CN116188479A - 基于深度学习的髋关节图像分割方法及系统 - Google Patents
基于深度学习的髋关节图像分割方法及系统 Download PDFInfo
- Publication number
- CN116188479A CN116188479A CN202310147922.4A CN202310147922A CN116188479A CN 116188479 A CN116188479 A CN 116188479A CN 202310147922 A CN202310147922 A CN 202310147922A CN 116188479 A CN116188479 A CN 116188479A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- segmented
- feature
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003709 image segmentation Methods 0.000 title claims abstract description 50
- 238000013135 deep learning Methods 0.000 title claims abstract description 49
- 210000004394 hip joint Anatomy 0.000 title claims abstract description 49
- 230000011218 segmentation Effects 0.000 claims abstract description 88
- 238000000605 extraction Methods 0.000 claims abstract description 74
- 230000002776 aggregation Effects 0.000 claims abstract description 35
- 238000004220 aggregation Methods 0.000 claims abstract description 35
- 230000004927 fusion Effects 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000007246 mechanism Effects 0.000 claims description 59
- 210000001624 hip Anatomy 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002675 image-guided surgery Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
-
- 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
- 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
- G06V10/77—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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于深度学习的髋关节图像分割方法及系统,方法包括:获取待分割图像;将待分割图像输入目标分割网络,获取目标图像;目标分割网络基于样本图像数据集训练得到,目标分割网络包括第一特征提取模块、第二特征提取模块及特征融合模块;获取目标图像包括:基于第一特征提取模块提取待分割图像的目标特征图;基于第二特征提取模块及深度聚合金字塔网络提取待分割图像的全局特征;基于特征融合模块,融合全局特征和目标特征图,得到目标图像。本发明能够实现对待分割图像的快速分割处理,将待分割图像的浅层细节特征与通过深度聚合金字塔网络提取到的待分割图像的全局特征进行融合,得到增强后的内容特征,提高对待分割图像的分割精度。
Description
技术领域
本发明涉及深度学习技术领域,尤其涉及一种基于深度学习的髋关节图像分割方法及系统。
背景技术
图像分割是医学图像处理的重要环节。医学上,图像分割是对正常组织或病变组织进行特征提取、定量分析和三维重建等后续操作必不可少的步骤。另外,许多图像引导手术也需要以图像分割作为前提。
计算机断层摄影(computed tomography,CT)成像技术的结果是以序列形式存在的。因此髋关节CT图像通常包含上百张医学图像,数据量大。如果使用手动图像分割需要在多张髋关节CT图像中进行勾画,工作量大且效率低。
目前对于髋关节CT图像采用的图像分割方法包括传统分割方法和机器学习方法。其中,传统分割方法主要是提供待分割目标的前景,利用最优化的方法分割出目标,是目前常用的是图像分割;机器学习方法需要大量数据以及医生的手动分割结果作为测试数据。总之,上述方法需要人工标记和大量的数据进行训练,因此现有技术中的髋关节分割方法存在繁琐、耗时且分割精度较差的问题。
发明内容
本发明提供的基于深度学习的髋关节图像分割方法及系统,用于解决现有技术中存在的髋关节分割方法存在繁琐、耗时且分割精度较差的问题。
本发明提供的一种基于深度学习的髋关节图像分割方法,包括:
获取待分割图像;
将所述待分割图像输入目标分割网络,获取分割后的目标图像;
其中,所述目标分割网络基于样本图像数据集训练得到,所述目标分割网络包括第一特征提取模块、第二特征提取模块以及特征融合模块;
并且,所述获取分割后的目标图像包括:
基于所述第一特征提取模块提取所述待分割图像的目标特征图;
基于第二特征提取模块以及深度聚合金字塔网络提取所述待分割图像的全局特征;
基于所述特征融合模块,对所述全局特征和所述目标特征图进行融合,得到所述目标图像。
根据本发明提供的一种基于深度学习的髋关节图像分割方法,所述基于所述第一特征提取模块提取所述待分割图像的目标特征图,包括:
基于所述第一特征提取模块中的卷积层和下采样层,提取所述待分割图像的第一特征;
根据所述第一特征和所述第一特征提取模块中的双重注意力机制网络,获取所述目标特征图,所述双重注意力机制网络包括位置注意力机制模块和通道注意力机制模块。
根据本发明提供的一种基于深度学习的髋关节图像分割方法,所述根据所述第一特征和所述第一特征提取模块中的双重注意力机制网络,获取所述目标特征图,包括:
将所述第一特征输入到所述双重注意力机制网络中的多个卷积层,并对每个卷积层输出的第二特征进行融合,得到所述待分割图像的第一特征图;
将所述第一特征图输入到所述位置注意力机制模块得到所述待分割图像的第二特征图;
将所述第一特征图输入到所述通道注意力机制模块,得到所述待分割图像的第三特征图;
对所述第二特征图和所述第三特征图进行融合,得到所述目标特征图。
根据本发明提供的一种基于深度学习的髋关节图像分割方法,所述基于第二特征提取模块以及深度聚合金字塔网络提取所述待分割图像的全局特征,包括:
将所述第一特征输入到所述第二特征提取模块中的所述深度聚合金字塔网络,基于所述深度聚合金字塔网络中的多个不同步长的第一卷积层提取所述待分割图像的第三特征;
将所述第三特征输入到所述深度聚合金字塔网络中的多个第二卷积层,得到所述全局特征。
根据本发明提供的一种基于深度学习的髋关节图像分割方法,所述基于所述特征融合模块,对所述全局特征和所述目标特征图进行融合,获取所述目标图像,包括:
将所述全局特征和所述目标特征图输入到所述特征融合模块中的上采样层和卷积层,对所述全局特征和所述目标特征图进行融合,得到所述目标图像。
根据本发明提供的一种基于深度学习的髋关节图像分割方法,所述目标分割网络基于以下方式得到:
获取多张样本图像;
对每张样本图像的目标区域进行标注,并根据所述目标区域获取所述每张样本图像对应的图像掩膜;
将所述每张样本图像转换为预设格式的第一图像;
将所述每张样本图像对应的图像掩膜转换为所述预设格式的第二图像;
根据所述每张样本图像对应的第一图像和所述图像掩膜对应的第二图像,确定所述样本图像数据集;
将所述样本图像数据集输入到预设分割网络进行训练,得到所述目标分割网络。
本发明还提供一种基于深度学习的髋关节图像分割系统,包括:获取装置以及分割装置;
所述获取装置,用于获取待分割图像;
所述分割装置,用于将所述待分割图像输入目标分割网络,获取分割后的目标图像;
其中,所述目标分割网络基于样本图像数据集训练得到,所述目标分割网络包括第一特征提取模块、第二特征提取模块以及特征融合模块;
并且,所述获取分割后的目标图像包括:
基于所述第一特征提取模块提取所述待分割图像的目标特征图;
基于第二特征提取模块以及深度聚合金字塔网络提取所述待分割图像的全局特征;
基于所述特征融合模块,对所述全局特征和所述目标特征图进行融合,得到所述目标图像。
本发明还提供一种电子设备,包括处理器和存储有计算机程序的存储器,所述处理器执行所述程序时实现如上述任一种所述基于深度学习的髋关节图像分割方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于深度学习的髋关节图像分割方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于深度学习的髋关节图像分割方法。
本发明提供的基于深度学习的髋关节图像分割方法及系统,能够实现对待分割图像数据的快速分割处理,将待分割图像的浅层细节特征与通过深度聚合金字塔网络提取到的待分割图像的全局特征进行融合,得到增强后的内容特征,提高对待分割图像的分割精度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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是本发明提供的基于深度学习的髋关节图像分割方法的流程示意图;
图2是本发明提供的改进的V-Net的结构示意图;
图3是本发明提供的双重注意力机制网络的结构示意图;
图4是本发明提供的深度聚合金字塔网络的结构示意图;
图5是本发明提供的髋关节医学图像进行分割重建后的结果示意图;
图6是本发明提供的基于深度学习的髋关节图像分割系统的结构示意图;
图7是本发明提供的电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
近年来,人工智能深度学习技术已被成功应用于医学图像处理领域,实现了病变部位或目标区域的自动识别及分割处理,而且准确性高。
本发明提供的基于深度学习的髋关节图像分割方法借助人工智能深度学习技术,改进优化V-Net神经网络得到目标分割网络,在保证分割准确性和鲁棒性的基础上,添加双重注意力机制网络,实现髋关节CT图像数据的快速分割处理,以降低准备成本,提高对髋关节CT图像分割的准确性,具体实现如下:
图1是本发明提供的基于深度学习的髋关节图像分割方法的流程示意图,如图1所示,方法包括:
步骤110,获取待分割图像;
步骤120,将所述待分割图像输入目标分割网络,获取分割后的目标图像;
其中,所述目标分割网络基于样本图像数据集训练得到,所述目标分割网络包括第一特征提取模块、第二特征提取模块以及特征融合模块;
并且,所述获取分割后的目标图像包括:
基于所述第一特征提取模块提取所述待分割图像的目标特征图;
基于第二特征提取模块以及深度聚合金字塔网络提取所述待分割图像的全局特征;
基于所述特征融合模块,对所述全局特征和所述目标特征图进行融合,得到所述目标图像。
需要说明的是,上述方法的执行主体可以是计算机设备。
可选地,待分割图像可以具体为经过预处理后的医学图像,该医学图像可以具体为髋关节医学图像,例如,髋关节CT图像。
CT图像的格式是DICOM格式,包含了很多信息,实际处理过程中只需要CT图像的图像信息,通过对CT图像进行预处理将DICOM里的图像信息转化成预设格式的图像,该预设格式可以具体为PNG、JPG等格式。
