CN116258685A - 全局和局部特征同时提取与融合的多器官分割方法及装置 - Google Patents

全局和局部特征同时提取与融合的多器官分割方法及装置 Download PDF

Info

Publication number
CN116258685A
CN116258685A CN202310059116.1A CN202310059116A CN116258685A CN 116258685 A CN116258685 A CN 116258685A CN 202310059116 A CN202310059116 A CN 202310059116A CN 116258685 A CN116258685 A CN 116258685A
Authority
CN
China
Prior art keywords
feature
encoder
function
features
transducer
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
Application number
CN202310059116.1A
Other languages
English (en)
Inventor
林毓聪
李宗雨
艾丹妮
杨健
梁萍
范敬凡
肖德强
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202310059116.1A priority Critical patent/CN116258685A/zh
Publication of CN116258685A publication Critical patent/CN116258685A/zh
Pending legal-status Critical Current

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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

全局和局部特征同时提取与融合的多器官分割方法及装置，能够提高特征提取能力，缓解不同编码器特征间的差异性，保证解码器输入特征的一致性，实现更加精确的多器官分割。包括：(1)对CT图像预处理；(2)设计卷积神经网络CNN和Transformer并行编码器结构，同时使用CNN和Transformer编码器分别提取图像局部特征和全局特征；并行编码器包括CNN和Transformer编码器各一个，CNN编码器采用连续三维卷积块，Transformer编码器为连续三维Swin Transformer块，编码器各个阶段间均通过跨度为2的卷积实现降采样；(3)进行特征交换、特征一致性损失评估、特征融合。

