2.2；
步骤5、将128维高斯随机噪声输入到训练完成的脑血管图像-标签两阶段生成对抗网络模型，获得图像-标签数据对，进而生成完整的脑血管图像。
本发明实施例中，如图3所示，三组图像分别为两阶段生成方法、单阶段生成方法和真实图像利用测试集进行的的定性分析对比情况；
与真实图像相比，单阶段生成方法：在脑血管图像的体素强度上存在一定差异，血管生成的体素强度模式多样性不高，还出现了血管周围体素模糊的情况。由于伪标签中存在一定的噪声，可以在生成结果中这种单阶段的生成方法受到了噪声的影响，生成了比较明显的伪影。
与单阶段生成结果方法相比，本发明方法的血管标签的连通性更好，生成血管体素强度多样性更高，更趋近于真实图像的血管体素强度，血管周围体素质量更高；单独生成脑血管的方式，可以更好地抵抗伪标签中噪声的干扰，生成的伪影更少。
本发明实施例中，图4反映了使用了三种数据增强方式后分割网络的定性分割表现；本发明实施例中，分别采用最大距离分位数95的豪斯多夫距离(Hausdorffdistance-95％，95HD)、Dice相似系数(Dice Similarity Coefficient,DSC)和中心线Dice(centerline Dice，clDice)作为分割性能的定量评价指标。将分割结果与金标准计算得到以上指标，对分割结果进行定量分析。通过实验结果对比，与基于随机裁剪的传统数据增强方法相比，本发明方法使分割网络在多个指标下有了更高的性能提升，与单阶段生成方法相比，在分割整体的精度和血管的连通性上具有更好的分割表现。
表1
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应该被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其他各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (10)
1.一种脑血管图像-标签两阶段生成方法，其特征在于：包括以下步骤：
步骤1、将有标签脑血管图像的图像数据及标签数据进行预处理，并随机生成N维噪声，将N维噪声、预处理后的图像数据及标签数据做为训练集1；
步骤2、将无标签脑血管图像进行拓扑结构约束分割出伪标签，将伪标签数据做为训练集2；
步骤3、构建脑血管图像-标签两阶段生成对抗网络模型，所述模型包括串级的标签生成网络及图像生成网络；
步骤4、将训练集1及训练集2分别输入脑血管图像-标签两阶段生成对抗网络模型进行训练，获得训练完成的脑血管图像-标签两阶段生成对抗网络模型；
步骤5、将N维噪声输入到训练完成的脑血管图像-标签两阶段生成对抗网络模型，获得图像-标签数据对，进而生成完整的脑血管图像。
2.根据权利要求1所述的脑血管图像-标签两阶段生成方法，其特征在于：所述的步骤1具体如下：对图像数据及标签数据进行归一化处理及数据增强，并利用随机分布生成N维噪声，将N维噪声、数据增强后的图像数据及标签数据均转换为并行训练形式，构成训练集1。
3.根据权利要求1所述的脑血管图像-标签两阶段生成方法，其特征在于：步骤2所述的拓扑结构约束采用U-Net结合混合损失函数约束。
4.根据权利要求1所述的脑血管图像-标签两阶段生成方法，其特征在于：所述的步骤3中，
标签生成网络：包括标签生成器及标签判别器；用于将随机噪声的分布映射至脑血管标签的分布并进行训练，生成脑血管标签发送到图像生成网络；
图像生成网络：包括图像生成器及图像判别器；用于对接收到的脑血管标签添加纹理结构，并通过训练增加纹理的真实性，进而生成完整的脑血管图像。
5.根据权利要求4所述的脑血管图像-标签两阶段生成方法，其特征在于：所述的标签生成网络中，
标签生成器由多个解码模块及一个特征融合模块组成，每个解码模块包含一个固定步长的三维反卷积，并连接批次归一化(Batch Normalization)及Leaky ReLU激活函数；最后一层特征融合模块采用固定步长的三维反卷积，输出通道大小固定的图像并使用激活函数限定输出值范围；
标签判别器由多个特征提取模块及一个全连接层组成，每个特征提取模块包含一个固定步长的三维卷积、实例归一化(Instance Normalization)及一个Leaky ReLU激活函数；最后一层模块输出的特征图经过压平(flatten)操作输入全连接层。
6.根据权利要求4所述的脑血管图像-标签两阶段生成方法，其特征在于：所述的图像生成网络中，
图像生成器由编码模块及解码模块组成；编码模块由多个卷积块连接组成；每个卷积块由固定步长的三维卷积连接实例归一化及Leaky ReLU激活函数组成；解码模块由多个固定步长的三维反卷积相连接组成；三维反卷积之间通过实例归一化-Leaky ReLU激活函数连接；最后一层解码模块采用固定步长的三维反卷积，输出通道值与标签图像通道值一致并使用激活函数限定输出值范围；
图像判别器由多个特征提取模块及一个特征融合模块组成：每个特征提取模块包含一个固定步长的三维卷积、实例归一化及一个Leaky ReLU激活函数；特征融合模块包含一个固定步长的三维卷积。
7.根据权利要求6所述的脑血管图像-标签两阶段生成方法，其特征在于：所述图像判别器中的特征提取模块的数目由输出的特征图决定，输出的特征图在三个维度上不全为1。
8.根据权利要求1所述的脑血管图像-标签两阶段生成方法，其特征在于：所述的步骤4具体如下：
步骤4.1、参数初始化，包括：设定训练次数阈值、训练批次大小、网络参数生成器学习率、判别器学习率及随机初始化网络权重；
步骤4.2、将N维随机噪声输入脑血管图像-标签两阶段生成对抗网络模型进行前向传播，获得生成的脑血管标签及图像；
步骤4.3根据生成的脑血管标签及图像，对比真实的脑血管标签及图像，利用损失函数计算脑血管图像-标签两阶段生成对抗网络模型的训练误差。
步骤4.4、根据获得的训练误差反向传播更新优化网络参数；
步骤4.5、判断训练次数是否达到所设定的训练次数阈值，若是，则训练完成，保存网络模型参数，否则，返回执行步骤4.2。
9.一种脑血管图像-标签两阶段生成装置，其特征在于：包括：
处理器；
存储介质：用于存储一个或多个程序；
当所述一个或多个程序被处理器执行时，使得所述处理器实现如权利要求1至8中任一项所述的方法。
10.一种计算机可读存储介质，其存储有计算机程序，其特征在于：该程序被处理器执行时实现如权利要求1至8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211368903.6A CN115719335A (zh) | 2022-11-03 | 2022-11-03 | 一种脑血管图像-标签两阶段生成方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211368903.6A CN115719335A (zh) | 2022-11-03 | 2022-11-03 | 一种脑血管图像-标签两阶段生成方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115719335A true CN115719335A (zh) | 2023-02-28 |
Family
ID=85254675
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211368903.6A Pending CN115719335A (zh) | 2022-11-03 | 2022-11-03 | 一种脑血管图像-标签两阶段生成方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115719335A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117649371A (zh) * | 2024-01-30 | 2024-03-05 | 西安交通大学医学院第一附属医院 | 一种脑血管介入手术模拟器图像处理方法及装置 |
| CN117671269A (zh) * | 2023-12-22 | 2024-03-08 | 广东工业大学 | 一种噪声标注的血管图像分割方法及系统 |
-
2022
- 2022-11-03 CN CN202211368903.6A patent/CN115719335A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117671269A (zh) * | 2023-12-22 | 2024-03-08 | 广东工业大学 | 一种噪声标注的血管图像分割方法及系统 |
| CN117649371A (zh) * | 2024-01-30 | 2024-03-05 | 西安交通大学医学院第一附属医院 | 一种脑血管介入手术模拟器图像处理方法及装置 |
| CN117649371B (zh) * | 2024-01-30 | 2024-04-09 | 西安交通大学医学院第一附属医院 | 一种脑血管介入手术模拟器图像处理方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022083026A1 (zh) | 一种超声图像去噪模型建立方法及超声图像去噪方法 | |
| CN109522908B (zh) | 基于区域标签融合的图像显著性检测方法 | |
| WO2021203795A1 (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
| CN115719335A (zh) | 一种脑血管图像-标签两阶段生成方法、装置及存储介质 | |
| CN113313657A (zh) | 一种用于低光照图像增强的非监督学习方法和系统 | |
| CN109035172B (zh) | 一种基于深度学习的非局部均值超声图像去噪方法 | |
| CN111612008A (zh) | 基于卷积网络的图像分割方法 | |
| CN112418330A (zh) | 一种基于改进型ssd的小目标物体高精度检测方法 | |
| CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
| CN113096169B (zh) | 一种非刚性多模医学图像的配准模型建立方法及其应用 | |
| CN116309571B (zh) | 一种基于半监督学习的三维脑血管分割方法和装置 | |
| CN112950561A (zh) | 光纤端面缺陷检测方法、设备及存储介质 | |
| CN117151990B (zh) | 一种基于自注意力编码解码的图像去雾方法 | |
| CN111311611A (zh) | 一种实时三维大场景多对象实例分割的方法 | |
| CN115147632A (zh) | 基于密度峰值聚类算法的图像类别自动标注方法及装置 | |
| CN115496720A (zh) | 基于ViT机制模型的胃肠癌病理图像分割方法及相关设备 | |
| CN113012164A (zh) | 基于聚合层间信息的U-Net肾脏肿瘤图像分割方法、设备及存储介质 | |
| CN115512169A (zh) | 基于梯度和区域亲和力优化的弱监督语义分割方法及装置 | |
| CN115830375A (zh) | 点云分类方法及装置 | |
| CN114565605A (zh) | 一种病理图像的分割方法及装置 | |
| CN117437423A (zh) | 基于sam协同学习和跨层特征聚合增强的弱监督医学图像分割方法及装置 | |
| CN115588178B (zh) | 一种高精地图要素自动化提取的方法 | |
| Oh et al. | Probabilistic Correspondence Matching using Random Walk with Restart. | |
| CN112446345B (zh) | 一种低质量三维人脸识别方法、系统、设备和存储介质 | |
| CN114140495A (zh) | 基于多尺度Transformer的单目标跟踪方法 |
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 |