可选地,该目标分割网络可以具体为对V-Net神经网络进行改进后得到的VB-Net神经网络,更具体可以是在V-Net神经网络的基础上,引入一个多尺度特征融合模块(例如,第二特征提取模块中的深度聚合金字塔网络)和注意力机制,该注意力机制位于第一特征提取模块中,通过该第一特征提取模块提取待分割图像中的目标特征图,该目标特征图可以反映出待分割图像中的浅层细节特征,并基于特征融合模块将待分割图像中的浅层细节特征与通过多尺度特征融合模块得到的深层抽象特征(即全局特征)进行融合,得到增强后的内容特征,提高对待分割图像分割的精度。
在进行待分割图像的分割之前,还需要预先训练好目标分割网络,该目标分割网络可以具体由样本图像数据集训练得到,对于样本图像数据集中的医学图像,先在图像中设置对应的标签,基于标签和图像进行模型的训练。具体的样本数据集的选择,标签的设置和样本训练方法可基于实际情况进行调整,本发明对此不作限定。
例如髋关节CT图像,将其进行手动标注髋关节区域,最终只提取含有髋关节部分的标签作为分割的图像掩膜mask,并将样本图像数据集中的髋关节CT图像转换成PNG格式的图片,图像掩膜mask同样转换成PNG格式的图片,将其进行打乱顺序后按照6:2:2的比例划分为训练集、验证集和测试集对改进V-Net神经网络得到的VB-Net神经网络进行训练得到最终的目标分割网络。
可选地,该目标分割网络可以具体包括第一特征提取模块、第二特征提取模块以及特征融合模块,将分割图像输入到目标分割网络,获取分割后的目标图像可以具体为利用目标分割网络中的第一特征提取模块提取待分割图像的目标特征图,并基于目标分割网络中的第二特征提取模块中的深度聚合金字塔网络提取待分割图像的全局特征,根据目标分割网络中的特征融合模块对得到的全局特征以及目标特征图进行融合,得到分割后的目标图像。
本发明提供的基于深度学习的髋关节图像分割方法,能够实现对待分割图像数据的快速分割处理,将待分割图像的浅层细节特征与通过深度聚合金字塔网络提取到的待分割图像的全局特征进行融合,得到增强后的内容特征,提高对待分割图像的分割精度。
进一步地,在一个实施例中,所述基于所述第一特征提取模块提取所述待分割图像的目标特征图,可以具体包括:
基于所述第一特征提取模块中的卷积层和下采样层,提取所述待分割图像的第一特征;
根据所述第一特征和所述第一特征提取模块中的双重注意力机制网络,获取所述目标特征图,所述双重注意力机制网络包括位置注意力机制模块和通道注意力机制模块。
可选地,语义分割既需要丰富的空间信息,又需要较大的感受野。然而,现有技术中通常会牺牲空间分辨率来实现实时推理速度,导致性能低下。
基于此,本发明提供的基于深度学习的髋关节图像分割方法在改进的V-Net神经网络中添加注意力机制,该注意力机制为双重注意力机制网络,该双重注意力机制网络可以具体由位置注意力机制模块和通道注意力机制模块组成,在不同尺度上利用空间和通道注意力捕获更多信息,通道注意力机制模块用于有选择地加权每个通道的重要性,从而产生最佳输出特性。
图2是本发明提供的改进的V-Net的结构示意图,如图2所示,改进的V-Net网络结构利用端到端的全卷积网络来分割图像。它由两个路径组成,左边的收缩路径通过卷积和降采样来提取高层次的特征信息。右边的扩张通道使用跳跃连接将高层次的特征信息和精细的局部特征信息结合起来,从而使得边缘定位更加精确。卷积层使用残差卷积,即由1x1,3x3和1x1卷积层组成的残差单元,目的是为了减少特征损失。为了重建在提取过程中丢失的像素级图像细节,在V-Net的跳跃连接结构中添加注意力机制,提高边界分割能力,并使用上采样模块融合特征。
将多尺度、多层级的特征信息进行整合,可以让浅层局部细节与深层抽象特征(即全局特征)互补增强,得到更好的分割效果。如果直接将深层抽象特征做上采样操作,则目标分割的边缘细节会有较大的损失,因此,将多层级、多尺度的特征信息进行整合,如图2中注意力机制,可以让浅层局部细节与深层抽象特征互补增强,得到更好的分割效果。
具体地,将待分割图像输入到训练好的目标分割网络,待分割图像经过第一特征提取模块中的卷积层和下采样层提取特征,并将提取的特征输入到下一卷积层和下采样层继续提取特征,如此经过4个卷积层和4个下采样层后提取到待分割图像的第一特征。
将提取到的第一特征输入到双重注意力机制网络,得到待分割图像的目标特征图。
进一步地,在一个实施例中,所述根据所述第一特征和所述第一特征提取模块中的双重注意力机制网络,获取所述目标特征图,可以具体包括:
将所述第一特征输入到所述双重注意力机制网络中的多个卷积层,并对每个卷积层输出的第二特征进行融合,得到所述待分割图像的第一特征图;
将所述第一特征图输入到所述位置注意力机制模块得到所述待分割图像的第二特征图;
将所述第一特征图输入到所述通道注意力机制模块,得到所述待分割图像的第三特征图;
对所述第二特征图和所述第三特征图进行融合,得到所述目标特征图。
可选地,图3是本发明提供的双重注意力机制网络的结构示意图,如图3所示,该双重注意力机制网络结构,由位置注意力机制模块和通道注意力机制模块组成,在不同尺度上利用空间和通道注意力捕获更多特征信息,通道注意力机制模块用于有选择地加权每个通道的重要性,从而产生最佳输出特性,这有助于减少网络参数的数量。
具体地,该双重注意力机制网络输入的是经过第一特征提取模块中的卷积层和下采样层提取到的第一特征,输出是卷积特征,并将输出的卷积特征输入到同级的编码结构中。
将输入的第一特征经过三个卷积层分支提取到的特征(即第二特征)进行融合,得到特征图(即第一特征图),然后将这个第一特征图输入到位置注意力机制模块和通道注意力机制模块以捕获全局特征信息。在位置注意力机制模块中,生成一个位置注意力矩阵(一般为初始化参数)用于对第一特征图中的任意两个点之间的关系建模,接着注意力矩阵与特征矩阵进行矩阵乘法,然后对相乘结果和原始特征矩阵进行逐元素的加法得到最终对全局特征具有一定表征能力的结果,并将该结果经卷积层输出第二特征图。通道注意力模块的操作相似,只不过乘法是在通道维度(对第一特征图中任意两个通道之间的关系建模)进行计算,输出待分割图像的第三特征图。最终将两个注意力机制模块的第二特征图和第三特征图进行聚合得到一个更好的表征结果,即目标特征图。