Description

全局和局部特征同时提取与融合的多器官分割方法及装置
技术领域
本发明涉及医学图像处理和深度学习的技术领域，尤其涉及一种全局和局部特征同时提取与融合的多器官分割方法，以及全局和局部特征同时提取与融合的多器官分割装置。
背景技术
腹腔多器官的分割可应用于多个重要临床领域，包括疾病的精准识别、详细分析、合理诊断、预测与预防等，精确的器官分割也是手术导航系统的基础。传统的手动分割方法由于过度依靠医生经验，极其耗费时间等缺陷远远无法满足临床快速、精确的需求。近年来，得益于深度学习技术的飞速进步，基于卷积神经网络(CNN)的医学图像分割方法也得到了十足的发展。基于卷积神经网络的腹腔多器官分割方法取得了不错的效果，但是由于卷积神经网络本身存在的局部性问题，导致其全局和大范围的图像特征提取能力受到一定限制。
发明内容
为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种全局和局部特征同时提取与融合的多器官分割方法，其能够提高特征提取能力，缓解不同编码器特征间的差异性，保证解码器输入特征的一致性，实现更加精确的多器官分割。
本发明的技术方案是：这种全局和局部特征同时提取与融合的多器官分割方法，其包括以下步骤：
(1)对CT(Computed Tomography，电子计算机断层扫描)，电子计算机断层扫描图像进行预处理；
(2)设计卷积神经网络CNN(Convolutional Neural Networks)和
Transformer(Transformer是一种神经网络，它通过跟踪序列数据中的关系来学习上下文并因此学习含义)并行编码器结构，同时使用CNN和Transformer编码器分别提取图像局部特征和全局特征；并
行编码器包括CNN和Transformer编码器各一个，CNN编码器采用连续三维卷积块，Transformer编码器为连续三维Swin
Transformer块，编码器各个阶段间均通过跨度为2的卷积实现降采样；
(3)进行特征交换、特征一致性损失评估、特征融合，融合两种编码器特征，消除CNN和Transformer特征的差异性，提升特征融合效果，保证解码器输入特征的一致性和有效性。
本发明提出了一种更加有效的CNN和Transformer混合的腹腔多器官分割网络；同时使用Transformer编码器和CNN编码器混合构成并行编码器，充分发挥CNN的局部特征提能力和Transformer编码器的全局特征提取能力；基于并行编码器，在编码器各个尺度处插入了特征交换模块增强编码器特征流动，缓解不同编码器特征间的差异性；此外，提出了特征融合模块和特征一致性损失函数对两种编码器输出特征进行耦合，保证解码器输入特征的一致性。因此，能够提高特征提取能力，缓解不同编码器特征间的差异性，保证解码器输入特征的一致性，实现更加精确的多器官分割。
还提供了全局和局部特征同时提取与融合的多器官分割装置，其包括：
预处理模块，其配置来对CT图像进行预处理；
并行编码器，其设计CNN和Transformer并行编码器结构，同时使用CNN和Transformer编码器分别提取图像局部特征和全局特征；
并行编码器包括CNN和Transformer编码器各一个，CNN编码器采用连续三维卷积块，Transformer编码器为连续三维Swin
Transformer块，编码器各个阶段间均通过跨度为2的卷积实现降采样；
特征操作模块，其配置来进行特征交换、特征一致性损失评估、特征融合，融合两种编码器特征，消除CNN和Transformer特征的差异性，提升特征融合效果，保证解码器输入特征的一致性和有效性。
附图说明
图1为根据本发明的全局和局部特征同时提取与融合的多器官分割方法的流程示意图。
图2为本发明提供的并行编码器的结构图。
图3为本发明提供的特征交换的结构图。
图4为本发明实施例特征融合的结构图。
具体实施方式
如图1所示，这种全局和局部特征同时提取与融合的多器官分割方法，其包括以下步骤：
(1)对CT图像进行预处理；
(2)如图2所示，设计卷积神经网络CNN和Transformer并行编码器结构，同时使用CNN和Transformer编码器分别提取图像局部特征和全局特征；并行编码器包括CNN和Transformer编码器各一个，CNN编码器采用连续三维卷积块，Transformer编码器为连续三维Swin Transformer块，编码器各个阶段间均通过跨度为2的卷积实现降采样；
(3)进行特征交换、特征一致性损失评估、特征融合，融合两种编码器特征，消除CNN和Transformer特征的差异性，提升特征融合效果，保证解码器输入特征的一致性和有效性。
本发明提出了一种更加有效的CNN和Transformer混合的腹腔多器官分割网络；同时使用Transformer编码器和CNN编码器混合构成并行编码器，充分发挥CNN的局部特征提能力和Transformer编码器的全局特征提取能力；基于并行编码器，在编码器各个尺度处插入了特征交换模块增强编码器特征流动，缓解不同编码器特征间的差异性；此外，提出了特征融合模块和特征一致性损失函数对两种编码器输出特征进行耦合，保证解码器输入特征的一致性。因此，能够提高特征提取能力，缓解不同编码器特征间的差异性，保证解码器输入特征的一致性，实现更加精确的多器官分割。
优选地，所述步骤(1)包括图像重采样、像素值裁剪、像素值归一化。
如图3所示，优选地，所述步骤(3)的特征交换的输入为某一尺度i下的CNN特征Ci和Transformer特征Ti，输出为CTi和TCi，i＝1，2，3，通过如下公式表示：
CTi＝Fatt(Fhw(Ci))
TCi＝Fatt(Fhw(Ti))
函数Fhw(·)表示不同特征图加权得到混合加权特征图Cw和Tw的过程：
Fhw(Ci)＝Ci*Wc+Ti*Wtc
Fhw(Ti)＝Ti*Wt+Ci*Wct
其中*为逐像素相乘操作，Wc、Wtc、Wt、Wct为各个特征图的权重；
