CN116363149A - 一种基于U-Net改进的医学图像分割方法 - Google Patents
一种基于U-Net改进的医学图像分割方法 Download PDFInfo
- Publication number
- CN116363149A CN116363149A CN202310199511.XA CN202310199511A CN116363149A CN 116363149 A CN116363149 A CN 116363149A CN 202310199511 A CN202310199511 A CN 202310199511A CN 116363149 A CN116363149 A CN 116363149A
- Authority
- CN
- China
- Prior art keywords
- medical image
- image segmentation
- convolution
- unet
- layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003709 image segmentation Methods 0.000 title claims abstract description 46
- 230000011218 segmentation Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 238000004880 explosion Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 230000001575 pathological effect Effects 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research 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
- G06T7/11—Region-based segmentation
-
- 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
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于U‑Net改进的医学图像分割方法，包括如下步骤：步骤A1:建立医学图像分割数据集；步骤A2:扩充数据集并进行预处理；步骤A3:搭建基于U‑Net改进的医学图像分割模型OA‑UNet；步骤A4:训练基于U‑Net改进的医学图像分割模型OA‑UNet；步骤A5:使用训练好的OA‑UNet模型对新输入的医学图像进行分割。应用本技术方案可实现有效地提取医学图像中的病理特征，实现对病理区域的自动分割，分割精度高。
Description
技术领域
本发明涉及图像分割技术领域，特别是一种基于U-Net改进的医学图像分割方法。
背景技术
目前国内外的众多学者提出了许多优秀的医学图像自动分割算法，根据是否需要标签分为两大类：无监督算法和有监督算法。无监督算法主要有：基于形态学处理的方法、基于匹配滤波的方法、基于形变模型的方法等。无监督算法在分割过程中不需要利用专家手工标注的金标准图，主要是根据病灶的原始信息来设计算法，此类算法易受数据的个体特征影响而无法广泛应用且分割精度较难提高。有监督算法在分割过程中需要依靠专家手工标注的金标准图来训练模型并进行迭代学习得到最好的模型结果，此类算法在医学图像分割上通常能够得到比无监督算法更好的效果。近年来，随着基于有监督的深度学习技术的快速发展及其在计算机视觉任务中的良好表现，越来越多的学者将深度学习技术应用于医学图像分割领域。
2014年Long等人提出全卷积方法，开创性地将网络中的全连接层改成卷积层，从而使整个网络结构中只有卷积层，并将其运用到分割任务中。Ronneberger等人提出了具有对称性结构的U型网络，其中包括了编码-解码过程，使用了跳跃连接方式在上采样阶段将浅层特征进行融合。U-Net特别的网络结构使得其在医学图像分割领域上表现出良好的性能，现有的很多模型也是在传统U-Net的基础上进行改进的。Res-UNet和Dense-UNet分别受到残差连接和密集连接的启发，将U-Net的子模块分别替换为具有残差连接和密集连接的形式。R2U-Net将残差连接与循环卷积的方法相结合，替换U-net的子模块来进行改进。Swin- UNet首个基于纯Transformer的U-Net形医学图像分割网络，也取得了不错的效果。