其中,该注意力矩阵是根据位置注意力机制模块中的第二个卷积层的输出结果确定的,该特征矩阵是根据位置注意力机制模块中的第一个卷积层的输出结果确定的,该原始特征矩阵是根据第一特征图确定的。
本发明提供的基于深度学习的髋关节图像分割方法,通过添加注意力机制,在不同尺度上利用空间和通道注意力捕获更多特征信息,使得浅层局部细节与深层抽象特征互补增强,得到更好的分割效果。
进一步地,在一个实施例中,所述基于第二特征提取模块以及深度聚合金字塔网络提取所述待分割图像的全局特征,可以具体包括:
将所述第一特征输入到所述第二特征提取模块中的所述深度聚合金字塔网络,基于所述深度聚合金字塔网络中的多个不同步长的第一卷积层提取所述待分割图像的第三特征;
将所述第三特征输入到所述深度聚合金字塔网络中的多个第二卷积层,得到所述全局特征。
可选地,图4是本发明提供的深度聚合金字塔网络的结构示意图,如图4所示,将较大的卷积核提取的特征与更深层次的信息流进行整合,通过对不同深度的卷积层与不同大小的卷积层进行整合形成多尺度特征。该深度聚合金字塔网络以1/64图像分辨率的特征为输入,采用5x5,9x9,17x17的卷积层(其中5x5,9x9,17x17的卷积层的步长分别设置为2,4,8)生成1/128、1/256和1/512图像分辨率的特征映射,即待分割图像的第三特征,并将该第三特征经1x1和3x3的卷积层提取不同层级的特征,在将每一层级输出的结果进行融合,最后以分层残差的方式融合不同尺度的特征信息,输出全局特征。同时为了获得更多的特征信息,对特征图进行上采样,然后使用更多的3×3卷积,以分层残差的方式融合不同尺度的特征信息。该结构确保在不丢失分辨率的情况下,仍然扩大感受野,获得的感受野不一样,也即获取了多尺度信息,一方面感受野大了可以检测分割大目标,另一方面分辨率高了可以精确定位目标。其中,图4其中5x5,9x9,17x17的卷积层即为第一卷积层,除上述第一卷积层外其余的卷积层均为第二卷积层。
需要说明的是,这里1/64图像分辨率具体指待分割图像是512x512(或1024x1024),则1/64之后就是8x8的大小,1/128、1/256和1/512图像分辨率对应的就是4x4、2x2、1x1大小。
进一步地,在一个实施例中,所述基于所述特征融合模块,对所述全局特征和所述目标特征图进行融合,获取所述目标图像,可以具体包括:
将所述全局特征和所述目标特征图输入到所述特征融合模块中的上采样层和卷积层,对所述全局特征和所述目标特征图进行融合,得到所述目标图像。
可选地,将待分割图像输入到训练好的目标分割网络,经过第一特征提取模块中的卷积层和下采样层提取到的第一特征,并经过第二特征提取模块中的深度聚合金字塔网络提取全局特征,之后经过特征融合模块中的上采样层和卷积层进行反卷积处理并和同级的注意力机制输出的目标特征图进行融合,得到分割后的目标图像。
本发明提供的基于深度学习的髋关节图像分割方法,使用不同大小的卷积池化操作,聚合待分割图像的不同区域的特征信息,将较大的卷积核提取的特征与更深层次的信息流进行整合,通过对不同深度的卷积核与不同大小的卷积核进行整合形成多尺度特性,提高对待分割图像的分割精度。
进一步地,在一个实施例中,所述目标分割网络基于以下方式得到:
获取多张样本图像;
对每张样本图像的目标区域进行标注,并根据所述目标区域获取所述每张样本图像对应的图像掩膜;
将所述每张样本图像转换为预设格式的第一图像;
将所述每张样本图像对应的图像掩膜转换为所述预设格式的第二图像;
根据所述每张样本图像对应的第一图像和所述图像掩膜对应的第二图像,确定所述样本图像数据集;
将所述样本图像数据集输入到预设分割网络进行训练,得到所述目标分割网络。
可选地,该样本图像可以具体为髋关节医学图像,将获取的多张髋关节医学图像构成髋关节医学图像数据集,并对每张髋关节医学图像手动标注其目标区域,该目标区域可以具体为髋关节区域,提取该目标区域对应的每张髋关节医学图像对应的图像掩膜mask。
将每张髋关节医学图像转化为预设格式的图像,即第一图像。
将每张髋关节医学图像的图像掩膜mask转换为预设格式的图像,即第二图像,该第二图像作为训练预设分割网络的训练标签,该预设分割网络可以具体为改进V-Net神经网络后得到的VB-Net神经网络。
将每张样本图像对应的第一图像和每张图像掩膜对应的第二图像构成的集合记为样本图像数据集。
按照6:2:2的比例将样本图像数据集划分为训练集、验证集和测试集。
在预设分割网络训练过程中,训练的batch_size设置为64,初始化学习率设置为1×e-4,附加学习率衰减策略,每迭代5000次,学习率衰减为原来的0.9,优化器使用Adam优化器,使用损失函数为DICE loss,设置每迭代1000次,对训练集和验证集做一次验证,通过早停法来判断网络训练停止时间,并得到最终的目标分割网络。
利用本发明提供的目标分割网络对髋关节医学图像进行分割后的目标图像如图5所示。
本发明提供的基于深度学习的髋关节图像分割方法,通过训练得到的目标分割网络可以准确的将髋关节分割出来,分割精度优于目前已有的神经网络,更加准确的辅助医生进行手术规划,提高手术的成功率。
下面对本发明提供的基于深度学习的髋关节图像分割系统进行描述,下文描述的基于深度学习的髋关节图像分割系统与上文描述的基于深度学习的髋关节图像分割方法可相互对应参照。
图6是本发明提供的基于深度学习的髋关节图像分割系统的结构示意图,如图6所示,包括:
获取装置610以及分割装置611;
所述获取装置610,用于获取待分割图像;
所述分割装置611,用于将所述待分割图像输入目标分割网络,获取分割后的目标图像;
其中,所述目标分割网络基于样本图像数据集训练得到,所述目标分割网络包括第一特征提取模块、第二特征提取模块以及特征融合模块;
并且,所述获取分割后的目标图像包括:
基于所述第一特征提取模块提取所述待分割图像的目标特征图;
基于第二特征提取模块以及深度聚合金字塔网络提取所述待分割图像的全局特征;
基于所述特征融合模块,对所述全局特征和所述目标特征图进行融合,获取所述目标图像。
