CN116385467B - 基于自监督学习的脑血管分割方法及相关设备 - Google Patents
基于自监督学习的脑血管分割方法及相关设备 Download PDFInfo
- Publication number
- CN116385467B CN116385467B CN202310612754.1A CN202310612754A CN116385467B CN 116385467 B CN116385467 B CN 116385467B CN 202310612754 A CN202310612754 A CN 202310612754A CN 116385467 B CN116385467 B CN 116385467B
- Authority
- CN
- China
- Prior art keywords
- cerebrovascular
- blood vessel
- image
- sample
- self
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 83
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 178
- 210000004556 brain Anatomy 0.000 claims abstract description 65
- 230000002792 vascular Effects 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 41
- 239000013598 vector Substances 0.000 claims description 50
- 230000002490 cerebral effect Effects 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 30
- 230000000873 masking effect Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 15
- 230000003190 augmentative effect Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 210000003625 skull Anatomy 0.000 claims description 7
- 238000002583 angiography Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000257303 Hymenoptera Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06N20/00—Machine learning
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于自监督学习的脑血管分割方法及相关设备,涉及图像处理技术领域,所述方法包括:获取待分割的脑血管图像;将待分割的脑血管图像输入脑血管分割模型,获取脑血管分割图像;其中,脑血管分割模型通过以下方式获取:基于血管重建和血管对比学习两种自监督任务对脑血管分割模型中的编码器进行预训练;血管重建任务和血管对比学习任务是基于无标注的脑血管图像构建的;基于预训练的参数对脑血管分割模型中的编码器进行初始化,并基于有标注的脑血管图像对脑血管分割模型进行训练,得到脑血管分割模型。本发明采用自监督预训练方式,充分利用大量无标注的脑血管图像,提高了脑血管分割精度。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于自监督学习的脑血管分割方法及相关设备。
背景技术
脑血管分割是基于医学影像的图像分析技术,旨在从头部影像数据中准确地分割出脑血管的轮廓。脑血管分割在脑血管疾病的诊断、治疗、脑功能研究等领域都具有重要的应用价值。
近年来,基于深度模型,例如卷积神经网络(Convolutional Neural Networks,CNN),全卷积神经网络(U-Net),Transformer神经网络及其改进的,血管分割方法逐渐用于脑血管分割。
但是,现有脑血管分割方法需要大量的高质量标注数据。获取高质量标注数据需要耗费专业医生大量的时间与精力,成本高昂,且存在大量的主观差异,数据规模较小。因此,导致现有脑血管分割方法的分割精度不高。
发明内容
本发明提供一种基于自监督学习的脑血管分割方法及相关设备,用以解决现有技术中分割精度不高的缺陷,实现精确分割脑血管。
本发明提供一种基于自监督学习的脑血管分割方法,包括:
获取待分割的脑血管图像;
将所述待分割的脑血管图像输入脑血管分割模型,获取脑血管分割图像;
其中,所述脑血管分割模型通过以下方式获取:
基于血管重建和血管对比学习两种自监督任务对脑血管分割模型中的编码器进行预训练;所述血管重建任务和血管对比学习任务是基于无标注的脑血管图像构建的;
基于所述预训练的参数对所述脑血管分割模型中的编码器进行初始化,并基于有标注的脑血管图像对所述脑血管分割模型进行训练,得到所述脑血管分割模型。
在一些实施例中,所述基于血管重建和血管对比学习两种自监督任务对脑血管分割模型中的编码器进行预训练,包括:
对所述脑血管图像进行随机血管掩盖,并基于所述编码器和解码器对掩盖血管进行重建,获取重建损失;
将锚样本、正样本和负样本输入所述编码器和线性层后进行对比,获取对比损失;所述锚样本为随机选取的脑血管图像,所述正样本为所述随机选取的脑血管图像对应的增广图像,所述负样本为除所述随机选取的脑血管图像之外的其他脑血管图像;
