CN116563533A - 基于目标位置先验信息的医学图像分割方法及系统 - Google Patents
基于目标位置先验信息的医学图像分割方法及系统 Download PDFInfo
- Publication number
- CN116563533A CN116563533A CN202310369870.5A CN202310369870A CN116563533A CN 116563533 A CN116563533 A CN 116563533A CN 202310369870 A CN202310369870 A CN 202310369870A CN 116563533 A CN116563533 A CN 116563533A
- Authority
- CN
- China
- Prior art keywords
- medical image
- convolution
- representing
- image segmentation
- training
- 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
- 238000003709 image segmentation Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 35
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 102100031786 Adiponectin Human genes 0.000 description 6
- 101000775469 Homo sapiens Adiponectin Proteins 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 206010051589 Large intestine polyp Diseases 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 208000022131 polyp of large intestine Diseases 0.000 description 2
- 230000003187 abdominal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/096—Transfer learning
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (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)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于目标位置先验信息的医学图像分割方法及系统，首先获取医学图像，然后采用医学图像分割神经网络获得分割结果图像；其中医学图像分割神经网络，是训练好的医学图像分割神经网络，具体来说就是根据标签图像生成距离图，将距离图作为权重对损失函数进行加权对分割网络进行训练。本申请采用基于目标位置先验信息的医学图像分割方法，引导网络在训练过程中更为关注医学图像中难以分辨的边缘区域，可显著提高医学图像分割方法的分割准确率。同时本申请采用的方法可以轻松地被应用于多种医学图像分割方法上，且在训练过程中消耗较少的时间及存储资源，不需要消耗额外的测试时间。
Description
技术领域
本申请属于医学图像处理技术领域，涉及一种图像分割方法及系统，特别涉及一种基于目标位置先验信息的医学图像分割方法及系统。
背景技术
现代医院通常采用X光、电子计算机断层扫描(CT)、核磁共振成像(MRI)以及超声成像这四类方式对需要诊断的人体部位进行图像采集。这些方式对病患的身体损伤较少，所以经常被用于疾病诊断、手术规划以及预后评估之中。医学图像分割作为计算机辅助医疗中的一种重要技术手段，便是在采集到的医学图像上对每个像素点进行类别标记，使医生能够更为直接地观察到器官在解剖学或病理学结构上产生的变化，从而辅助医生更高效地进行诊断工作。随着这些设备的不断发展与普及，医学图像分割技术也在计算机辅助医疗领域发挥越来越重要的作用。
近年来，随着深度学习的快速发展，特别是卷积神经网络的发展，医学图像分割技术得到了长足的进步，分割精度与效率的提高让利用基于深度学习的医学图像分割技术辅助医生诊断成为可能。医学图像分割领域中最为经典、应用也最为广泛的网络模型是U-Net，U-Net在编码器与解码器的结构之间添加跳连，通过将编解码器同层的特征进行连接，能有效地将浅层的纹理特征与深层的语义特征进行融合。