本发明提供的基于深度学习的髋关节图像分割系统,能够实现对待分割图像数据的快速分割处理,将待分割图像的浅层细节特征与通过深度聚合金字塔网络提取到的待分割图像的全局特征进行融合,得到增强后的内容特征,提高对待分割图像的分割精度。
进一步地,在一个实施例中,所述分割装置611,可以具体包括:
第一获取子装置,用于基于所述第一特征提取模块中的卷积层和下采样层,提取所述待分割图像的第一特征;
第二获取子装置,用于根据所述第一特征和所述第一特征提取模块中的双重注意力机制网络,获取所述目标特征图,所述双重注意力机制网络包括位置注意力机制模块和通道注意力机制模块。
进一步地,在一个实施例中,所述第二获取子装置,还可以具体用于:
将所述第一特征输入到所述双重注意力机制网络中的多个卷积层,并对每个卷积层输出的第二特征进行融合,得到所述待分割图像的第一特征图;
将所述第一特征图输入到所述位置注意力机制模块得到所述待分割图像的第二特征图;
将所述第一特征图输入到所述通道注意力机制模块,得到所述待分割图像的第三特征图;
对所述第二特征图和所述第三特征图进行融合,得到所述目标特征图。
本发明提供的基于深度学习的髋关节图像分割系统,通过添加注意力机制,在不同尺度上利用空间和通道注意力捕获更多特征信息,使得浅层局部细节与深层抽象特征互补增强,得到更好的分割效果。
进一步地,在一个实施例中,所述分割装置611,还可以具体包括:
所述第三获取子装置,用于将所述第一特征输入到所述第二特征提取模块中的所述深度聚合金字塔网络,基于所述深度聚合金字塔网络中的多个不同步长的第一卷积层提取所述待分割图像的第三特征;
所述第四获取子装置,用于将所述第三特征输入到所述深度聚合金字塔网络中的多个第二卷积层,得到所述全局特征。
进一步地,在一个实施例中,所述分割装置611,还可以具体包括:
第五获取子装置,用于将所述全局特征和所述目标特征图输入到所述特征融合模块中的上采样层和卷积层,对所述全局特征和所述目标特征图进行融合,得到所述目标图像。
本发明提供的基于深度学习的髋关节图像分割系统,使用不同大小的卷积池化操作,聚合待分割图像的不同区域的特征信息,将较大的卷积核提取的特征与更深层次的信息流进行整合,通过对不同深度的卷积核与不同大小的卷积核进行整合形成多尺度特性,提高对待分割图像的分割精度。
进一步地,在一个实施例中,所述基于深度学习的髋关节图像分割系统,还可以具体包括:
网络训练装置,用于获取多张样本图像;
对每张样本图像的目标区域进行标注,并根据所述目标区域获取所述每张样本图像对应的图像掩膜;
将所述每张样本图像转换为预设格式的第一图像;
将所述每张样本图像对应的图像掩膜转换为所述预设格式的第二图像;
根据所述每张样本图像对应的第一图像和所述图像掩膜对应的第二图像,确定所述样本图像数据集;以及,
将所述样本图像数据集输入到预设分割网络进行训练,得到所述目标分割网络。
本发明提供的基于深度学习的髋关节图像分割系统,通过训练得到的目标分割网络可以准确的将髋关节分割出来,分割精度优于目前已有的神经网络,更加准确的辅助医生进行手术规划,提高手术的成功率。
图7是本发明提供的一种电子设备的实体结构示意图,如图7所示,该电子设备可以包括:处理器(processor)710、通信接口(communication interface)711、存储器(memory)712和总线(bus)713,其中,处理器710,通信接口711,存储器712通过总线713完成相互间的通信。处理器710可以调用存储器712中的逻辑指令,以执行如下方法:
获取待分割图像;
将所述待分割图像输入目标分割网络,获取分割后的目标图像;
其中,所述目标分割网络基于样本图像数据集训练得到,所述目标分割网络包括第一特征提取模块、第二特征提取模块以及特征融合模块;
并且,所述获取分割后的目标图像包括:
基于所述第一特征提取模块提取所述待分割图像的目标特征图;
基于第二特征提取模块以及深度聚合金字塔网络提取所述待分割图像的全局特征;
基于所述特征融合模块,对所述全局特征和所述目标特征图进行融合,得到所述目标图像。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机电源屏(可以是个人计算机,服务器,或者网络电源屏等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地,本发明公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的基于深度学习的髋关节图像分割方法,例如包括:
获取待分割图像;
将所述待分割图像输入目标分割网络,获取分割后的目标图像;
其中,所述目标分割网络基于样本图像数据集训练得到,所述目标分割网络包括第一特征提取模块、第二特征提取模块以及特征融合模块;
并且,所述获取分割后的目标图像包括:
基于所述第一特征提取模块提取所述待分割图像的目标特征图;
基于第二特征提取模块以及深度聚合金字塔网络提取所述待分割图像的全局特征;
基于所述特征融合模块,对所述全局特征和所述目标特征图进行融合,得到所述目标图像。
另一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的基于深度学习的髋关节图像分割方法,例如包括:
获取待分割图像;
将所述待分割图像输入目标分割网络,获取分割后的目标图像;
其中,所述目标分割网络基于样本图像数据集训练得到,所述目标分割网络包括第一特征提取模块、第二特征提取模块以及特征融合模块;
并且,所述获取分割后的目标图像包括:
基于所述第一特征提取模块提取所述待分割图像的目标特征图;
基于第二特征提取模块以及深度聚合金字塔网络提取所述待分割图像的全局特征;
基于所述特征融合模块,对所述全局特征和所述目标特征图进行融合,得到所述目标图像。
以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机电源屏(可以是个人计算机,服务器,或者网络电源屏等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于深度学习的髋关节图像分割方法,其特征在于,包括:
获取待分割图像;
将所述待分割图像输入目标分割网络,获取分割后的目标图像;