基于所述重建损失和所述对比损失对所述编码器进行预训练。
在一些实施例中,所述对所述脑血管图像进行随机血管掩盖,包括:
对所述脑血管图像进行血管增强,得到血管增强图像;
对所述血管增强图像进行随机选取,得到血管概率图像;
根据随机掩盖区域对所述血管概率图像进行掩盖;所述随机掩盖区域包含血管区域。
在一些实施例中,在所述根据随机掩盖区域对所述血管概率图像进行掩盖之前,包括:
对所述血管概率图像进行二值化和骨架化处理,获取血管中心线;
以所述血管中心线上随机选取的种子点为中心,以预设长度为半径,获取所述随机掩盖区域。
在一些实施例中,所述将锚样本、正样本和负样本输入所述编码器和线性层后进行对比,获取对比损失,包括:
将所述锚样本、所述正样本和所述负样本输入所述编码器和所述线性层,获取所述锚样本对应的嵌入向量、所述正样本对应的嵌入向量和所述负样本对应的嵌入向量;
将所述锚样本对应的嵌入向量与所述正样本对应的嵌入向量进行对比,获取正样本对的余弦相似性;
将所述锚样本对应的嵌入向量与所述负样本对应的嵌入向量进行对比,获取负样本对的余弦相似性;
基于所述正样本对的余弦相似性和所述负样本对的余弦相似性,获取所述对比损失。
在一些实施例中,在所述对所述脑血管图像进行随机血管掩盖之前,还包括:
获取原始血管造影图像;
对所述原始血管造影图像进行去颅骨和偏置场校正操作,获取所述脑血管图像。
在一些实施例中,所述血管重建任务对应的损失函数由L1损失函数和多尺度结构相似性损失函数组成。
本发明还提供一种基于自监督学习的脑血管分割装置,包括:
第一获取模块,用于获取待分割的脑血管图像;
第二获取模块,用于将所述待分割的脑血管图像输入脑血管分割模型,获取脑血管分割图像;
其中,所述脑血管分割模型通过以下方式获取:
基于血管重建和血管对比学习两种自监督任务对脑血管分割模型中的编码器进行预训练;所述血管重建任务和血管对比学习任务是基于无标注的脑血管图像构建的;
基于所述预训练的参数对所述脑血管分割模型中的编码器进行初始化,并基于有标注的脑血管图像对所述脑血管分割模型进行训练,得到所述脑血管分割模型。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述基于自监督学习的脑血管分割方法。
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自监督学习的脑血管分割方法。
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自监督学习的脑血管分割方法。
本发明提供的基于自监督学习的脑血管分割方法及相关设备,一方面,采用自监督预训练方式,充分利用大量无标注的脑血管图像的内在表示信息,缓解有标注的脑血管图像不足的问题;另一方面,血管重建任务引导多任务自监督模型充分学习脑血管的几何形态特征和灰度特征,血管对比学习任务使得多任务自监督模型能够更好地提取血管的特征表达,为脑血管分割模型提供具有强大的特征捕捉能力和表达能力的编码器,以提高脑血管分割精度。
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是本发明一示例性实施例提供的基于自监督学习的脑血管分割方法的流程示意图之一;
图2是本发明一示例性实施例提供的基于自监督学习的脑血管分割方法的流程示意图之二;
图3是本发明一示例性实施例提供的基于自监督学习的脑血管分割方法的流程示意图之三;
图4是本发明一示例性实施例提供的基于自监督学习的脑血管分割方法的流程示意图之四;
图5是本发明一示例性实施例提供的基于自监督学习的脑血管分割方法的流程示意图之五;
图6是本发明一示例性实施例提供的基于自监督学习的脑血管分割方法的流程示意图之六;
图7是本发明一示例性实施例提供的基于自监督学习的脑血管分割装置的结构示意图;
图8是本发明一示例性实施例提供的电子设备的结构示意图。
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。需要说明的是,在不冲突的情况下,本发明的实施方式及实施方式中的特征可以相互组合。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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本发明。
进一步需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
本发明中“至少一个”是指一个或者多个,“多个”是指两个或多于两个。本发明的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不是用于描述特定的顺序或先后次序。
在本发明实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
图1是本发明一示例性实施例提供的基于自监督学习的脑血管分割方法的流程示意图之一,如图1所示,本实施例提供一种基于自监督学习的脑血管分割方法,该方法包括:
步骤110,获取待分割的脑血管图像;
步骤120,将待分割的脑血管图像输入脑血管分割模型,获取脑血管分割图像;
其中,脑血管分割模型通过以下方式获取:
基于血管重建和血管对比学习两种自监督任务对脑血管分割模型中的编码器进行预训练;血管重建任务和血管对比学习任务是基于无标注的脑血管图像构建的;
基于预训练的参数对脑血管分割模型中的编码器进行初始化,并基于有标注的脑血管图像对脑血管分割模型进行训练,得到脑血管分割模型。
具体地,克服对高质量标注数据的大量需求的一个潜在方向是自监督学习,自监督学习主要是利用预训练任务从大规模的无标注数据中挖掘监督信息,通过挖掘出的监督信息对预训练网络进行训练,从而可以学习到对下游任务有价值的表征。
本发明中应用大量无标注的脑血管图像构建血管重建任务和血管对比学习任务。基于血管重建任务和血管对比学习任务构建多任务自监督模型。
血管重建任务引导多任务自监督模型充分学习脑血管的几何形态特征和灰度特征,血管对比学习任务通过大量的血管正负样本对间的比对计算,使得多任务自监督模型能够更好地提取血管的特征表达。
通过将血管重建和血管对比学习两个任务设计为辅助任务,使得多任务自监督模型接受自监督学习范式的预训练,以得到多任务自监督模型。
多任务自监督模型包括编码器、解码器和线性层,脑血管分割模型包括编码器和解码器。多任务自监督模型和脑血管分割模型共享编码器。因此,基于血管重建任务和血管对比学习任务对多任务自监督模型进行训练,也就是对脑血管分割模型中的编码器进行预训练。
在预训练完成之后,将多任务自监督模型中编码器的参数作为脑血管分割模型中编码器的参数,以初始化脑血管分割模型中的编码器。
在一些实施例中,编码器的参数可以是编码器中需预训练确认的参数,例如,权重参数等。
将有标注的脑血管图像作为训练样本,对脑血管分割模型进行训练,以微调脑血管分割模型的参数,也即微调脑血管分割模型中编码器和解码器的参数,从而提高脑血管分割模型的脑血管分割精度。
在一些实施例中,将有标注的脑血管图像输入脑血管分割模型,得到脑血管分割模型输出的脑血管分割结果。将脑血管分割结果与脑血管标注进行比较,根据二者之间的差异微调脑血管分割模型的参数。如此迭代训练,直至脑血管分割模型输出的脑血管分割结果与脑血管标注之间的差异小于阈值。
在得到脑血管分割模型之后,可以应用脑血管分割模型进行脑血管分割。先获取待分割的脑血管图像,然后将待分割的脑血管图像输入脑血管分割模型,获取脑血管分割模型输出的脑血管分割图像。
本实施例提供的基于自监督学习的脑血管分割方法,一方面,采用自监督预训练方式,充分利用大量无标注的脑血管图像的内在表示信息,缓解有标注的脑血管图像不足的问题;另一方面,血管重建任务引导多任务自监督模型充分学习脑血管的几何形态特征和灰度特征,血管对比学习任务使得多任务自监督模型能够更好地提取血管的特征表达,为脑血管分割模型提供具有强大的特征捕捉能力和表达能力的编码器,以提高脑血管分割精度。
请参考图2,图2是本发明一示例性实施例提供的基于自监督学习的脑血管分割方法的流程示意图之二。本实施例是对前述实施例的进一步改进,主要改进之处在于:基于血管重建和血管对比学习两种自监督任务对脑血管分割模型中的编码器进行预训练的具体过程。如图2所示,本实施例提供的基于自监督学习的脑血管分割方法包括以下步骤:
步骤210,对脑血管图像进行随机血管掩盖,并基于编码器和解码器对掩盖血管进行重建,获取重建损失。
具体地,对脑血管图像中的血管进行随机掩盖,得到血管掩盖图像。将血管掩盖图像输入编码器和解码器中,编码器和解码器对掩盖血管进行重建,得到脑血管重建图像。根据脑血管图像和脑血管重建图像,获取重建损失。
在一些实施例中,在血管重建任务的损失函数的选择上,综合考虑图像重建前后的体素亮度、对比亮度和局部结构等差异,采用L1损失函数和多尺度结构相似性(Multiscale Structure Similarity,MS-SSIM)损失函数的组合作为血管重建任务的损失函数。
血管重建任务对应的损失函数的表达式如下所示:
其中,
式中,表示血管重建任务对应的损失函数,/>表示L1损失函数,/>表示MS-SSIM损失函数,/>表示脑血管图像,/>表示脑血管重建图像,下标1表示L1范数,/>表示脑血管图像的最大尺度,/>表示尺度/>下脑血管图像与脑血管重建图像之间的亮度相似性,/>表示尺度/>下的相对权重,/>表示尺度/>下脑血管图像与脑血管重建图像之间的对比度相似性,/>表示尺度/>下脑血管图像与脑血管重建图像之间的结构相似性,/>表示尺度/>下的相对权重,尺度/>的取值范围为/>。
步骤220,将锚样本、正样本和负样本输入编码器和线性层后进行对比,获取对比损失。
具体地,血管对比学习任务是通过最大化正样本对之间的互信息,同时最小化负样本对之间的互信息来更好地进行表示学习。正样本对是来自同一图像的增广样本,负样本对是来自不同图像的增广样本。
随机选取一个脑血管图像作为锚样本,锚样本/>对应的增广图像作为正样本,除随机选取的脑血管图像之外的其他脑血管图像作为负样本/>。锚样本/>与正样本/>组成正样本对,锚样本/>与负样本/>组成负样本对。
在一些实施例中,通过对锚样本进行非线性变换和局部模糊扰动等图像增广处理,得到锚样本/>对应的增广图像。
将锚样本、正样本/>和负样本/>输入编码器进行特征提取,再将获取的特征输入线性层,得到特征映射的嵌入向量。以对比正样本对之间的嵌入向量实现正样本对之间的对比,以对比负样本对之间的嵌入向量实现负样本对之间的对比,从而得到对比损失。
步骤230,基于重建损失和对比损失对编码器进行预训练。
具体地,多任务自监督模型的损失函数的表达式如下所示:
式中,表示多任务自监督模型的损失函数,/>表示血管重建任务的损失函数,/>表示血管重建任务的损失函数对应的权重,/>表示血管对比学习任务的损失函数对应的权重,/>表示血管对比学习任务的损失函数,/>和/>的和为1。
在一些实施例中,可以将和/>均预设为0.5。