函数Fatt(·)表示特征耦合过程，经加权得到的混合加权特征图除有用信息外仍包含其余无关信息，经过卷积操作重新映射和sigmod函数激活，起到抑制无关信息，突出关键信息的作用，具体过程如下：
Fatt(CTi)＝Sigmod(Conv(Cw))*Cw
Fatt(TCi)＝Sigmod(Conv(Tw))*Tw
其中Conv为跨度为1*1*1，卷积核大小为3*3*3的卷积操作，
Sigmod为sigmod函数。
如图4所示，优选地，所述步骤(3)的特征融合对两种特征进行充分耦合，表示为：
D＝Fh(Fh(C3+T3))
其中函数Fh(·)表示为：
Fh(x)＝relu(conv(x))*sigmod(conv(x))
其中relu表示Relu函数；
Transformer和CNN编码器特征图输入后，直接进行相加得到混合特征图。
优选地，所述步骤(3)的特征融合，为突出混合特征图中的关键信息，Fh(x)函数首先通过两个独立的卷积操作对混合特征图进行不同映射，映射得到的特征图分别经过relu和sigmod函数，其中经过relu函数的特征图实现对混合特征图进行初步融合，经过sigmod函数激活后的特征图为混合特征图的权重分布，权值大小表示该位置特征的重要程度；将权重和新映射的特征图相乘得到调整后的特征图，实现不同特征图的充分耦合，保证融合后特征的有效性。
优选地，所述步骤(3)的特征融合，为了进一步保证Transformer和CNN编码器特征的充分耦合，Fh(x)函数在特征融合模块使用两次。
优选地，所述步骤(3)中，特征一致性损失函数Lcon采用均方差函数，作用于并行编码器结束处以保证解码器输入特征的有效性和一致性，公式如下：
Figure BDA0004060961060000061
其中C表示金标准中像素类别数，N表示金标准中的像素个数，
Figure BDA0004060961060000062
表示预测结果中属于类别c的像素i,/>
Figure BDA0004060961060000063
表示金标准中像素i是否属于类别c，αi表示损失函数权重。
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步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，而所述的存储介质可以是：ROM/RAM、磁碟、光盘、存储卡等。因此，与本发明的方法相对应的，本发明还同时包括一种全局和局部特征同时提取与融合的多器官分割装置，该装置通常以与方法各步骤相对应的功能模块的形式表示。该装置包括：
预处理模块，其配置来对CT图像进行预处理；
并行编码器，其设计CNN和Transformer并行编码器结构，同时使用CNN和Transformer编码器分别提取图像局部特征和全局特征；并行编码器包括CNN和Transformer编码器各一个，CNN编码器采用连续三维卷积块，Transformer编码器为连续三维Swin
Transformer块，编码器各个阶段间均通过跨度为2的卷积实现降采样；
特征操作模块，其配置来进行特征交换、特征一致性损失评估、特征融合，融合两种编码器特征，消除CNN和Transformer特征的差异性，提升特征融合效果，保证解码器输入特征的一致性和有效性。
优选地，所述特征操作模块中，特征交换的输入为某一尺度i下的CNN特征Ci和Transformer特征Ti，输出为CTi和TCi，i＝1，2，3，通过如下公式表示：
CTi＝Fatt(Fhw(Ci))
TCi＝Fatt(Fhw(Ti))
函数Fhw(·)表示不同特征图加权得到混合加权特征图Cw和Tw的过程：
Fhw(Ci)＝Ci*Wc+Ti*Wtc
Fhw(Ti)＝Ti*Wt+Ci*Wct
其中*为逐像素相乘操作，Wc、Wtc、Wt、Wct为各个特征图的权重；函数Fatt(·)表示特征耦合过程，经加权得到的混合加权特征图除有用信息外仍包含其余无关信息，经过卷积操作重新映射和sigmod函数激活，起到抑制无关信息，突出关键信息的作用，具体过程如下：
Fatt(CTi)＝Sigmod(Conv(Cw))*Cw
Fatt(TCi)＝Sigmod(Conv(Tw))*Tw
其中Conv为跨度为1*1*1，卷积核大小为3*3*3的卷积操作，
Sigmod为sigmod函数；
特征融合对两种特征进行充分耦合，表示为：
D＝Fh(Fh(C3+上3))
其中函数Fh(·)表示为：
Fh(x)＝relu(conv(x))*sigmod(conv(x))
其中relu表示Relu函数；
Transformer和CNN编码器特征图输入后，直接进行相加得到混合特征图；
为突出混合特征图中的关键信息，Fh(x)函数首先通过两个独立的卷积操作对混合特征图进行不同映射，映射得到的特征图分别经过relu和sigmod函数，其中经过relu函数的特征图实现对混合特征图进行初步融合，经过sigmod函数激活后的特征图为混合特征图的权重分布，权值大小表示该位置特征的重要程度；将权重和新映射的特征图相乘得到调整后的特征图，实现不同特征图的充分耦合，保证融合后特征的有效性；
特征融合，为了进一步保证Transformer和CNN编码器特征的充分耦合，Fh(x)函数在特征融合模块使用两次。
优选地，所述特征操作模块中，特征一致性损失函数Lcon采用均方差函数，作用于并行编码器结束处以保证解码器输入特征的有效性和一致性，公式如下：
Figure BDA0004060961060000081
其中C表示金标准中像素类别数，N表示金标准中的像素个数，
Figure BDA0004060961060000082
表示预测结果中属于类别c的像素i,/>
Figure BDA0004060961060000083
表示金标准中像素i是否属于类别c，αi表示损失函数权重。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。