其中,所述目标分割网络基于样本图像数据集训练得到,所述目标分割网络包括第一特征提取模块、第二特征提取模块以及特征融合模块;
并且,所述获取分割后的目标图像包括:
基于所述第一特征提取模块提取所述待分割图像的目标特征图;
基于第二特征提取模块以及深度聚合金字塔网络提取所述待分割图像的全局特征;
基于所述特征融合模块,对所述全局特征和所述目标特征图进行融合,得到所述目标图像。
2.根据权利要求1所述的基于深度学习的髋关节图像分割方法,其特征在于,所述基于所述第一特征提取模块提取所述待分割图像的目标特征图,包括:
基于所述第一特征提取模块中的卷积层和下采样层,提取所述待分割图像的第一特征;
根据所述第一特征和所述第一特征提取模块中的双重注意力机制网络,获取所述目标特征图,所述双重注意力机制网络包括位置注意力机制模块和通道注意力机制模块。
3.根据权利要求2所述的基于深度学习的髋关节图像分割方法,其特征在于,所述根据所述第一特征和所述第一特征提取模块中的双重注意力机制网络,获取所述目标特征图,包括:
将所述第一特征输入到所述双重注意力机制网络中的多个卷积层,并对每个卷积层输出的第二特征进行融合,得到所述待分割图像的第一特征图;
将所述第一特征图输入到所述位置注意力机制模块得到所述待分割图像的第二特征图;
将所述第一特征图输入到所述通道注意力机制模块,得到所述待分割图像的第三特征图;
对所述第二特征图和所述第三特征图进行融合,得到所述目标特征图。
4.根据权利要求2所述的基于深度学习的髋关节图像分割方法,其特征在于,所述基于第二特征提取模块以及深度聚合金字塔网络提取所述待分割图像的全局特征,包括:
将所述第一特征输入到所述第二特征提取模块中的所述深度聚合金字塔网络,基于所述深度聚合金字塔网络中的多个不同步长的第一卷积层提取所述待分割图像的第三特征;
将所述第三特征输入到所述深度聚合金字塔网络中的多个第二卷积层,得到所述全局特征。
5.根据权利要求1所述的基于深度学习的髋关节图像分割方法,其特征在于,所述基于所述特征融合模块,对所述全局特征和所述目标特征图进行融合,获取所述目标图像,包括:
将所述全局特征和所述目标特征图输入到所述特征融合模块中的上采样层和卷积层,对所述全局特征和所述目标特征图进行融合,得到所述目标图像。
6.根据权利要求1-5任一项所述的基于深度学习的髋关节图像分割方法,其特征在于,所述目标分割网络基于以下方式得到:
获取多张样本图像;
对每张样本图像的目标区域进行标注,并根据所述目标区域获取所述每张样本图像对应的图像掩膜;
将所述每张样本图像转换为预设格式的第一图像;
将所述每张样本图像对应的图像掩膜转换为所述预设格式的第二图像;
根据所述每张样本图像对应的第一图像和所述图像掩膜对应的第二图像,确定所述样本图像数据集;
将所述样本图像数据集输入到预设分割网络进行训练,得到所述目标分割网络。
7.一种基于深度学习的髋关节图像分割系统,其特征在于,包括:获取装置以及分割装置;
所述获取装置,用于获取待分割图像;
所述分割装置,用于将所述待分割图像输入目标分割网络,获取分割后的目标图像;
其中,所述目标分割网络基于样本图像数据集训练得到,所述目标分割网络包括第一特征提取模块、第二特征提取模块以及特征融合模块;
并且,所述获取分割后的目标图像包括:
基于所述第一特征提取模块提取所述待分割图像的目标特征图;
基于第二特征提取模块以及深度聚合金字塔网络提取所述待分割图像的全局特征;
基于所述特征融合模块,对所述全局特征和所述目标特征图进行融合,得到所述目标图像。
8.一种电子设备,包括处理器和存储有计算机程序的存储器,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6任一项所述基于深度学习的髋关节图像分割方法。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述基于深度学习的髋关节图像分割方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于深度学习的髋关节图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310147922.4A CN116188479B (zh) | 2023-02-21 | 2023-02-21 | 基于深度学习的髋关节图像分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310147922.4A CN116188479B (zh) | 2023-02-21 | 2023-02-21 | 基于深度学习的髋关节图像分割方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116188479A true CN116188479A (zh) | 2023-05-30 |
CN116188479B CN116188479B (zh) | 2024-04-02 |
Family
ID=86441987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310147922.4A Active CN116188479B (zh) | 2023-02-21 | 2023-02-21 | 基于深度学习的髋关节图像分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116188479B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116758341A (zh) * | 2023-05-31 | 2023-09-15 | 北京长木谷医疗科技股份有限公司 | 一种基于gpt的髋关节病变智能诊断方法、装置及设备 |