根据重建损失和对比损失,可以确定多任务自监督模型的损失。根据多任务自监督模型的损失更新多任务自监督模型的参数,也即更新多任务自监督模型中编码器、解码器和线性层的参数。多任务自监督模型以更新后的参数再次进行血管重建任务和血管对比学习任务,直至多任务自监督模型的损失值最小,则停止更新多任务自监督模型的参数,从而可以确定编码器的参数,得到预训练完成的编码器。
本实施例提供的基于自监督学习的脑血管分割方法,通过对脑血管图像进行随机血管掩盖,并对掩盖血管进行重建,实现构建血管重建任务;通过对锚样本、正样本和负样本进行对比,构建血管比对学习任务;基于血管重建任务对应的损失函数和血管比对学习任务的损失函数对编码器进行预训练,实现获取具有强大的特征捕捉能力和表达能力的编码器。
请参考图3,图3是本发明一示例性实施例提供的基于自监督学习的脑血管分割方法的流程示意图之三。本实施例是对前述实施例的主要说明,主要说明之处在于:对脑血管图像进行随机血管掩盖的具体过程。如图3所示,本实施例提供的基于自监督学习的脑血管分割方法包括以下步骤:
步骤310,对脑血管图像进行血管增强,得到血管增强图像。
具体地,由于医疗设备差异、成像机理等原因,脑血管图像往往存在对比度低、伪影、背景区域复杂等问题。因此,需要对脑血管图像进行血管增强,以增强脑血管的亮度和细节。
在一些实施例中,采用基于Hessian的多尺度滤波血管增强方法对脑血管图像进行血管增强,得到血管增强图像。
步骤320,对血管增强图像进行随机选取,得到血管概率图像。
具体地,由于并不需要对每一个血管增强图像进行随机血管掩盖,因此,随机选取血管增强图像。每一个血管增强图像被选取的概率均为0.5。将随机选取的血管增强图像视为血管概率图像。
步骤330,根据随机掩盖区域对血管概率图像进行掩盖。
具体地,随机掩盖区域是随机确定的,并包含血管区域的掩盖区域。
确定随机掩盖区域在血管概率图上的相应区域,将相应区域进行掩盖,得到血管掩盖图像。
本实施例提供的基于自监督学习的脑血管分割方法,通过对脑血管图像进行血管增强,得到血管增强图像,随机选取血管增强图像,根据随机掩盖区域对随机选取的血管增强图像进行掩盖,进一步有利于引导多任务自监督模型充分学习脑血管的几何形态特征和灰度特征。
请参考图4,图4是本发明一示例性实施例提供的基于自监督学习的脑血管分割方法的流程示意图之四。本实施例是对前述实施例的进一步改进,主要改进之处在于:获取随机掩盖区域的具体过程。如图4所示,本实施例提供的基于自监督学习的脑血管分割方法包括以下步骤:
步骤410,对血管概率图像进行二值化和骨架化处理,获取血管中心线。
具体地,对血管概率图像进行二值化处理,以得到血管掩膜(mask)图像。
在一些实施例中,根据血管概率图像中每一个体素的值对血管概率图像进行二值化处理,使得体素的取值范围只有两个值,以得到血管掩膜图像。
例如,每一个体素值都在0至1之间,设置体素阈值为0.2,将每一个体素值与体素阈值进行比较,将大于体素阈值的体素值设为1,将小于体素阈值的体素值设为0,从而实现二值化处理。
在得到血管掩膜图像之后,对血管掩膜图像进行骨架化处理,提取出的骨架即为血管中心线。
步骤420,以血管中心线上随机选取的种子点为中心,以预设长度为半径,获取随机掩盖区域。
具体地,在血管中心线上随机选取一个种子点。以选取的种子点为中心,以预设长度为半径所对应的区域即为随机掩盖区域。
在一些实施例中,预设长度等于或大于血管宽度的一半。
本实施例提供的基于自监督学习的脑血管分割方法,通过获取血管中心线,以血管中心线上随机选取的种子点为随机掩盖区域的中心,可以确保随机掩盖区域集中于血管,并能将血管进行断开,有利于后续的血管重建任务。
请参考图5,图5是本发明一示例性实施例提供的基于自监督学习的脑血管分割方法的流程示意图之五。本实施例是对前述实施例的主要说明,主要说明之处在于:将锚样本、正样本和负样本输入编码器和线性层后进行对比,获取对比损失的具体过程。如图5所示,本实施例提供的基于自监督学习的脑血管分割方法包括以下步骤:
步骤510,将锚样本、正样本和负样本输入编码器和线性层,获取锚样本对应的嵌入向量、正样本对应的嵌入向量和负样本对应的嵌入向量。
具体地,将锚样本、正样本/>和负样本/>输入多任务自监督模型的编码器,编码器分别对锚样本、正样本和负样本进行特征提取,得到锚样本/>对应的特征、正样本/>对应的特征和负样本/>对应的特征。
在一些实施例中,先根据随机掩盖区域对锚样本、正样本/>和负样本/>进行掩盖处理后,再输入到多任务自监督模型的编码器中进行特征提取。
将锚样本对应的特征、正样本/>对应的特征和负样本/>对应的特征输入多任务自监督模型的线性层,线性层将经编码器得到的特征映射为嵌入向量,得到锚样本/>对应的嵌入向量/>、正样本/>对应的嵌入向量/>和负样本/>对应的嵌入向量/>。
步骤520,将锚样本对应的嵌入向量与正样本对应的嵌入向量进行对比,获取正样本对的余弦相似性。
具体地,余弦距离也称余弦相似性,以向量空间中两个向量夹角的余弦值作为衡量两个个体间差异大小的度量。因此,计算锚样本对应的嵌入向量与正样本对应的嵌入向量之间的余弦相似性,以衡量锚样本和正样本之间的差异。
正样本对的余弦相似性的表达式如下所示:
式中,表示标准化后的嵌入向量之间的点积,也称余弦相似性函数,/>表示锚样本/>对应的嵌入向量,/>表示正样本/>对应的嵌入向量,/>表示正样本对的余弦相似性。
将锚样本对应的嵌入向量与正样本对应的嵌入向量代入正样本对的余弦相似性的表达式中,得到正样本对的余弦相似性。
步骤530,将锚样本对应的嵌入向量与负样本对应的嵌入向量进行对比,获取负样本对的余弦相似性。
具体地,计算锚样本对应的嵌入向量与负样本对应的嵌入向量之间的余弦相似性,以衡量锚样本和负样本之间的差异。
负样本对的余弦相似性的表达式如下所示:
式中,表示余弦相似性函数,/>表示锚样本/>对应的嵌入向量,/>表示负样本/>对应的嵌入向量,/>表示负样本对的余弦相似性。
将锚样本对应的嵌入向量与负样本对应的嵌入向量代入负样本对的余弦相似性的表达式中,得到负样本对的余弦相似性。
步骤540,基于正样本对的余弦相似性和负样本对的余弦相似性,获取对比损失。
具体地,血管对比学习任务的损失函数的表达式如下所示:
式中,表示血管对比学习任务的损失函数,/>表示正样本对的余弦相似性,/>表示负样本对的余弦相似性,/>表示标准化的温度系数,用于调节对正负样本对的关注程度,/>表示当负样本不为锚样本的情况下,值为1,否则值为0,N表示锚样本数量、正样本数量和负样本数量之和,n表示负样本数量。
将正样本对的余弦相似性和负样本对的余弦相似性代入血管对比学习任务的损失函数,获取对比损失。
本实施例提供的基于自监督学习的脑血管分割方法,通过多任务自监督模型的编码器和线性层,获取锚样本对应的嵌入向量、正样本对应的嵌入向量和负样本对应的嵌入向量,通过正负样本对之间的对比计算,实现精确获取对比损失。
请参考图6,图6是本发明一示例性实施例提供的基于自监督学习的脑血管分割方法的流程示意图之六。本实施例是对前述实施例的进一步改进,主要改进之处在于:在对脑血管图像进行随机血管掩盖之前,获取脑血管图像的具体过程。如图6所示,本实施例提供的基于自监督学习的脑血管分割方法包括以下步骤:
步骤610,获取原始血管造影图像;
步骤620,对原始血管造影图像进行去颅骨和偏置场校正操作,获取脑血管图像。
具体地,获取所有原始血管造影图像,使用大脑提取工具(Brain ExtractionTool,BET)对原始血管造影图像进行去颅骨操作,然后,使用开源软件高级规范化工具(Advanced Normalization Tools,ANTs)的N4 Bias Field Correction算法对去颅骨后的血管造影图像进行偏置场校正,以归一化图像强度,得到脑血管图像。
本实施例提供的基于自监督学习的脑血管分割方法,通过对原始血管造影图像进行去颅骨和偏置场校正操作,有利于提高后续脑血管图像分割的准确性。
下面对本发明提供的基于自监督学习的脑血管分割装置进行描述,下文描述的基于自监督学习的脑血管分割装置与上文描述的基于自监督学习的脑血管分割方法可相互对应参照。
图7是本发明一示例性实施例提供的基于自监督学习的脑血管分割装置的结构示意图,如图7所示,本实施例提供的基于自监督学习的脑血管分割装置包括:第一获取模块710和第二获取模块720;其中:
第一获取模块710,用于获取待分割的脑血管图像;
第二获取模块720,用于将所述待分割的脑血管图像输入脑血管分割模型,获取脑血管分割图像;
其中,所述脑血管分割模型通过以下方式获取:
基于血管重建和血管对比学习两种自监督任务对脑血管分割模型中的编码器进行预训练;所述血管重建任务和血管对比学习任务是基于无标注的脑血管图像构建的;
基于所述预训练的参数对所述脑血管分割模型中的编码器进行初始化,并基于有标注的脑血管图像对所述脑血管分割模型进行训练,得到所述脑血管分割模型。
在一些实施例中,所述装置还包括预训练模块,所述预训练模块用于基于血管重建和血管对比学习两种自监督任务对脑血管分割模型中的编码器进行预训练;所述预训练模块包括:血管重建子模块、血管对比学习子模块和预训练子模块;
血管重建子模块,用于对所述脑血管图像进行随机血管掩盖,并基于所述编码器和解码器对掩盖血管进行重建,获取重建损失;
血管对比学习子模块,用于将锚样本、正样本和负样本输入所述编码器和线性层后进行对比,获取对比损失;所述锚样本为随机选取的脑血管图像,所述正样本为所述随机选取的脑血管图像对应的增广图像,所述负样本为除所述随机选取的脑血管图像之外的其他脑血管图像;
预训练子模块,用于基于所述重建损失和所述对比损失对所述编码器进行预训练。
在一些实施例中,所述血管重建子模块包括:血管增强单元、随机选取单元和随机掩盖单元;
血管增强单元,用于对所述脑血管图像进行血管增强,得到血管增强图像;
随机选取单元,用于对所述血管增强图像进行随机选取,得到血管概率图像;
随机掩盖单元,用于根据随机掩盖区域对所述血管概率图像进行掩盖;所述随机掩盖区域包含血管区域。
在一些实施例中,所述随机掩盖单元包括:处理子单元和获取子单元;
处理子单元,用于对所述血管概率图像进行二值化和骨架化处理,获取血管中心线;
获取子单元,用于以所述血管中心线上随机选取的种子点为中心,以预设长度为半径,获取所述随机掩盖区域。
在一些实施例中,所述血管对比学习子模块包括:第一获取单元、第二获取单元、第三获取单元和第四获取单元;
第一获取单元,用于将所述锚样本、所述正样本和所述负样本输入所述编码器和所述线性层,获取所述锚样本对应的嵌入向量、所述正样本对应的嵌入向量和所述负样本对应的嵌入向量;
第二获取单元,用于将所述锚样本对应的嵌入向量与所述正样本对应的嵌入向量进行对比,获取正样本对的余弦相似性;
第三获取单元,用于将所述锚样本对应的嵌入向量与所述负样本对应的嵌入向量进行对比,获取负样本对的余弦相似性;
第四获取单元,用于基于所述正样本对的余弦相似性和所述负样本对的余弦相似性,获取所述对比损失。
在一些实施例中,所述第三获取模块还包括:第一获取子模块和第二获取子模块;
第一获取子模块,用于获取原始血管造影图像;
第二获取子模块,用于对所述原始血管造影图像进行去颅骨和偏置场校正操作,获取所述脑血管图像;
在一些实施例中,所述血管重建任务对应的损失函数由L1损失函数和多尺度结构相似性损失函数组成。
在此需要说明的是,本发明提供的上述基于自监督学习的脑血管分割装置,能够实现上述方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
图8是本发明一示例性实施例提供的电子设备的结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行基于自监督学习的脑血管分割方法,该方法包括:获取待分割的脑血管图像将所述待分割的脑血管图像输入脑血管分割模型,获取脑血管分割图像;其中,所述脑血管分割模型通过以下方式获取:基于血管重建和血管对比学习两种自监督任务对脑血管分割模型中的编码器进行预训练;所述血管重建任务和血管对比学习任务是基于无标注的脑血管图像构建的;基于所述预训练的参数对所述脑血管分割模型中的编码器进行初始化,并基于有标注的脑血管图像对所述脑血管分割模型进行训练,得到所述脑血管分割模型。
此外,上述的存储器830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设备(可以是个人计算机,服务器,或者网络设备等)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。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于自监督学习的脑血管分割方法,该方法包括:获取待分割的脑血管图像将所述待分割的脑血管图像输入脑血管分割模型,获取脑血管分割图像;其中,所述脑血管分割模型通过以下方式获取:基于血管重建和血管对比学习两种自监督任务对脑血管分割模型中的编码器进行预训练;所述血管重建任务和血管对比学习任务是基于无标注的脑血管图像构建的;基于所述预训练的参数对所述脑血管分割模型中的编码器进行初始化,并基于有标注的脑血管图像对所述脑血管分割模型进行训练,得到所述脑血管分割模型。
又一方面,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方法提供的基于自监督学习的脑血管分割方法,该方法包括:获取待分割的脑血管图像将所述待分割的脑血管图像输入脑血管分割模型,获取脑血管分割图像;其中,所述脑血管分割模型通过以下方式获取:基于血管重建和血管对比学习两种自监督任务对脑血管分割模型中的编码器进行预训练;所述血管重建任务和血管对比学习任务是基于无标注的脑血管图像构建的;基于所述预训练的参数对所述脑血管分割模型中的编码器进行初始化,并基于有标注的脑血管图像对所述脑血管分割模型进行训练,得到所述脑血管分割模型。
以上所描述的装置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设备(可以是个人计算机,服务器,或者网络设备等)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 (9)
1.一种基于自监督学习的脑血管分割方法,其特征在于,包括:
获取待分割的脑血管图像;
将所述待分割的脑血管图像输入脑血管分割模型,获取脑血管分割图像;
其中,所述脑血管分割模型通过以下方式获取:
基于血管重建任务和血管对比学习任务对脑血管分割模型中的编码器进行预训练;所述血管重建任务和所述血管对比学习任务是基于无标注的脑血管图像构建的;
基于所述预训练的参数对所述脑血管分割模型中的编码器进行初始化,并基于有标注的脑血管图像对所述脑血管分割模型进行训练,得到所述脑血管分割模型;
所述基于血管重建任务和血管对比学习任务对脑血管分割模型中的编码器进行预训练,包括:
对所述脑血管图像进行随机血管掩盖,并基于所述编码器和解码器对掩盖血管进行重建,获取重建损失;
将锚样本、正样本和负样本输入所述编码器和线性层后进行对比,获取对比损失;所述锚样本为随机选取的脑血管图像,所述正样本为所述随机选取的脑血管图像对应的增广图像,所述负样本为除所述随机选取的脑血管图像之外的其他脑血管图像;
基于所述重建损失和所述对比损失对所述编码器进行预训练。
2.根据权利要求1所述的基于自监督学习的脑血管分割方法,其特征在于,所述对所述脑血管图像进行随机血管掩盖,包括:
对所述脑血管图像进行血管增强,得到血管增强图像;
对所述血管增强图像进行随机选取,得到血管概率图像;
根据随机掩盖区域对所述血管概率图像进行掩盖;所述随机掩盖区域包含血管区域。
3.根据权利要求2所述的基于自监督学习的脑血管分割方法,其特征在于,在所述根据随机掩盖区域对所述血管概率图像进行掩盖之前,包括:
对所述血管概率图像进行二值化和骨架化处理,获取血管中心线;
以所述血管中心线上随机选取的种子点为中心,以预设长度为半径,获取所述随机掩盖区域。
4.根据权利要求1所述的基于自监督学习的脑血管分割方法,其特征在于,所述将锚样本、正样本和负样本输入所述编码器和线性层后进行对比,获取对比损失,包括:
将所述锚样本、所述正样本和所述负样本输入所述编码器和所述线性层,获取所述锚样本对应的嵌入向量、所述正样本对应的嵌入向量和所述负样本对应的嵌入向量;
将所述锚样本对应的嵌入向量与所述正样本对应的嵌入向量进行对比,获取正样本对的余弦相似性;
将所述锚样本对应的嵌入向量与所述负样本对应的嵌入向量进行对比,获取负样本对的余弦相似性;
基于所述正样本对的余弦相似性和所述负样本对的余弦相似性,获取所述对比损失。
5.根据权利要求1所述的基于自监督学习的脑血管分割方法,其特征在于,在所述对所述脑血管图像进行随机血管掩盖之前,还包括:
获取原始血管造影图像;
对所述原始血管造影图像进行去颅骨和偏置场校正操作,获取所述脑血管图像。
6.根据权利要求1所述的基于自监督学习的脑血管分割方法,其特征在于,所述血管重建任务对应的损失函数由L1损失函数和多尺度结构相似性损失函数组成。
7.一种基于自监督学习的脑血管分割装置,其特征在于,包括:第一获取模块,用于获取待分割的脑血管图像;
第二获取模块,用于将所述待分割的脑血管图像输入脑血管分割模型,获取脑血管分割图像;
其中,所述脑血管分割模型通过以下方式获取:
基于血管重建任务和血管对比学习任务对脑血管分割模型中的编码器进行预训练;所述血管重建任务和所述血管对比学习任务是基于无标注的脑血管图像构建的;
基于所述预训练的参数对所述脑血管分割模型中的编码器进行初始化,并基于有标注的脑血管图像对所述脑血管分割模型进行训练,得到所述脑血管分割模型;
所述基于血管重建任务和血管对比学习任务对脑血管分割模型中的编码器进行预训练,包括:
对所述脑血管图像进行随机血管掩盖,并基于所述编码器和解码器对掩盖血管进行重建,获取重建损失;
将锚样本、正样本和负样本输入所述编码器和线性层后进行对比,获取对比损失;所述锚样本为随机选取的脑血管图像,所述正样本为所述随机选取的脑血管图像对应的增广图像,所述负样本为除所述随机选取的脑血管图像之外的其他脑血管图像;
基于所述重建损失和所述对比损失对所述编码器进行预训练。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述基于自监督学习的脑血管分割方法。
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,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于自监督学习的脑血管分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310612754.1A CN116385467B (zh) | 2023-05-29 | 2023-05-29 | 基于自监督学习的脑血管分割方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310612754.1A CN116385467B (zh) | 2023-05-29 | 2023-05-29 | 基于自监督学习的脑血管分割方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116385467A CN116385467A (zh) | 2023-07-04 |
CN116385467B true CN116385467B (zh) | 2023-09-12 |
Family
ID=86969723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310612754.1A Active CN116385467B (zh) | 2023-05-29 | 2023-05-29 | 基于自监督学习的脑血管分割方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385467B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116994101A (zh) * | 2023-09-28 | 2023-11-03 | 北京鹰瞳科技发展股份有限公司 | 模型训练方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210115223A (ko) * | 2020-03-12 | 2021-09-27 | 숭실대학교산학협력단 | 인공지능 기술을 이용한 혈관 구조 추출 방법, 이를 수행하기 위한 기록 매체 및 장치 |
CN113724206A (zh) * | 2021-08-12 | 2021-11-30 | 武汉大学 | 一种基于自监督学习的眼底图像血管分割方法及系统 |
CN113807356A (zh) * | 2021-07-29 | 2021-12-17 | 北京工商大学 | 一种端到端的低能见度图像语义分割方法 |
CN113989178A (zh) * | 2020-07-08 | 2022-01-28 | 北京大学 | 基于自监督学习的cta图像血管分割与平扫图像预测 |
CN114723698A (zh) * | 2022-03-30 | 2022-07-08 | 浙江工业大学 | 一种基于多尺度注意力网络的脑血管图像分割方法 |
CN115035093A (zh) * | 2022-07-01 | 2022-09-09 | 深圳市大数据研究院 | 基于注意力对称自编码的脑肿瘤自监督预训练方法、装置 |
CN115661467A (zh) * | 2022-12-28 | 2023-01-31 | 中国科学院自动化研究所 | 脑血管图像分割方法、装置、电子设备及存储介质 |
CN116071292A (zh) * | 2022-10-08 | 2023-05-05 | 中国人民解放军国防科技大学 | 基于生成对比学习的眼底镜视网膜图像血管识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11100685B2 (en) * | 2018-08-29 | 2021-08-24 | Arizona Board Of Regents On Behalf Of Arizona State University | Method and apparatus for detection and visualization of pulmonary embolism |
-
2023
- 2023-05-29 CN CN202310612754.1A patent/CN116385467B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210115223A (ko) * | 2020-03-12 | 2021-09-27 | 숭실대학교산학협력단 | 인공지능 기술을 이용한 혈관 구조 추출 방법, 이를 수행하기 위한 기록 매체 및 장치 |
CN113989178A (zh) * | 2020-07-08 | 2022-01-28 | 北京大学 | 基于自监督学习的cta图像血管分割与平扫图像预测 |
CN113807356A (zh) * | 2021-07-29 | 2021-12-17 | 北京工商大学 | 一种端到端的低能见度图像语义分割方法 |
CN113724206A (zh) * | 2021-08-12 | 2021-11-30 | 武汉大学 | 一种基于自监督学习的眼底图像血管分割方法及系统 |
CN114723698A (zh) * | 2022-03-30 | 2022-07-08 | 浙江工业大学 | 一种基于多尺度注意力网络的脑血管图像分割方法 |
CN115035093A (zh) * | 2022-07-01 | 2022-09-09 | 深圳市大数据研究院 | 基于注意力对称自编码的脑肿瘤自监督预训练方法、装置 |
CN116071292A (zh) * | 2022-10-08 | 2023-05-05 | 中国人民解放军国防科技大学 | 基于生成对比学习的眼底镜视网膜图像血管识别方法 |
CN115661467A (zh) * | 2022-12-28 | 2023-01-31 | 中国科学院自动化研究所 | 脑血管图像分割方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116385467A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035263B (zh) | 基于卷积神经网络的脑肿瘤图像自动分割方法 | |
CN111091589B (zh) | 基于多尺度监督学习的超声和核磁图像配准方法及装置 | |
CN106339998B (zh) | 基于对比度金字塔变换的多聚焦图像融合方法 | |
CN107644420B (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像系统 | |
CN110706246A (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
CN112365980B (zh) | 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及系统 | |
CN111640120A (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 | |
CN112164082A (zh) | 基于3d卷积神经网络分割多模态mr脑部图像方法 | |
CN108629785B (zh) | 基于自步学习的三维磁共振胰腺图像分割方法 | |
CN110555835A (zh) | 一种脑片图像区域划分方法及装置 | |
CN110853009A (zh) | 基于机器学习的视网膜病理图像分析系统 | |
CN109087310B (zh) | 睑板腺纹理区域的分割方法、系统、存储介质及智能终端 | |
CN116385467B (zh) | 基于自监督学习的脑血管分割方法及相关设备 | |
CN113256592B (zh) | 图像特征提取模型的训练方法、系统及装置 | |
CN105787918B (zh) | 一种急性缺血性卒中磁共振图像分析处理方法 | |
CN112465905A (zh) | 基于深度学习的磁共振成像数据的特征脑区定位方法 | |
CN113539402B (zh) | 多模态影像自动勾画模型迁移方法 | |
CN116309571B (zh) | 一种基于半监督学习的三维脑血管分割方法和装置 | |
CN112991363A (zh) | 脑肿瘤图像分割方法、装置、电子设备及存储介质 | |
CN112785581A (zh) | 基于深度学习的提取训练大血管cta成像的培训方法和装置 | |
Yuan et al. | ResD-Unet research and application for pulmonary artery segmentation | |
Zheng et al. | Deep learning-based fetal corpus callosum segmentation in ultrasonic images | |
Lee et al. | Improved classification of brain-tumor mri images through data augmentation and filter application | |
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 | |
Dickscheid et al. | Towards 3D reconstruction of neuronal cell distributions from histological human brain sections |
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 |