Claims (10)

1.全局和局部特征同时提取与融合的多器官分割方法，其特征在于：其包括以下步骤：
(1)对CT图像进行预处理；
(2)设计卷积神经网络CNN和Transformer并行编码器结构，同时使用CNN和Transformer编码器分别提取图像局部特征和全局特征；并行编码器包括CNN和Transformer编码器各一个，CNN编码器采用连续三维卷积块，Transformer编码器为连续三维Swin Transformer块，编码器各个阶段间均通过跨度为2的卷积实现降采样；
(3)进行特征交换、特征一致性损失评估、特征融合，融合两种编码器特征，消除CNN和Transformer特征的差异性，提升特征融合效果，保证解码器输入特征的一致性和有效性。
2.根据权利要求1所述的全局和局部特征同时提取与融合的多器官分割方法，其特征在于：所述步骤(1)包括图像重采样、像素值裁剪、像素值归一化。
3.根据权利要求2所述的全局和局部特征同时提取与融合的多器官分割方法，其特征在于：所述步骤(3)的特征交换的输入为某一尺度i下的CNN特征Ci和Transformer特征Ti，输出为CTi和TCi，i＝1，2，3，通过如下公式表示：
CTi＝Fatt(Fhw(Ci))
Tci＝Fatt(Fhw(Ti))
函数Fhw(·)表示不同特征图加权得到混合加权特征图Cw和Tw的过程：
Fhw(Ci)＝Ci*Wc+Ti*Wtc
Fhw(Ti)＝Ti*Wt+Ci*Wct
其中*为逐像素相乘操作，Wc、Wtc、Wt、Wct为各个特征图的权重；函数Fatt(·)表示特征耦合过程，经加权得到的混合加权特征图除有用信息外仍包含其余无关信息，经过卷积操作重新映射和sigmod函数激活，起到抑制无关信息，突出关键信息的作用，具体过程如下：
Fatt(CTi)＝Sigmod(Conv(Cw))*Cw
Fatt(TCi)＝Sigmod(Conv(Tw))*Tw
其中Conv为跨度为1*1*1，卷积核大小为3*3*3的卷积操作，
Sigmod为sigmod函数。
4.根据权利要求3所述的全局和局部特征同时提取与融合的多器官分割方法，其特征在于：所述步骤(3)的特征融合对两种特征进行充分耦合，表示为：
D＝Fh(Fh(C3+T3))
其中函数Fh(·)表示为：
Fh(x)＝relu(conv(x))*sigmod(conv(x))
其中relu表示Relu函数；
Transformer和CNN编码器特征图输入后，直接进行相加得到混合特征图。
5.根据权利要求4所述的全局和局部特征同时提取与融合的多器官分割方法，其特征在于：所述步骤(3)的特征融合，为突出混合特征图中的关键信息，Fh(x)函数首先通过两个独立的卷积操作对混合特征图进行不同映射，映射得到的特征图分别经过relu和sigmod函数，其中经过relu函数的特征图实现对混合特征图进行初步融合，经过sigmod函数激活后的特征图为混合特征图的权重分布，权值大小表示该位置特征的重要程度；将权重和新映射的特征图相乘得到调整后的特征图，实现不同特征图的充分耦合，保证融合后特征的有效性。
6.根据权利要求5所述的全局和局部特征同时提取与融合的多器官分割方法，其特征在于：所述步骤(3)的特征融合，为了进一步保证Transformer和CNN编码器特征的充分耦合，Fh(x)函数在特征融合模块使用两次。
7.根据权利要求6所述的全局和局部特征同时提取与融合的多器官分割方法，其特征在于：所述步骤(3)中，特征一致性损失函数Lcon采用均方差函数，作用于并行编码器结束处以保证解码器输入特征的有效性和一致性，公式如下：
Figure FDA0004060961050000031
其中C表示金标准中像素类别数，N表示金标准中的像素个数，
Figure FDA0004060961050000032
表示预测结果中属于类别c的像素i,/>
Figure FDA0004060961050000033
表示金标准中像素i是否属于类别c，αi表示损失函数权重。
8.根据权利要求1所述的全局和局部特征同时提取与融合的多器官分割方法的装置，其特征在于：其包括：
预处理模块，其配置来对CT图像进行预处理；