CN117593530A (zh) * | 2024-01-19 | 2024-02-23 | 杭州灵西机器人智能科技有限公司 | 一种密集纸箱分割方法和系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711413A (zh) * | 2018-12-30 | 2019-05-03 | 陕西师范大学 | 基于深度学习的图像语义分割方法 |
CN110197492A (zh) * | 2019-05-23 | 2019-09-03 | 山东师范大学 | 一种心脏mri左心室分割方法及系统 |
CN111161279A (zh) * | 2019-12-12 | 2020-05-15 | 中国科学院深圳先进技术研究院 | 医学图像分割方法、装置及服务器 |
CN112330662A (zh) * | 2020-11-25 | 2021-02-05 | 电子科技大学 | 一种基于多层级神经网络的医学图像分割系统及方法 |
CN112418176A (zh) * | 2020-12-09 | 2021-02-26 | 江西师范大学 | 一种基于金字塔池化多级特征融合网络的遥感图像语义分割方法 |
CN112801008A (zh) * | 2021-02-05 | 2021-05-14 | 电子科技大学中山学院 | 行人重识别方法、装置、电子设备及可读存储介质 |
CN112837330A (zh) * | 2021-03-02 | 2021-05-25 | 中国农业大学 | 基于多尺度双注意力机制和全卷积神经网络的叶分割方法 |
WO2021216904A1 (en) * | 2020-04-23 | 2021-10-28 | Pictometry International Corp. | Systems and methods for automated structure modeling from digital imagery |
CN114581467A (zh) * | 2022-03-03 | 2022-06-03 | 安徽大学 | 一种基于残差膨胀空间金字塔网络算法的图像分割方法 |
US20220319155A1 (en) * | 2020-02-21 | 2022-10-06 | Boe Technology Group Co., Ltd. | Image Processing Method, Image Processing Apparatus, and Device |
-
2023
- 2023-02-21 CN CN202310147922.4A patent/CN116188479B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711413A (zh) * | 2018-12-30 | 2019-05-03 | 陕西师范大学 | 基于深度学习的图像语义分割方法 |
CN110197492A (zh) * | 2019-05-23 | 2019-09-03 | 山东师范大学 | 一种心脏mri左心室分割方法及系统 |
CN111161279A (zh) * | 2019-12-12 | 2020-05-15 | 中国科学院深圳先进技术研究院 | 医学图像分割方法、装置及服务器 |
US20220319155A1 (en) * | 2020-02-21 | 2022-10-06 | Boe Technology Group Co., Ltd. | Image Processing Method, Image Processing Apparatus, and Device |
WO2021216904A1 (en) * | 2020-04-23 | 2021-10-28 | Pictometry International Corp. | Systems and methods for automated structure modeling from digital imagery |
CN112330662A (zh) * | 2020-11-25 | 2021-02-05 | 电子科技大学 | 一种基于多层级神经网络的医学图像分割系统及方法 |
CN112418176A (zh) * | 2020-12-09 | 2021-02-26 | 江西师范大学 | 一种基于金字塔池化多级特征融合网络的遥感图像语义分割方法 |
CN112801008A (zh) * | 2021-02-05 | 2021-05-14 | 电子科技大学中山学院 | 行人重识别方法、装置、电子设备及可读存储介质 |
CN112837330A (zh) * | 2021-03-02 | 2021-05-25 | 中国农业大学 | 基于多尺度双注意力机制和全卷积神经网络的叶分割方法 |
CN114581467A (zh) * | 2022-03-03 | 2022-06-03 | 安徽大学 | 一种基于残差膨胀空间金字塔网络算法的图像分割方法 |
Non-Patent Citations (4)
Title |
---|
LEILA KABBAI等: "Image classification by combining local and global features", 《THE VISUAL COMPUTER》, vol. 35, 1 May 2019 (2019-05-01), pages 679 * |
YU LIU等: "Fusion that matters: convolutional fusion networks for visual recognition", 《MULTIMEDIA TOOLS AND APPLICATIONS》, vol. 77, 30 November 2018 (2018-11-30), pages 29407 * |
刘瑞: "基于注意力与可偏移卷积的多层级特征融合遥感图像场景分类方法研究", 《万方数据库》, 23 December 2022 (2022-12-23), pages 7 - 52 * |