U-Net虽然提出得早，但是囿于卷积神经网路自身的限制，该方法对于分割目标的结构信息关注不足；后来也出现了非常多基于U-Net的其他网络结构，但大多数方法都对网络结构进行了修改，导致方法的迁移性不够强，且大多数分割方法没有关注到目标位置这一可以利用起来的先验信息或是并没有充分发挥其作用。
同时，医学图像数据量也在一定程度上阻碍医学图像分割方法获得更为令人满意的结果。一般来说，越多的训练数据能够带来越好的网络性能，但是困于医学图像的采集及标注成本较高，如何在有限的医学影像数据上得到更好性能的医学图像分割方法就显得格外重要。医学图像中蕴含有大量的解剖学先验信息与结构先验信息，如果能将这些额外的信息融入进医学图像分割方法的训练过程中，就能得到更符合解剖学结构的分割结果，提高医学图像分割方法的分割性能。
发明内容
为了解决现有医学图像分割网络对目标位置信息利用不充分及图像分割数据量不足的问题，本发明提供了一种充分利用医学图像中结构先验信息的基于目标位置先验信息的医学图像分割方法及系统。
本发明的方法所采用的技术方案是：一种基于目标位置先验信息的医学图像分割方法，包括以下步骤：
步骤1：获取医学图像；
步骤2：采用医学图像分割神经网络获得分割结果图像；
所述医学图像分割神经网络，包括图像下采样编码器、特征上采样编码器、同层融合模块以及分割结果生成模块；
所述图像下采样编码器，包括五个串联的卷积模块组成，其中每个模块中依次包含串联设置的两个卷积层，两个卷积层的卷积核大小均为3，步长为1，每层卷积后连接设置有归一化层和修正线性单元层；
所述特征上采样编码器，包括四个串联的卷积模块，其中每个卷积模块包含有一个上采样模块和一个卷积模块；上采样模块中依次包含有双线性差值上采样层、卷积层、归一化层和修正线性单元层，其中卷积层的卷积核大小为3，步长为1；卷积模块包括两个卷积层，其中卷积核的大小均为3，步长为1，每层卷积后均依次连接归一化层和修正线性单元层；
所述同层融合模块，用于图像下采样编码器前4个阶段卷积模块的输出特征F1、F2、F3、F4分别与特征上采样编码器每个阶段卷积模块的输出特征G1、G2、G3、G4按照G4、G3、G2、G1的顺序进行拼接操作；
所述用于分割结果生成模块，用于根据特征上采样编码器每个卷积模块输出的特征生成对应尺寸的分割结果，该模块由一个卷积核大小为1，步长为1的卷积层构成。
本发明的系统所采用的技术方案是：一种基于目标位置先验信息的医学图像分割系统，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现所述的基于目标位置先验信息的医学图像分割方法。
本发明的有益效果包括：
(1)本发明采用基于目标位置先验信息的医学图像分割方法对医学图像进行分割，通过所述标签计算出的距离图对损失函数进行加权操作，使得医学图像分割网络在训练过程中对于不同区域的关注程度不同，如更为关注对于难以分辨的边缘区域，从而将结构信息融合进分割网络。本发明理论上可以应用于多种医学图像分割网络上，且能够在不增加测试时间的情况下提高对于医学图像的分割精度。
(2)本发明采用的损失函数可以迁移到不同的网络结构中进行应用，并不被限制在某一种方法上，虽然只是在损失函数上进行加权，但是这个权重里是包含了目标位置信息先验信息的，所以能有助于提升网路的分割效果。
附图说明
图1为本发明实施例的医学图像分割神经网络结构图；
图2为本发明实施例的医学图像分割神经网络训练流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
本发明提供的一种基于目标位置先验信息的医学图像分割方法，包括以下步骤：
步骤1：获取医学图像；
步骤2：采用医学图像分割神经网络获得分割结果图像；
请见图1，本实施例的医学图像分割神经网络，包括图像下采样编码器、特征上采样编码器、同层融合模块以及分割结果生成模块；
图像下采样编码器，包括五个串联的卷积模块组成，其中每个模块中依次包含串联设置的两个卷积层，两个卷积层的卷积核大小均为3，步长为1，每层卷积后连接设置有归一化层和修正线性单元层；
特征上采样编码器，包括四个串联的卷积模块，其中每个卷积模块包含有一个上采样模块和一个卷积模块；上采样模块中依次包含有双线性差值上采样层、卷积层、归一化层和修正线性单元层，其中卷积层的卷积核大小为3，步长为1；卷积模块包括两个卷积层，其中卷积核的大小均为3，步长为1，每层卷积后均依次连接归一化层和修正线性单元层；
同层融合模块，用于图像下采样编码器前4个阶段卷积模块的输出特征F1、F2、F3、F4分别与特征上采样编码器每个阶段卷积模块的输出特征G1、G2、G3、G4按照G4、G3、G2、G1的顺序进行拼接操作；
用于分割结果生成模块，用于根据特征上采样编码器每个卷积模块输出的特征生成对应尺寸的分割结果，该模块由一个卷积核大小为1，步长为1的卷积层构成。
请见图2，本实施例的医学图像分割神经网络，是训练好的医学图像分割神经网络；其训练过程包括以下步骤：
步骤2.1：获取若干训练医学图像，进行标注后获得训练标签图像，对训练标签图像进行三次下采样，获得原图尺寸、1/2、1/4、1/8四种尺寸的标签数据；
步骤2.2：根据训练标签计算距离图；
本实施例根据所述训练标签计算距离图，是设置一个距离图中的最大距离a，对于背景部分区域计算每个像素点距离类别边界的最近距离；对于前景部分区计算每个像素点距离类别边界的最近距离，然后使用a去减这个距离；最后将图中大于a的部分设置为a，小于零的部分设置为零；
本实施例根据训练标签计算的距离图为：
其中，i表示当前的第i个像素点，di表示当前第i个点在距离图中的值，k表示类别，表示第k个类别的边缘区域，j表示边缘区域中的某一像素点，pi表示像素点i的位置，pj表示像素点j的位置，Ωbackground表示背景区域，Ωforeground表示前景区域，a表示所述设置的距离图中的最大距离a。
步骤2.3：根据训练标签图像、根据训练标签计算得出的距离图对医学图像分割神经网络进行训练，当训练达到预设次数(本实施例设置为200)后结束，每次训练结束时使用验证集测试此时网络性能，保存性能最好的网络参数作为最终网络参数。
本实施例在医学图像分割神经网络模型的训练中，用于训练的损失函数为根据目标位置进行加权的交叉熵损失函数；
本实施例根据目标位置进行加权的交叉熵损失函数为：
其中，N表示像素点的数目，i表示当前的第i个像素点，M表示类别数，c表示当前类别，di表示当前第i个点在距离图中的值，yic表示当前第i个点的标签c，pic表示当前第i个点为类别c的概率。
本实施例整体损失函数为：
Ltotal＝L1+L1/2+L1/4+L1/8；
其中L1表示原图尺寸的根据目标位置进行加权的交叉熵损失函数，L1/2表示原图1/2尺寸的根据目标位置进行加权的交叉熵损失函数，L1/4表示原图1/4尺寸的根据目标位置进行加权的交叉熵损失函数，L1/8表示原图1/8尺寸的根据目标位置进行加权的交叉熵损失函数。
以下通过实验对本发明进行进一步阐述。本实验采用常用的医学评测指标Dicescore(Dice)和HausdorffDistance(HD)作为评测标准，本发明在三个常用医学图像分割数据集以及三个常用医学图像分割方法上进行了效果验证。
使用的数据集为ACDC心脏核磁影像数据集，Synapse腹部多器官CT影像数据集以及大肠息肉内窥镜影像数据集，其中大肠息肉内窥镜影像数据集包括：Kvasir、CVC-ClinicDB、CVC-ColonDB、ETIS和Endoscene五个数据集。
使用的医学图像分割方法包括U-Net、SAUNet以及TransUNet，实验结果如下表1、表2和表3；三个表分别表示在三个不同数据集上的结果，以表1为例，U-Net一行表示原始U-Net在ACDC上的结果，U-Net+Ours表示在U-Net上构建专利中提出的方法在ACDC上的结果，SAUNet表示原始SAUNet在ACDC上的结果，SAUNet baseline是因为SAUNet由两个部分组成，这个表示只保留SAUNet基础部分的网络在ACDC上的结果，SAUNet baseline+Ours表示在SAUNet基础部分上构建专利中提出的方法在ACDC上的结果。
表1
表2
表3
实验结果显示，本发明的分割方法可以应用于多种医学图像分割方法且能明显提高神经网络对于医学图像的分割效果。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (5)
1.一种基于目标位置先验信息的医学图像分割方法，其特征在于，包括以下步骤：
步骤1：获取医学图像；
步骤2：采用医学图像分割神经网络获得分割结果图像；
所述医学图像分割神经网络，包括图像下采样编码器、特征上采样编码器、同层融合模块以及分割结果生成模块；
所述图像下采样编码器，包括五个串联的卷积模块组成，其中每个模块中依次包含串联设置的两个卷积层，两个卷积层的卷积核大小均为3，步长为1，每层卷积后连接设置有归一化层和修正线性单元层；
所述特征上采样编码器，包括四个串联的卷积模块，其中每个卷积模块包含有一个上采样模块和一个卷积模块；上采样模块中依次包含有双线性差值上采样层、卷积层、归一化层和修正线性单元层，其中卷积层的卷积核大小为3，步长为1；卷积模块包括两个卷积层，其中卷积核的大小均为3，步长为1，每层卷积后均依次连接归一化层和修正线性单元层；
所述同层融合模块，用于图像下采样编码器前4个阶段卷积模块的输出特征F1、F2、F3、F4分别与特征上采样编码器每个阶段卷积模块的输出特征G1、G2、G3、G4按照G4、G3、G2、G1的顺序进行拼接操作；
所述用于分割结果生成模块，用于根据特征上采样编码器每个卷积模块输出的特征生成对应尺寸的分割结果，该模块由一个卷积核大小为1，步长为1的卷积层构成。
2.根据权利要求1所述的基于目标位置先验信息的医学图像分割方法，其特征在于：所述医学图像分割神经网络，是训练好的医学图像分割神经网络；其训练过程包括以下步骤：
步骤2.1：获取若干训练医学图像，进行标注后获得训练标签图像，对训练标签图像进行三次下采样，获得原图尺寸、1/2、1/4、1/8四种尺寸的标签数据；
步骤2.2：根据训练标签计算距离图；
步骤2.3：根据所述训练标签图像、根据训练标签计算得出的距离图对所述医学图像分割神经网络进行训练，当训练达到预设次数后结束，每次训练结束时使用验证集测试此时网络性能，保存性能最好的网络参数作为最终网络参数。
3.根据权利要求2所述的基于目标位置先验信息的医学图像分割方法，其特征在于，步骤2.2中，根据所述训练标签计算距离图，是设置一个距离图中的最大距离a，对于背景部分区域计算每个像素点距离类别边界的最近距离；对于前景部分区计算每个像素点距离类别边界的最近距离，然后使用a去减这个距离；最后将图中大于a的部分设置为a，小于零的部分设置为零；
所述根据训练标签计算的距离图为：
其中，i表示当前的第i个像素点，di表示当前第i个点在距离图中的值，，j表示边缘区域中的某一像素点，表示第k个类别的边缘区域，k表示类别pi表示像素点i的位置，pj表示像素点j的位置，Ωbackground表示背景区域，Ωforeground表示前景区域，a表示所述设置的距离图中的最大距离a。
4.根据权利要求2所述的基于目标位置先验信息的医学图像分割方法，其特征在于，步骤2.3中，用于训练的损失函数为根据目标位置进行加权的交叉熵损失函数；
所述根据目标位置进行加权的交叉熵损失函数为：
其中，N表示像素点的数目，i表示当前的第i个像素点，M表示类别数，c表示当前类别，di表示当前第i个点在距离图中的值，yic表示当前第i个点的标签c，pic表示当前第i个点为类别c的概率。
整体损失函数为：
Ltotal＝L1+L1/2+L1/4+L1/8；
其中L1表示原图尺寸的根据目标位置进行加权的交叉熵损失函数，L1/2表示原图1/2尺寸的根据目标位置进行加权的交叉熵损失函数，L1/4表示原图1/4尺寸的根据目标位置进行加权的交叉熵损失函数，L1/8表示原图1/8尺寸的根据目标位置进行加权的交叉熵损失函数。
5.一种基于目标位置先验信息的医学图像分割系统，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利1至4中任一项所述的基于目标位置先验信息的医学图像分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310369870.5A CN116563533A (zh) | 2023-04-07 | 2023-04-07 | 基于目标位置先验信息的医学图像分割方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310369870.5A CN116563533A (zh) | 2023-04-07 | 2023-04-07 | 基于目标位置先验信息的医学图像分割方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116563533A true CN116563533A (zh) | 2023-08-08 |
Family
ID=87490657
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310369870.5A Pending CN116563533A (zh) | 2023-04-07 | 2023-04-07 | 基于目标位置先验信息的医学图像分割方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116563533A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116958176A (zh) * | 2023-09-21 | 2023-10-27 | 腾讯科技（深圳）有限公司 | 图像分割方法、装置、计算机设备及介质 |
| CN117218419A (zh) * | 2023-09-12 | 2023-12-12 | 河北大学 | 一种胰胆肿瘤分型分级分期的评估系统和评估方法 |
-
2023
- 2023-04-07 CN CN202310369870.5A patent/CN116563533A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117218419A (zh) * | 2023-09-12 | 2023-12-12 | 河北大学 | 一种胰胆肿瘤分型分级分期的评估系统和评估方法 |
| CN117218419B (zh) * | 2023-09-12 | 2024-04-12 | 河北大学 | 一种胰胆肿瘤分型分级分期的评估系统和评估方法 |
| CN116958176A (zh) * | 2023-09-21 | 2023-10-27 | 腾讯科技（深圳）有限公司 | 图像分割方法、装置、计算机设备及介质 |
| CN116958176B (zh) * | 2023-09-21 | 2024-01-09 | 腾讯科技（深圳）有限公司 | 图像分割方法、装置、计算机设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN107492071B (zh) | 医学图像处理方法及设备 | |
| Sugimori | Classification of computed tomography images in different slice positions using deep learning | |
| CN116563533A (zh) | 基于目标位置先验信息的医学图像分割方法及系统 | |
| Hashimoto et al. | Automated segmentation of 2D low-dose CT images of the psoas-major muscle using deep convolutional neural networks | |
| CN114581662B (zh) | 一种脑肿瘤图像的分割方法、系统、装置及存储介质 | |
| CN113436173B (zh) | 基于边缘感知的腹部多器官分割建模、分割方法及系统 | |
| CN111091575B (zh) | 一种基于强化学习方法的医学图像分割方法 | |
| CN112150472A (zh) | 基于cbct的三维颌骨图像分割方法、装置及终端设备 | |
| CN114202545A (zh) | 一种基于UNet++的低级别胶质瘤图像分割方法 | |
| CN112150473A (zh) | 基于ct的三维颌骨图像分割建模方法、装置及终端设备 | |
| Shan et al. | SCA-Net: A spatial and channel attention network for medical image segmentation | |
| Tran et al. | Deep learning-based inpainting for chest X-ray image | |
| CN113538209A (zh) | 一种多模态医学影像配准方法、配准系统、计算设备和存储介质 | |
| CN116797519A (zh) | 脑胶质瘤分割和三维可视化模型训练方法及系统 | |
| CN115471512A (zh) | 一种基于自监督对比学习的医学影像分割方法 | |
| CN115294023A (zh) | 肝脏肿瘤自动分割方法及装置 | |
| CN112967295A (zh) | 一种基于残差网络和注意力机制的图像处理方法及系统 | |
| Raina et al. | Slim u-net: Efficient anatomical feature preserving u-net architecture for ultrasound image segmentation | |
| CN114332463A (zh) | 一种mr脑肿瘤图像实例分割方法、装置、设备及存储介质 | |
| CN112037237B (zh) | 一种图像处理方法、装置、计算机设备及介质 | |
| Vi et al. | Automatic Extraction of Liver Region from Medical Images by Using an MFUnet | |
| CN117476219B (zh) | 基于大数据分析的定位ct断层图像的辅助方法和辅助系统 | |
| Luo et al. | AMCNet: attention-based multiscale convolutional network for DCM MRI segmentation | |
| CN112785632B (zh) | 基于epid的图像引导放疗中dr和drr影像跨模态自动配准方法 |
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 |