并行编码器，其设计CNN和Transformer并行编码器结构，同时使用CNN和Transformer编码器分别提取图像局部特征和全局特征；并行编码器包括CNN和Transformer编码器各一个，CNN编码器采用连续三维卷积块，Transformer编码器为连续三维Swin Transformer块，编码器各个阶段间均通过跨度为2的卷积实现降采样；
特征操作模块，其配置来进行特征交换、特征一致性损失评估、特征融合，融合两种编码器特征，消除CNN和Transformer特征的差异性，提升特征融合效果，保证解码器输入特征的一致性和有效性。
9.根据权利要求8所述的全局和局部特征同时提取与融合的多器官分割方法的装置，其特征在于：所述特征操作模块中，特征交换的输入为某一尺度i下的CNN特征Ci和Transformer特征Ti，输出为CTi和TCi，i＝1，2，3，通过如下公式表示：
CTi＝Fatt(Fhw(Ci))
TCi＝Fatt(Fhw(Ti))
函数Fhw(·)表示不同特征图加权得到混合加权特征图Cw和Tw的过程：
Fhw(Ci)＝Ci*Wc+Ti*Wtc
Fhw(Ti)＝Ti*Wt+Ci*Wct
其中*为逐像素相乘操作，Wc、Wct、Wt、Wct为各个特征图的权重；函数Fatt(·)表示特征耦合过程，经加权得到的混合加权特征图除有用信息外仍包含其余无关信息，经过卷积操作重新映射和sigmod函数激活，起到抑制无关信息，突出关键信息的作用，具体过程如下：
Fatt(CTi)＝Sigmod(Conv(Cw))*Cw
Fatt(TCi)＝Sigmod(Conv(Tw))*Tw
其中Conv为跨度为1*1*1，卷积核大小为3*3*3的卷积操作，
Sigmod为sigmod函数；
特征融合对两种特征进行充分耦合，表示为：
D＝Fh(Fh(C3+T3))
其中函数Fh(·)表示为：
Fh(x)＝relu(conv(x))*sigmod(conv(x))
其中relu表示Relu函数；
Transformer和CNN编码器特征图输入后，直接进行相加得到混合特征图；
为突出混合特征图中的关键信息，Fh(x)函数首先通过两个独立的卷积操作对混合特征图进行不同映射，映射得到的特征图分别经过relu和sigmod函数，其中经过relu函数的特征图实现对混合特征图进行初步融合，经过sigmod函数激活后的特征图为混合特征图的权重分布，权值大小表示该位置特征的重要程度；将权重和新映射的特征图相乘得到调整后的特征图，实现不同特征图的充分耦合，保证融合后特征的有效性；
特征融合，为了进一步保证Transformer和CNN编码器特征的充分耦合，Fh(x)函数在特征融合模块使用两次。
10.根据权利要求9所述的全局和局部特征同时提取与融合的多器官分割方法的装置，其特征在于：所述特征操作模块中，特征一致性损失函数Lcon采用均方差函数，作用于并行编码器结束处以保证解码器输入特征的有效性和一致性，公式如下：
Figure FDA0004060961050000051
其中C表示金标准中像素类别数，N表示金标准中的像素个数，
Figure FDA0004060961050000052
表示预测结果中属于类别c的像素i,/>
Figure FDA0004060961050000053
表示金标准中像素i是否属于类别c，αi表示损失函数权重。/>
CN202310059116.1A 2023-01-18 2023-01-18 全局和局部特征同时提取与融合的多器官分割方法及装置 Pending CN116258685A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310059116.1A CN116258685A (zh) 2023-01-18 2023-01-18 全局和局部特征同时提取与融合的多器官分割方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310059116.1A CN116258685A (zh) 2023-01-18 2023-01-18 全局和局部特征同时提取与融合的多器官分割方法及装置

Publications (1)

Publication Number Publication Date
CN116258685A true CN116258685A (zh) 2023-06-13

Family

ID=86687296

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310059116.1A Pending CN116258685A (zh) 2023-01-18 2023-01-18 全局和局部特征同时提取与融合的多器官分割方法及装置

Country Status (1)

Country Link
CN (1) CN116258685A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117558414A (zh) * 2023-11-23 2024-02-13 之江实验室 多任务肝细胞癌早期复发预测系统、电子设备、介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117558414A (zh) * 2023-11-23 2024-02-13 之江实验室 多任务肝细胞癌早期复发预测系统、电子设备、介质
CN117558414B (zh) * 2023-11-23 2024-05-24 之江实验室 多任务肝细胞癌早期复发预测系统、电子设备、介质

Similar Documents

Publication Publication Date Title
CN109389584A (zh) 基于cnn的多尺度鼻咽肿瘤分割方法
CN111325750B (zh) 一种基于多尺度融合u型链神经网络的医学图像分割方法
CN109614991A (zh) 一种基于Attention的多尺度扩张性心肌的分割分类方法
CN111291825A (zh) 病灶分类模型训练方法、装置、计算机设备和存储介质
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
CN111430025B (zh) 一种基于医疗影像数据扩增的疾病诊断模型训练方法
CN113223005B (zh) 一种甲状腺结节自动分割及分级的智能系统
CN113298831A (zh) 图像分割方法、装置、电子设备及存储介质
CN112381846A (zh) 一种基于非对称网络的超声甲状腺结节分割方法
CN116258685A (zh) 全局和局部特征同时提取与融合的多器官分割方法及装置
CN115512110A (zh) 一种涉及跨模态注意力机制的医学图像肿瘤分割方法
CN114663445A (zh) 一种基于多尺度边缘感知的三维心脏图像分割方法
WO2024104035A1 (zh) 基于长短期记忆自注意力模型的三维医学图像分割方法及系统
Chen et al. Direction-guided and multi-scale feature screening for fetal head–pubic symphysis segmentation and angle of progression calculation
CN115984296B (zh) 一种应用多注意力机制的医学图像分割方法及系统
CN116433586A (zh) 一种乳腺超声断层图像分割模型建立方法及分割方法
CN113989269B (zh) 一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕自动检测方法
CN116309615A (zh) 一种多模态mri脑肿瘤图像分割方法
CN115984179A (zh) 鼻骨骨折的识别方法、装置、终端及存储介质
CN115205215A (zh) 一种基于Transformer的角膜神经图像分割方法及系统
CN115409859A (zh) 冠状动脉血管图像分割方法及装置、存储介质和终端
CN114937044A (zh) 一种轻量化图像分割方法、装置及存储介质
CN114820524A (zh) 一种mri图像中阿尔茨海默症的3d特征识别方法
CN114581459A (zh) 一种基于改进性3D U-Net模型的学前儿童肺部影像感兴趣区域分割方法
CN111080588A (zh) 基于多尺度神经网络的快速胎儿mr图像大脑提取方法

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