张雪峰: "基于残差连接与注意力机制的多聚焦图像融合算法研究", 《信息科技辑》, no. 01, 15 January 2023 (2023-01-15), pages 138 - 3044 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116758341A (zh) * | 2023-05-31 | 2023-09-15 | 北京长木谷医疗科技股份有限公司 | 一种基于gpt的髋关节病变智能诊断方法、装置及设备 |
CN116758341B (zh) * | 2023-05-31 | 2024-03-19 | 北京长木谷医疗科技股份有限公司 | 一种基于gpt的髋关节病变智能诊断方法、装置及设备 |
CN117593530A (zh) * | 2024-01-19 | 2024-02-23 | 杭州灵西机器人智能科技有限公司 | 一种密集纸箱分割方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116188479B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110111313B (zh) | 基于深度学习的医学图像检测方法及相关设备 | |
Yan et al. | Attention-guided deep neural network with multi-scale feature fusion for liver vessel segmentation | |
EP3961484A1 (en) | Medical image segmentation method and device, electronic device and storage medium | |
CN116188479B (zh) | 基于深度学习的髋关节图像分割方法及系统 | |
CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统 | |
CN108510482B (zh) | 一种基于阴道镜图像的宫颈癌检测装置 | |
CN111047594B (zh) | 肿瘤mri弱监督学习分析建模方法及其模型 | |
CN110490840A (zh) | 一种肾小球病理切片图像的细胞检测方法、装置及设备 | |
CN110197491B (zh) | 图像分割方法、装置、设备和存储介质 | |
US20220198230A1 (en) | Auxiliary detection method and image recognition method for rib fractures based on deep learning | |
CN110648331B (zh) | 用于医学图像分割的检测方法、医学图像分割方法及装置 | |
CN112862805B (zh) | 听神经瘤图像自动化分割方法及系统 | |
CN114092439A (zh) | 一种多器官实例分割方法及系统 | |
CN110992439B (zh) | 纤维束追踪方法、计算机设备和存储介质 | |
Shan et al. | SCA-Net: A spatial and channel attention network for medical image segmentation | |
CN111091575B (zh) | 一种基于强化学习方法的医学图像分割方法 | |
Jia et al. | Two-branch network for brain tumor segmentation using attention mechanism and super-resolution reconstruction | |
CN112561877B (zh) | 多尺度双通道卷积模型训练方法、图像处理方法及装置 | |
CN111128349A (zh) | 基于gan的医学影像病灶检测标记数据增强方法及装置 | |
CN116664590B (zh) | 基于动态对比增强磁共振图像的自动分割方法及装置 | |
Mahapatra | Registration of histopathogy images using structural information from fine grained feature maps | |
CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
CN116883341A (zh) | 一种基于深度学习的肝脏肿瘤ct图像自动分割方法 | |
CN116779093A (zh) | 一种医学影像结构化报告的生成方法、装置和计算机设备 | |
CN113379770B (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 |
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 | ||
CB02 | Change of applicant information |
Address after: Room 1904, unit 2, building 9, yard 2, Simiao Road, Daxing District, Beijing 100176 Applicant after: Beijing Changmugu Medical Technology Co.,Ltd. Applicant after: Zhang Yiling Address before: 100176 2201, 22 / F, building 1, yard 2, Ronghua South Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Applicant before: BEIJING CHANGMUGU MEDICAL TECHNOLOGY Co.,Ltd. Applicant before: Zhang Yiling |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |