CN115937192B - 一种无监督视网膜血管分割方法、系统及电子设备 - Google Patents
一种无监督视网膜血管分割方法、系统及电子设备 Download PDFInfo
- Publication number
- CN115937192B CN115937192B CN202211723422.2A CN202211723422A CN115937192B CN 115937192 B CN115937192 B CN 115937192B CN 202211723422 A CN202211723422 A CN 202211723422A CN 115937192 B CN115937192 B CN 115937192B
- Authority
- CN
- China
- Prior art keywords
- image
- loss function
- blood vessel
- segmentation
- modal
- 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
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Eye Examination Apparatus (AREA)
Abstract
本发明公开一种无监督视网膜血管分割方法、系统及电子设备,涉及图像处理技术领域。本发明提供的无监督视网膜血管分割方法,通过采用由多模态视网膜血管数据集训练编码器和分割器得到血管分割模型,能够精确得到输入的视网膜图像的血管分割结果。并且,由于本发明在多模态视网膜血管数据集进行模型的无监督训练,使得训练得到的血管分割模型能够直接应用在各种目标学域数据集上。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种无监督视网膜血管分割方法、系统及电子设备。
背景技术
深度学习因其增强的性能和效率而逐渐应用在医学图像领域中,但大多数深度学习模型一旦在未见过的测试域上测试时,血管分割性能表现的很差,因此提高深度学习模型在不同眼底视网膜血管数据集上的泛化能力,为医疗眼科疾病的诊断提供理论依据至关重要。
另外,随着众多深度学习模型需要大量的血管专家标签才能得到很好的训练,但由于血管相比于其他的医学图像要精细化很多,因此标签血管需要花费较多的时间成本和人工成本。而且,对于临床上,搜集的新血管数据集,设计的深度学习模型往往需要重新训练模型,极大的造成设备占用问题。
发明内容
为解决现有技术存在的上述问题,本发明提供了一种无监督视网膜血管分割方法、系统及电子设备。
为实现上述目的,本发明提供了如下方案:
一种无监督视网膜血管分割方法,包括:
获取待分割的视网膜图像;
获取血管分割模型;所述血管分割模型由多模态视网膜血管数据集训练编码器和分割器得到;
将所述视网膜图像输入至所述血管分割模型中得到血管分割结果。
优选地,获取血管分割模型之前,还包括:
获取多模态视网膜血管数据集,并将所述多模态视网膜血管数据集划分为训练集和测试集;
将所述训练集中的模态图像输入到编码器中得到特征编码图;
将所述特征编码图输入至分割器中得到预测的血管分割图;
将所述特征编码图和所述血管分割图军输入至重建网络得到交叉模态图像;
基于所述交叉模态图像确定模态重建损失函数;
基于所述预测的血管分割图确定分割图的损失函数以及多模态特征对比损失函数;
基于所述模态重建损失函数、所述分割图的损失函数以及所述多模态特征对比损失函数进行迭代优化得到初始的所述血管分割模型;
采用所述测试集对所述初始的血管分割模型进行泛化测试,并确定体现分割性能的定量化指标;
当泛化测试的结果和所述定量化指标均满足设定要求时,将这一初始的血管分割模型确定所述血管分割模型。
优选地,所述模态重建损失函数采用L1损失函数;L1损失函数为:
LRecon=||Rec1-x1||+||Rec2-x2||;
其中,LRecon为L1损失函数值,Rec1为第一交叉模态图像,Rec2为第二交叉模态图像,x1为输入的第一种模态图像,x2为输入的第二种模态图像。
优选地,基于所述预测的血管分割图确定分割图的损失函数以及多模态特征对比损失函数,具体包括:
基于预测的血管分割图和输入的多模态图像构建血管前景图和背景结构图;
将所述血管前景图和所述背景结构图输入到特征编码器中得到图像特征;
构建所述图像特征的正负样本;
根据所述正负样本确定单模态对比损失函数和交叉模态对比损失函数。
优选地,将训练同一批次的血管前景图对应的特征作为配对的正样本;将背景结构图的特征记为负样本。
优选地,所述单模态对比损失函数为:
其中,l(x1,x1)为第一种模态对比损失函数,l(x2,x2)为第二种模态对比损失函数,(zi,zi +)为正样本,zi为编码特征,为正样本的编码特征,/>为负样本,sim(*)为内积运算,exp(*)为指数函数,/>为负样本的集合,τ为温度参数,i=1,2。
优选地,所述交叉模态对比损失函数为:
其中,l(x1,x2)为交叉模态对比损失函数,(zi,zi +)为正样本,zi为编码特征,为正样本的编码特征,/>为负样本,sim(*)为内积运算,exp(*)为指数函数,/>为负样本的集合,τ为温度参数,i=1,2。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的无监督视网膜血管分割方法,通过采用由多模态视网膜血管数据集训练编码器和分割器得到血管分割模型,能够精确得到输入的视网膜图像的血管分割结果。并且,由于本发明在多模态视网膜血管数据集进行模型的无监督训练,使得训练得到的血管分割模型能够直接应用在各种目标学域数据集上。
对应于上述提供的无监督视网膜血管分割方法,本发明还提供了以下实施结构:
一种无监督视网膜血管分割系统,包括:
图像获取模块,用于获取待分割的视网膜图像;
模型获取模块,用于获取血管分割模型;所述血管分割模型由多模态视网膜血管数据集训练编码器和分割器得到;
血管分割模块,用于将所述视网膜图像输入至所述血管分割模型中得到血管分割结果。
一种电子设备,包括:
存储器,用于存储计算机控制指令;
处理器,与所述存储器连接,用于调取并执行所述计算机控制指令,以实施上述提供的无监督视网膜血管分割方法。
优选地,所述存储器为计算机可读存储介质。
因本发明提供的两种实施结构与上述提供的无监督视网膜血管分割方法实现的技术效果相同,故在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明提供的无监督视网膜血管分割方法的流程图;
图2为本发明实施例提供的血管分割模型的数据处理流程图;
图3为本发明实施例提供的多模态数据中的图像示意图;其中,图3的(a)部分为OCT模态图像示意图;图3的(b)部分为OCTA模态图像示意图;图3的(c)部分为OCT血管预测结果图;图3的(d)部分为OCTA血管预测结果图;
图4为本发明实施例提供的不同模型在眼底视网膜血管图像上的分割结果示意图;其中,图4的(a)部分为带分隔视网膜图像示意图;图4的(b)部分为方向滤波法在眼底视网膜血管图像上的分割结果示意图;图4的(c)部分为Hessian法在眼底视网膜血管图像上的分割结果示意图;图4的(d)部分为血管增强法在眼底视网膜血管图像上的分割结果示意图;图4的(e)部分为图割法在眼底视网膜血管图像上的分割结果示意图;图4的(f)部分为无监督聚类在眼底视网膜血管图像上的分割结果示意图;图4的(g)部分为血管标签在眼底视网膜血管图像上的分割结果示意图;图4的(h)部分为互信息法在眼底视网膜血管图像上的分割结果示意图;图4的(i)部分为聚类学习法在眼底视网膜血管图像上的分割结果示意图;图4的(j)部分为重建图像法在眼底视网膜血管图像上的分割结果示意图;图4的(k)部分为无监督分割法在眼底视网膜血管图像上的分割结果示意图;图4的(l)部分为本发明提供的无监督视网膜血管分割方法在眼底视网膜血管图像上的分割结果示意图;
图5为本发明提供的无监督视网膜血管分割系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种无监督视网膜血管分割方法、系统及电子设备,能够在保证分割性能良好的前提下,直接应用于各种目标学域数据集。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供的无监督视网膜血管分割方法,包括:
步骤100:获取待分割的视网膜图像。
步骤101:获取血管分割模型。血管分割模型由多模态视网膜血管数据集训练编码器和分割器得到。
步骤102:将视网膜图像输入至血管分割模型中得到血管分割结果。其中,血管分割模型中图像的处理流程如图2所示。
为了进一步提高血管分割模型的泛化力,本发明采用的血管分割模型的训练过程具体包括:
步骤1、获取多模态视网膜血管数据集,并将多模态视网膜血管数据集划分为训练集和测试集。
步骤2、将训练集中的模态图像输入到编码器中得到特征编码图。
步骤3、将特征编码图输入至分割器中得到预测的血管分割图。
步骤4、将特征编码图和血管分割图军输入至重建网络得到交叉模态图像。
步骤5、基于交叉模态图像确定模态重建损失函数。
步骤6、基于预测的血管分割图确定分割图的损失函数以及多模态特征对比损失函数。其中,该步骤的实施过程包括:
步骤6-1、基于预测的血管分割图和输入的多模态图像构建血管前景图和背景结构图。
步骤6-2、将血管前景图和背景结构图输入到特征编码器中得到图像特征。
步骤6-3、构建图像特征的正负样本。例如,将训练同一批次的血管前景图对应的特征作为配对的正样本。将背景结构图的特征记为负样本。
步骤6-4、根据正负样本确定单模态对比损失函数和交叉模态对比损失函数。
步骤7、基于模态重建损失函数、分割图的损失函数以及多模态特征对比损失函数进行迭代优化得到初始的血管分割模型。
步骤8、采用对初始的血管分割模型进行泛化测试,并确定体现分割性能的定量化指标。
步骤9、当泛化测试的结果和定量化指标均满足设定要求时,将这一初始的血管分割模型确定血管分割模型。
下面以提供一个实施例对上述提供的无监督视网膜血管分割方法的具体实施过程进行说明,在实际使用过程中,该实施例不作为本发明上述提供内容的唯一限定。
在该实施例中,采用OCT(Optical Coherence Tomography,光学相干断层成像)和OCTA(optical coherence tomography angiography,光学相干断层造影)两种模态图像进行模型的训练,具体过程包括:
步骤一:对多模态血管数据中300张图像数据进行划分,具体划分为:前200张作为训练集,后100张作为测试集。其中,多模态血管数据包括:OCT模态图像、OCTA模态图像、OCT血管预测结果和OCTA血管预测结果,各图像如图3的(a)部分-图3的(d)部分所示。
步骤二:将OCT和OCTA两种模态图像分别记为x1和x2,将模态图像x1和x2输入到编码器E中得到相应的特征编码图,进而将特征编码图送入到分割器G中,通过softmax函数得到预测的血管分割图y。预测的血管分割图y的公式为:
y(OCT)=soft max(G(E(x1))),y(OCTA)=soft max(G(E(x2)))
步骤三:将特征编码图和血管分割图合并在一起,输入到重建网络R1和R2中,重建对应的交叉模态图像Rec2和Rec1,为了确保重建图像的准确性,采用L1损失函数进行优化。L1损失函数的公式为:
LRecon=||Rec1-x1||+||Rec2-x2||;
步骤四:根据预测的血管分割图y,构建OCT和OCTA两种模态的对比学习损失函数,具体包括:
(1):将预测的血管分割图以及输入图像构建血管前景图和背景结构图;
(2)将血管前景图和背景结构图输入到特征编码器中得到相对应的特征z。
(3)构建特征的正负样本,将训练同一批次的血管前景图对应的特征作为配对的正样本对,记为(z,z+);背景结构图的特征记为负样本,记为z;
(3)根据特征的正负样本,计算单模态对比损失函数l(x1,x1),l(x2,x2)和交叉模态对比损失函数l(x1,x2),公式如下:
其中,τ表示设置的温度参数,一般取τ=0.1。exp(*)表示指数函数,sim(*)表示内积运算的含义,x1和x2表示输入的OCT和OCTA图像,z1和z2表示与x1和x2对应的编码特征,对应的表示为正样本的编码特征,/>表示为负样本的编码特征。/>表示OCT和OCTA两种模态特征负样本的集合。
步骤五:从所述多个训练好的血管分割模型选择得到血管预测模型。具体的,将测试集中100例图像输入到模型进行测试,测试结果展示在表1中。
表1不同方法在多模态数据集上的测试结果表
从表1可以看出,本发明的F1和Jaccard数值相比于其他方法较高,表明本发明的无监督血管模型能很好的提取多模态血管结构。本发明提供的无监督血管分割方法,不需要任何血管标签,具有低成本、易扩展和快速临床诊断等优点,能够提高诊断效率并减轻的医生的工作量,并且,本发明可自动提取视网膜血管结构,对心血管疾病诊断提供可靠、客观的辅助诊断结果。
步骤六:将常见的6种眼底视网膜血管数据集输入到血管分割种得到相应的预测血管图,具体过程如下:
(1)对眼底视网膜血管图像预处理增强,输入到血管分割模型种得到血管预测图;其中,不同模型在眼底视网膜血管图像上的分割结果如图4的(a)部分-图4的(l)部分所示。
(2)根据预测血管预测图与血管标签计算血管的分割指标进行评估,具体结果展示在下面表2-表4中。从结果可以看出,本发明的F1和Jaccard数值相比于其他较高,这表明本发明的血管分割模型也能提取眼底视网膜血管提取,在血管分割上具有很好的泛化能力。
表2不同方法在DRIVE和STARE数据集上的测试结果表
表3不同方法在CHASEDB1和HRF数据集上的测试结果表
表4不同方法在IOSTAR和RC-SLO数据集上的测试结果表
对应于上述提供的无监督视网膜血管分割方法,本发明还提供了以下实施结构:
其中一种是无监督视网膜血管分割系统,如图5所示,该系统包括:
图像获取模块500,用于获取待分割的视网膜图像。
模型获取模块501,用于获取血管分割模型。血管分割模型由多模态视网膜血管数据集训练编码器和分割器得到。
血管分割模块502,用于将视网膜图像输入至血管分割模型中得到血管分割结果。
另一种是电子设备,该电子设备包括:
存储器,用于存储计算机控制指令。
处理器,与存储器连接,用于调取并执行计算机控制指令,以实施上述提供的无监督视网膜血管分割方法。
其中,存储器可以是计算机可读存储介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种无监督视网膜血管分割方法,其特征在于,包括:
获取待分割的视网膜图像;
获取血管分割模型;所述血管分割模型由多模态视网膜血管数据集训练编码器和分割器得到;
将所述视网膜图像输入至所述血管分割模型中得到血管分割结果;
获取血管分割模型之前,还包括:
获取多模态视网膜血管数据集,并将所述多模态视网膜血管数据集划分为训练集和测试集;
将所述训练集中的模态图像输入到编码器中得到特征编码图;
将所述特征编码图输入至分割器中得到预测的血管分割图;
将所述特征编码图和所述血管分割图均输入至重建网络得到交叉模态图像;
基于所述交叉模态图像确定模态重建损失函数;
基于所述预测的血管分割图确定分割图的损失函数以及多模态特征对比损失函数;
基于所述模态重建损失函数、所述分割图的损失函数以及所述多模态特征对比损失函数进行迭代优化得到初始的所述血管分割模型;
采用所述测试集对所述初始的血管分割模型进行泛化测试,并确定体现分割性能的定量化指标;
当泛化测试的结果和所述定量化指标均满足设定要求时,将这一初始的血管分割模型确定所述血管分割模型;
所述模态重建损失函数采用L1损失函数;L1损失函数为:
LRecon=||Rec1-x1||+||Rec2-x2||;
其中,LRecon为L1损失函数值,Rec1为第一交叉模态图像,Rec2为第二交叉模态图像,x1为输入的第一种模态图像,x2为输入的第二种模态图像;
基于所述预测的血管分割图确定分割图的损失函数以及多模态特征对比损失函数,具体包括:
基于预测的血管分割图和输入的多模态图像构建血管前景图和背景结构图;
将所述血管前景图和所述背景结构图输入到特征编码器中得到图像特征;
构建所述图像特征的正负样本;
根据所述正负样本确定单模态对比损失函数和交叉模态对比损失函数。
2.根据权利要求1所述的无监督视网膜血管分割方法,其特征在于,将训练同一批次的血管前景图对应的特征作为配对的正样本;将背景结构图的特征记为负样本。
3.根据权利要求1所述的无监督视网膜血管分割方法,其特征在于,所述单模态对比损失函数为:
其中,l(x1,x1)为第一种模态对比损失函数,l(x2,x2)为第二种模态对比损失函数,(zi,zi +)为正样本,zi为编码特征,为正样本的编码特征,/>为负样本,sim(*)为内积运算,exp(*)为指数函数,/>为负样本的集合,τ为温度参数,i=1,2。
4.根据权利要求1所述的无监督视网膜血管分割方法,其特征在于,所述交叉模态对比损失函数为:
其中,l(x1,x2)为交叉模态对比损失函数,(zi,zi +)为正样本,zi为编码特征,为正样本的编码特征,/>为负样本,sim(*)为内积运算,exp(*)为指数函数,/>为负样本的集合,τ为温度参数,i=1,2。
5.一种无监督视网膜血管分割系统,其特征在于,包括:
图像获取模块,用于获取待分割的视网膜图像;
模型获取模块,用于获取血管分割模型;所述血管分割模型由多模态视网膜血管数据集训练编码器和分割器得到;
血管分割模块,用于将所述视网膜图像输入至所述血管分割模型中得到血管分割结果;
获取血管分割模型之前,还包括:
获取多模态视网膜血管数据集,并将所述多模态视网膜血管数据集划分为训练集和测试集;
将所述训练集中的模态图像输入到编码器中得到特征编码图;
将所述特征编码图输入至分割器中得到预测的血管分割图;
将所述特征编码图和所述血管分割图均输入至重建网络得到交叉模态图像;
基于所述交叉模态图像确定模态重建损失函数;
基于所述预测的血管分割图确定分割图的损失函数以及多模态特征对比损失函数;
基于所述模态重建损失函数、所述分割图的损失函数以及所述多模态特征对比损失函数进行迭代优化得到初始的所述血管分割模型;
采用所述测试集对所述初始的血管分割模型进行泛化测试,并确定体现分割性能的定量化指标;
当泛化测试的结果和所述定量化指标均满足设定要求时,将这一初始的血管分割模型确定所述血管分割模型;
所述模态重建损失函数采用L1损失函数;L1损失函数为:
LRecon=||Rec1-x1||+||Rec2-x2||;
其中,LRecon为L1损失函数值,Rec1为第一交叉模态图像,Rec2为第二交叉模态图像,x1为输入的第一种模态图像,x2为输入的第二种模态图像;
基于所述预测的血管分割图确定分割图的损失函数以及多模态特征对比损失函数,具体包括:
基于预测的血管分割图和输入的多模态图像构建血管前景图和背景结构图;
将所述血管前景图和所述背景结构图输入到特征编码器中得到图像特征;
构建所述图像特征的正负样本;
根据所述正负样本确定单模态对比损失函数和交叉模态对比损失函数。
6.一种电子设备,其特征在于,包括:
存储器,用于存储计算机控制指令;
处理器,与所述存储器连接,用于调取并执行所述计算机控制指令,以实施如权利要求1-4任意一项所述的无监督视网膜血管分割方法。
7.根据权利要求6所述的电子设备,其特征在于,所述存储器为计算机可读存储介质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211723422.2A CN115937192B (zh) | 2022-12-30 | 2022-12-30 | 一种无监督视网膜血管分割方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211723422.2A CN115937192B (zh) | 2022-12-30 | 2022-12-30 | 一种无监督视网膜血管分割方法、系统及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115937192A CN115937192A (zh) | 2023-04-07 |
CN115937192B true CN115937192B (zh) | 2023-09-19 |
Family
ID=86555960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211723422.2A Active CN115937192B (zh) | 2022-12-30 | 2022-12-30 | 一种无监督视网膜血管分割方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937192B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116863146B (zh) * | 2023-06-09 | 2024-03-08 | 强联智创(北京)科技有限公司 | 用于对血管瘤特征进行提取的方法、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345538A (zh) * | 2018-08-30 | 2019-02-15 | 华南理工大学 | 一种基于卷积神经网络的视网膜血管分割方法 |
CN110444277A (zh) * | 2019-07-19 | 2019-11-12 | 重庆邮电大学 | 一种基于多生成多对抗的多模态脑部mri图像双向转换方法 |
EP3591614A1 (en) * | 2018-07-06 | 2020-01-08 | Charité - Universitätsmedizin Berlin | Method and computer program for segmentation of optical coherence tomography images of the retina |
CN111127447A (zh) * | 2019-12-26 | 2020-05-08 | 河南工业大学 | 基于生成式对抗网络的血管分割网络及方法 |
-
2022
- 2022-12-30 CN CN202211723422.2A patent/CN115937192B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3591614A1 (en) * | 2018-07-06 | 2020-01-08 | Charité - Universitätsmedizin Berlin | Method and computer program for segmentation of optical coherence tomography images of the retina |
CN109345538A (zh) * | 2018-08-30 | 2019-02-15 | 华南理工大学 | 一种基于卷积神经网络的视网膜血管分割方法 |
CN110444277A (zh) * | 2019-07-19 | 2019-11-12 | 重庆邮电大学 | 一种基于多生成多对抗的多模态脑部mri图像双向转换方法 |
CN111127447A (zh) * | 2019-12-26 | 2020-05-08 | 河南工业大学 | 基于生成式对抗网络的血管分割网络及方法 |
Non-Patent Citations (1)
Title |
---|
Multi-modal contrastive mutual learning and pseudo-label re-learning for semi-supervised medical image segmentation;Shuo Zhang等;Medical Image Analysis;第1-18页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115937192A (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111292821B (zh) | 一种医学诊疗系统 | |
CN109886273B (zh) | 一种cmr图像分割分类系统 | |
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
Khan et al. | Deep neural architectures for medical image semantic segmentation | |
CN107730497B (zh) | 一种基于深度迁移学习的血管内斑块属性分析方法 | |
US20200051238A1 (en) | Anatomical Segmentation Identifying Modes and Viewpoints with Deep Learning Across Modalities | |
Kou et al. | Microaneurysms segmentation with a U-Net based on recurrent residual convolutional neural network | |
Mazzanti et al. | Imaging, health record, and artificial intelligence: hype or hope? | |
CN113420826B (zh) | 一种肝脏病灶图像处理系统及图像处理方法 | |
CN112766377B (zh) | 左心室磁共振影像智能分类方法、装置、设备和介质 | |
WO2019180742A1 (en) | System and method for retinal fundus image semantic segmentation | |
JP2020518050A (ja) | エンティティ間のコンテキスト的類似度の学習及び適用 | |
CN115937192B (zh) | 一种无监督视网膜血管分割方法、系统及电子设备 | |
CN111797901A (zh) | 一种基于拓扑结构估计的视网膜动静脉分类方法及装置 | |
CN114881968A (zh) | 基于深度卷积神经网络的octa图像血管分割方法、设备及介质 | |
CN109215035B (zh) | 一种基于深度学习的脑部mri海马体三维分割方法 | |
CN111028232A (zh) | 基于眼底图像的糖尿病分类方法及设备 | |
CN113887662A (zh) | 一种基于残差网络的图像分类方法、装置、设备及介质 | |
CN110503636B (zh) | 参数调整方法、病灶预测方法、参数调整装置及电子设备 | |
Chen et al. | Automatic coronary artery lumen segmentation in computed tomography angiography using paired multi-scale 3D CNN | |
CN112200810A (zh) | 多模态的自动化脑室分割系统及其使用方法 | |
CN110992309B (zh) | 基于深层信息传递网络的眼底图像分割方法 | |
CN116564505A (zh) | 基于深度学习的甲状腺疾病筛查方法、系统、设备及存储介质 | |
CN115458161A (zh) | 乳腺癌进展分析方法、装置、设备和介质 | |
CN113571179B (zh) | 基于知识图谱的指标提取方法和装置 |
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 |