总体而言，在卷积神经网络的基础上设计和使用新的网络框架来实现医学图像病灶区域的分割，相比传统方法来说，分割效果有明显的提升。但建模中仍然存在许多挑战，大多数现有的医学图像分割模型存在特征信息提取不充分，分割结果中保留的边缘信息较少，容易在连续的卷积中学习冗余特征，且在训练过程中会出现梯度消散的问题，最后导致模型分割性能较差。
发明内容
有鉴于此，本发明的目的在于提供一种基于U-Net改进的医学图像分割方法，实现有效地提取医学图像中的病理特征，实现对病理区域的自动分割，分割精度高。
为实现上述目的，本发明采用如下技术方案：一种基于U-Net改进的医学图像分割方法，包括如下步骤：
步骤A1:建立医学图像分割数据集；
步骤A2:扩充数据集并进行预处理；
步骤A3:搭建基于U-Net改进的医学图像分割模型OA-UNet；
步骤A4:训练基于U-Net改进的医学图像分割模型OA-UNet；
步骤A5:使用训练好的OA-UNet模型对新输入的医学图像进行分割。
在一较佳的实施例中，所述步骤A1的医学图像分割数据集通过网络上的各种公开医学图像数据集建立。
在一较佳的实施例中，所述步骤A2的数据扩充和预处理技术具体为：
步骤A21:随机挑选图片，并对其进行不同角度的旋转、镜向以及调整颜色对比度和光的亮度；
步骤A22:对扩充后的数据集进行图像裁剪，将所有图像统一裁剪为224×224的大小，进行归一化操作，从该数据集中选取80％的数据集作为分割任务的训练集，10％的数据集作为分割任务的验证集，10％的数据集作为分割任务的测试集。
在一较佳的实施例中，所述步骤A3搭建基于U-Net改进的医学图像分割模型OA-UNet的实现过程为：
步骤A31:所述网络包括1组初始输入模块、4组编码器模块、4组解码器模块和1组多层预测输出模块；
步骤A32:初始输入模块包括输入层和2层卷积层，其中所述输入层为整个网络模型输入图像数据；
步骤A33:每个编码器模块均包括最大池化层、2组八度卷积层和1组CBAM注意力机制模块；
步骤A34:每个解码器模块均包括上采样卷积层、2组八度卷积层和1组CBAM注意力机制模块；
步骤A35:输出模块由不同层级解码器输出的特征向量进行拼接融合而成的多层预测模块和一层卷积输出层组成；
步骤A36:所述八度卷积层将卷积特征映射分解成高、低频率的两个组，对于高频特征图，它的频率内信息更新过程就是普通卷积过程，而频率间的信息交流过程，则是对
进行卷积然后再使用上采样操作；对于低频特征图，它的频率内信息更新过程就是普通卷积过程，而频率间的信息交流过程则通过对/>
进行平均池化操作然后再进行卷积实现；
步骤A37:所述CBAM注意力机制顺序地沿着通道和空间两个独立的维度进行推导，将通过通道注意力的特征图与原始的输入特征图进行乘法运算，得到输出特征图
，将/>
通过空间注意力得到的特征图与原特征图/>
进行乘法运算，得到输出特征图/>
。
在一较佳的实施例中，所述步骤A4的具体方法为：将处理好的医学图像数据集输入到待训练的OA-UNet模型中，使用训练参数对OA-UNet网络进行迭代训练，损失函数为稀疏交叉熵函数，优化算法为自适应学习率调整算法Adadelta。并设置早停法来防止模型发生梯度爆炸或梯度消失，获得更好的训练效果。
在一较佳的实施例中，所述步骤A5的具体内容为：将待分割的医学图像缩放为224×224的尺寸，经过归一化操作后输入到训练好的OA-UNet模型中，输出分割结果。
与现有技术相比，本发明具有以下有益效果：本发明提出一种基于U-Net改进的医学图像分割方法，包括：1.使用八度卷积代替传统的卷积层，以便在特征提取阶段提取不同尺度的特征信息并进行融合，增大感受野提取更多原始信息，解决了医学图像分割过程中对特征提取困难、不充分的问题；2.在分割网络中通过引入通道注意力来增强通道间的关联性，解决网络中不同通道对特征选择有不同依赖性的问题，通过引入空间注意力来捕获不同尺度的空间位置信息，突出病灶区域特征抑制背景噪声，增加细节特征的提取效果；3.将不同层级解码器输出的特征向量进行拼接融合，创建多尺度特征预测融合模块，使最后的预测输出包含更加丰富的几何与语义信息，得到更精准的分割效果。
附图说明
图1是本发明优选实施例提供的流程图；
图2是本发明优选实施例提供的基于U-Net改进的医学图像分割模型OA-UNet的结构图；
图3是本发明优选实施例提供的八度卷积模块结构图；
图4是本发明优选实施例提供的CBAM注意力模块结构图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请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申请的示例性实施方式；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。
本发明提供以下技术方案：利用八度卷积和注意力模块对U-Net网络进行改进，使用八度卷积代替传统的卷积层，高频卷积提取细节信息，低频卷积获取更大的感受野、降低计算量，同时两卷积分支信息交互，将两个尺度下的特征进行叠加融合；又在U-Net网络中嵌入CBAM注意力模块，使其能够对医学图像中病灶区域的细微结构进行通道和空间增强，增加细节特征的提取效果；为了使最后的预测输出包含更加丰富的几何与语义信息，设计了一种多级跳跃连接方法，将不同层级解码器输出的特征向量进行拼接融合，再做最后的预测，使得最后结果包含更加丰富的上下文信息。
本发明提供一种基于U-Net改进的医学图像分割方法，包括如下步骤，如图1所示：
步骤A1:建立医学图像分割数据集；
步骤A2:扩充数据集并进行预处理；
步骤A3:搭建基于U-Net改进的医学图像分割模型OA-UNet；
步骤A4:训练基于U-Net改进的医学图像分割模型OA-UNet；
步骤A5:使用训练好的OA-UNet模型对新输入的医学图像进行分割。
进一步的，所述步骤A1的医学图像分割数据集通过网络上的各种公开医学图像数据集建立。
进一步的，所述步骤A2的数据扩充和预处理技术具体为：
步骤A21:随机挑选图片，并对其进行不同角度的旋转、镜向以及调整颜色对比度和光的亮度；
步骤A22:对扩充后的数据集进行图像裁剪，将所有图像统一裁剪为(224,224)的大小，进行归一化操作。从该数据集中选取80％的数据集作为分割任务的训练集，10％的数据集作为分割任务的验证集，10％的数据集作为分割任务的测试集。
进一步的，所述步骤A3搭建基于U-Net改进的医学图像分割模型OA-UNet的实现过程为：
步骤A31:如图2所示，所述网络包括1组初始输入模块、4组编码器模块、4组解码器模块和1组多层预测输出模块；
步骤A32:如图2所示，初始输入模块包括输入层和2层卷积层，其中所述输入层为整个网络模型输入图像数据；
步骤A33:如图2所示，每个编码器模块均包括最大池化层、2组八度卷积层和1组CBAM注意力机制模块；
步骤A34:如图2所示，每个解码器模块均包括上采样卷积层、2组八度卷积层和1组CBAM注意力机制模块；
步骤A35:如图2所示，输出模块由不同层级解码器输出的特征向量进行拼接融合而成的多层预测模块和一层卷积输出层组成。
步骤A36:如图3所示，所述八度卷积层将卷积特征映射分解成高、低频率的两个组，对于高频特征图，它的频率内信息更新过程就是普通卷积过程，而频率间的信息交流过程，则是对
进行卷积然后再使用上采样操作；对于低频特征图，它的频率内信息更新过程就是普通卷积过程，而频率间的信息交流过程则通过对/>
进行平均池化操作然后再进行卷积实现；
步骤A37:如图4所示，所述CBAM注意力机制顺序地沿着通道和空间两个独立的维度进行推导，将通过通道注意力的特征图与原始的输入特征图进行乘法运算，得到输出特征图
，将/>
通过空间注意力得到的特征图与原特征图/>
进行乘法运算，得到输出特征图
。
进一步的，所述步骤A4的具体方法为：
将处理好的医学图像数据集输入到待训练的OA-UNet模型中，使用训练参数对OA-UNet网络进行迭代训练，损失函数为稀疏交叉熵函数，优化算法为自适应学习率调整算法Adadelta。并设置早停法来防止模型发生梯度爆炸或梯度消失，获得更好的训练效果。
进一步的，所述步骤A5的具体内容为：
将待分割的医学图像缩放为(224,224)的尺寸，经过归一化操作后输入到训练好的OA-UNet模型中，输出分割结果。
本发明提出一种基于U-Net改进的医学图像分割方法，包括：1.使用八度卷积代替传统的卷积层，以便在特征提取阶段提取不同尺度的特征信息并进行融合，增大感受野提取更多原始信息，解决了医学图像分割过程中对特征提取困难、不充分的问题；2.在分割网络中通过引入通道注意力来增强通道间的关联性，解决网络中不同通道对特征选择有不同依赖性的问题，通过引入空间注意力来捕获不同尺度的空间位置信息，突出病灶区域特征抑制背景噪声，增加细节特征的提取效果；3.将不同层级解码器输出的特征向量进行拼接融合，创建多尺度特征预测融合模块，使最后的预测输出包含更加丰富的几何与语义信息，得到更精准的分割效果。
综上所述，本发明提出的基于U-Net改进的医学图像分割方法适用于医学图像分割领域，具有较好的研究意义与工程价值。
Claims (6)
1.一种基于U-Net改进的医学图像分割方法，其特征在于，包括如下步骤：
步骤A1:建立医学图像分割数据集；
步骤A2:扩充数据集并进行预处理；
步骤A3:搭建基于U-Net改进的医学图像分割模型OA-UNet；
步骤A4:训练基于U-Net改进的医学图像分割模型OA-UNet；
步骤A5:使用训练好的OA-UNet模型对新输入的医学图像进行分割。
2.根据权利要求1一种基于U-Net改进的医学图像分割方法，其特征在于，所述步骤A1的医学图像分割数据集通过网络上的各种公开医学图像数据集建立。
3.根据权利要求1一种基于U-Net改进的医学图像分割方法，其特征在于，所述步骤A2的数据扩充和预处理技术具体为：
步骤A21:随机挑选图片，并对其进行不同角度的旋转、镜向以及调整颜色对比度和光的亮度；
步骤A22:对扩充后的数据集进行图像裁剪，将所有图像统一裁剪为224×224的大小，进行归一化操作，从该数据集中选取80％的数据集作为分割任务的训练集，10％的数据集作为分割任务的验证集，10％的数据集作为分割任务的测试集。
4.根据权利要求1一种基于U-Net改进的医学图像分割方法，其特征在于，所述步骤A3搭建基于U-Net改进的医学图像分割模型OA-UNet的实现过程为：
步骤A31:所述网络包括1组初始输入模块、4组编码器模块、4组解码器模块和1组多层预测输出模块；
步骤A32:初始输入模块包括输入层和2层卷积层，其中所述输入层为整个网络模型输入图像数据；
步骤A33:每个编码器模块均包括最大池化层、2组八度卷积层和1组CBAM注意力机制模块；
步骤A34:每个解码器模块均包括上采样卷积层、2组八度卷积层和1组CBAM注意力机制模块；
步骤A35:输出模块由不同层级解码器输出的特征向量进行拼接融合而成的多层预测模块和一层卷积输出层组成；
步骤A36:所述八度卷积层将卷积特征映射分解成高、低频率的两个组，对于高频特征图，它的频率内信息更新过程就是普通卷积过程，而频率间的信息交流过程，则是对
进行卷积然后再使用上采样操作；对于低频特征图，它的频率内信息更新过程就是普通卷积过程，而频率间的信息交流过程则通过对/>
进行平均池化操作然后再进行卷积实现；
步骤A37:所述CBAM注意力机制顺序地沿着通道和空间两个独立的维度进行推导，将通过通道注意力的特征图与原始的输入特征图进行乘法运算，得到输出特征图
，将/>
通过空间注意力得到的特征图与原特征图/>
进行乘法运算，得到输出特征图/>
。
5.根据权利要求1一种基于U-Net改进的医学图像分割方法，其特征在于，所述步骤A4的具体方法为：将处理好的医学图像数据集输入到待训练的OA-UNet模型中，使用训练参数对OA-UNet网络进行迭代训练，损失函数为稀疏交叉熵函数，优化算法为自适应学习率调整算法Adadelta；
并设置早停法来防止模型发生梯度爆炸或梯度消失，获得更好的训练效果。
6.根据权利要求1一种基于U-Net改进的医学图像分割方法，其特征在于，所述步骤A5的具体内容为：将待分割的医学图像缩放为224×224的尺寸，经过归一化操作后输入到训练好的OA-UNet模型中，输出分割结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310199511.XA CN116363149A (zh) | 2023-03-04 | 2023-03-04 | 一种基于U-Net改进的医学图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310199511.XA CN116363149A (zh) | 2023-03-04 | 2023-03-04 | 一种基于U-Net改进的医学图像分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116363149A true CN116363149A (zh) | 2023-06-30 |
Family
ID=86911459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310199511.XA Pending CN116363149A (zh) | 2023-03-04 | 2023-03-04 | 一种基于U-Net改进的医学图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116363149A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116580328A (zh) * | 2023-07-12 | 2023-08-11 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 基于多任务辅助的热红外图像堤坝渗漏险情智能识别方法 |
| CN117933345A (zh) * | 2024-03-22 | 2024-04-26 | 长春理工大学 | 一种医学图像分割模型的训练方法 |
-
2023
- 2023-03-04 CN CN202310199511.XA patent/CN116363149A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116580328A (zh) * | 2023-07-12 | 2023-08-11 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 基于多任务辅助的热红外图像堤坝渗漏险情智能识别方法 |
| CN116580328B (zh) * | 2023-07-12 | 2023-09-19 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 基于多任务辅助的热红外图像堤坝渗漏险情智能识别方法 |
| CN117933345A (zh) * | 2024-03-22 | 2024-04-26 | 长春理工大学 | 一种医学图像分割模型的训练方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111325751B (zh) | 基于注意力卷积神经网络的ct图像分割系统 | |
| CN112634276B (zh) | 一种基于多尺度视觉特征提取的轻量级语义分割方法 | |
| CN111340814B (zh) | 一种基于多模态自适应卷积的rgb-d图像语义分割方法 | |
| CN116363149A (zh) | 一种基于U-Net改进的医学图像分割方法 | |
| CN109087258B (zh) | 一种基于深度学习的图像去雨方法及装置 | |
| CN111242288B (zh) | 一种用于病变图像分割的多尺度并行深度神经网络模型构建方法 | |
| CN111127346A (zh) | 基于部分到整体注意力机制的多层次图像修复方法 | |
| CN111178316B (zh) | 一种高分辨率遥感影像土地覆盖分类方法 | |
| CN109086768B (zh) | 卷积神经网络的语义图像分割方法 | |
| CN110223304B (zh) | 一种基于多路径聚合的图像分割方法、装置和计算机可读存储介质 | |
| CN113807355A (zh) | 一种基于编解码结构的图像语义分割方法 | |
| CN111079447B (zh) | 一种面向中文的预训练方法及系统 | |
| CN113240683B (zh) | 基于注意力机制的轻量化语义分割模型构建方法 | |
| CN113807340B (zh) | 一种基于注意力机制的不规则自然场景文本识别方法 | |
| CN113706545A (zh) | 一种基于双分支神经判别降维的半监督图像分割方法 | |
| CN116343185A (zh) | 一种面向助盲领域的指示牌语义信息提取方法 | |
| WO2021139351A1 (zh) | 图像分割方法、装置、介质及电子设备 | |
| CN110633706B (zh) | 一种基于金字塔网络的语义分割方法 | |
| CN116109920A (zh) | 一种基于Transformer的遥感图像建筑物提取方法 | |
| CN116310329A (zh) | 基于轻量多尺度UNet的皮肤病变图像分割方法 | |
| CN114565628A (zh) | 一种基于边界感知注意的图像分割方法及系统 | |
| CN114821050A (zh) | 一种基于transformer的指称图像分割方法 | |
| CN110458849B (zh) | 一种基于特征修正的图像分割方法 | |
| CN117671271A (zh) | 模型训练方法、图像分割方法、装置、设备和介质 | |
| CN113096133A (zh) | 一种基于注意力机制的语义分割网络的构建方法 |
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 |