CN116645381A - 一种脑肿瘤mri图像分割方法、系统、电子设备及存储介质 - Google Patents
一种脑肿瘤mri图像分割方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116645381A CN116645381A CN202310758898.8A CN202310758898A CN116645381A CN 116645381 A CN116645381 A CN 116645381A CN 202310758898 A CN202310758898 A CN 202310758898A CN 116645381 A CN116645381 A CN 116645381A
- Authority
- CN
- China
- Prior art keywords
- brain tumor
- image segmentation
- mri image
- layer
- model
- 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
- 208000003174 Brain Neoplasms Diseases 0.000 title claims abstract description 37
- 238000003709 image segmentation Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000011176 pooling Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012285 ultrasound imaging Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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]
-
- 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
Abstract
本发明属于医学图像分割领域,具体涉及一种脑肿瘤MRI图像分割方法、系统、电子设备及存储介质。所述方法包括以下步骤:S1获取原始数据集,并对原始数据集进行预处理;S2将与处理后的数据输入到混合U‑Net模型中进行处理,得到分类结果;所述混合U‑Net模型是基于U‑Net模型和CNN模型构建的。本发明实现在MRI图像中的脑肿瘤分割,解决U‑Net网络结构存在的细粒度特征提取能力不足、模型参数量较大,以及原始数据集预处理效果不佳的问题。
Description
技术领域
本发明属于医学图像分割领域,具体涉及一种脑肿瘤MRI图像分割方法、系统、电子设备及存储介质。
背景技术
随着计算机技术的快速发展,医学成像技术也在向数字化的方向发展。目前广泛应用的医学成像方式主要分为四类:x射线成像(X-CT)、磁共振成像(MRI)、核医学成像(NMI)和超声成像(UI)。磁共振成像(磁共振成像,MRI)是一种非侵入性的脑肿瘤成像技术,可以产生高分辨率、非侵入性的脑图像,为医生的临床诊断提供准确的信息,是诊断和治疗脑肿瘤的重要工具。同时,脑瘤医学图像分割技术是脑瘤医学图像处理和分析中的关键技术。
脑瘤医学图像分割是一个根据区域内的相似性以及区域间的不同来分离图像中有关结构的过程。早期的图像分割完全是靠人工完成的,此方法是医学专家在数以百计的切片图像上进行对边界的人工描绘,根据描绘结果假设与其周围组织的三维结构及空间关系,并以此作为制定治疗计划的基础。脑肿瘤的人工分割方法消耗了大量的人力和物力,并且也受到了的很多的限制。因此,研究一种脑肿瘤MRI图像的自动分割方法,对脑肿瘤患者的早期诊断和治疗具有重要意义。
发明内容
为了克服现有技术存在的缺陷与不足,本发明提供一种脑肿瘤MRI图像分割方法、系统、电子设备及存储介质。
本发明的技术方案如下:
一种脑肿瘤MRI图像分割方法,包括以下步骤:
S1获取原始数据集,并对原始数据集进行预处理;
S2将与处理后的数据输入到混合U-Net模型中进行处理,得到分类结果;所述混合U-Net模型是基于U-Net模型和CNN模型构建的。
进一步的,所述预处理包括:图像尺寸归一化和灰度归一化。
进一步的,所述图像尺寸归一化和灰度归一化具体为:将原始图像大小512*512减小到128*128;去除不参与分割操作的黑色背景区域,得到尺寸为128*128的脑肿瘤图像;将图像以50%的概率在左右和前后方向上随机翻转,并在X方向或Y方向平移图像,将图像划分为多个大小相似的非重叠区域,并将直方图均衡应用于图像的每个部分。
进一步的,所述S2具体为:
使用U-Net模型对预处理后的数据进行分割;
使用CNN模型模型对分割后的数据进行分类,得到分类结果。
进一步的,在使用改进的U-Net模型对预处理后的数据进行分割时,将U-Net模型中的卷积层的通道数以2次幂递增,从第1层的64开始,到顶层的1024结束;在每个最大池化层之后添加Dropout层,以防止过拟合;在U-Net模型的顶层增加一个卷积层;在上采样时将转置卷积层的核大小设置为(2,2),步幅为2;在合并特征图时,采用级联的方式对上采样和下采样路径进行合并;最终输出层设置为一个1x1内核大小卷积层用于分类。
进一步的,所述CNN模型包括三个卷积块,每个卷积块均包括卷积层和最大池化层,并且采用标准步幅。
本发明还提供一种脑肿瘤MRI图像分割系统,包括:
数据处理模块,用于获取原始数据集,并对原始数据集进行预处理;
分割模块,用于使用改进的U-Net模型对预处理后的数据进行分割;
分类模块,用于使用MRI分类模型对分割后的数据进行分类,得到分类结果。
损失函数,采用cross-entropy(交叉熵损失)作为损失函数。
本发明还提供一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据上述的脑肿瘤MRI图像分割方法。
本发明还提供一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现上述的脑肿瘤MRI图像分割方法。
本发明的技术效果:
本发明提供一种脑肿瘤MRI图像分割方法、系统、电子设备及存储介质,所述方法包括获取原始数据集,并对原始数据集进行预处理;将与处理后的数据输入到混合U-Net模型中进行处理,得到分类结果;所述混合U-Net模型是基于U-Net模型和CNN模型构建的。实现了MRI图像的脑肿瘤分割,解放了大量的人力和物力。
附图说明
附图大体上通过举例而不是限制的方式示出各种实施例,并且与说明书以及权利要求书一起用于对所发明的实施例进行说明。在适当的时候,在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的,而并非旨在作为本装置或方法的穷尽或排他实施例。
图1示出了本发明的整体流程示意图;
图2示出了本发明的MRI图像分割预处理步骤流程示意图;
图3示出了本发明的混合U-Net的结构示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例
如图1所示,本实施例提供一种基于UNET结合CNN的改进的混合-Unet脑肿瘤MRI图像分割方法,包括下述步骤:
S1:首先对原始数据进行预处理;
如图2所示,对数据集中的原始图像进行归一化处理,包括图像尺寸归一化和灰度归一化,将图像分辨率统一调整为128*128,将图像的3通道改为1通道,增强图像颜色的对比度。去除部分不参与分割操作的黑色背景区域,得到尺寸为128*128的脑肿瘤图像,增加肿瘤区域在图像中的比例;将图像以50%的概率在左右和前后方向上随机翻转,并在X或Y方向(或两者)平移图像;接下来,对比度限制自适应直方图均衡(CLAHE)将给定图像划分为多个大小相似的非重叠区域,并将直方图均衡(HE)应用于图像的每个部分,使得均匀的灰度分布使图像中的隐藏特征更清晰可见。CLACHE的优点是噪声少,计算简单,在图像局部区域输出响应好,防止亮度饱和的发生,有助于比较图像的不同区域。
S2:使用改进的U-Net模型进行分割;
如图1与图3所示,经预处理之后,使用本发明改进的U-Net网络进行分割,将输入图像转为为(128,128,1),即将大小为128x128的灰度图像作为输入。卷积层的通道数以2次幂递增,从第1层的64(26)开始,到瓶颈层的1024(210)结束在每个最大池化层之后添加Dropout层,以防止过拟合;顶层设置为两个卷积层,每个卷积层有1024个卷积核;用于上采样的转置卷积层的核大小为(2,2),步幅为2;采用级联的方式对上采样和下采样路径的特征图进行合并;最终的输出层只有一个1x1内核大小的卷积层。
S3:使用CNN网络进行图像后处理;
融合模型第一阶段的分割图片被用于模型第二阶段提出的基于CNN的MRI分类模型。为了提高所提出的CNN模型的分类精度,将前一阶段的分割图像作为输入。
所提出的CNN模型的卷积层和最大池化层的布局,每个层都使用唯一的卷积块,并且采用标准步幅。默认情况下,步幅设置为(1,1),这意味着卷积核每向右移动一个像素,它也会向下移动一个像素。第一阶段产生的输出图片为1922563,然后缩小到28283。所提出的CNN模型将调整后的图片作为第一个卷积块的输入。第一个卷积块由一个卷积层和一个最大池化层组成。第一卷积层有32个3*3滤波器,最大池化层是2*2。第二个卷积块由两个卷积层和一个最大池化层组成。两个卷积层在3*3配置中都有16个滤波器,而最大池化层在2*2配置中有32个滤波器。同样,两个卷积层和一个最大池化层构成第三个卷积块。最大池化层的滤波器大小为2*2,而第三个卷积层的滤波器大小为3*3,总共有16个滤波器。全连接层应用在第三个卷积块之后,通过将特征空间折叠成单个特征向量来“扁平化”特征。最后,使用三个上采样层和卷积层组合而成的混合层将特征向量分类为七个MRI疾病分类。
以上所述,仅为本发明优选的具体实施方式,但本发明的保护范围不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种脑肿瘤MRI图像分割方法,其特征在于,包括以下步骤:
S1获取原始数据集,并对原始数据集进行预处理;
S2将与处理后的数据输入到混合U-Net模型中进行处理,得到分类结果;所述混合U-Net模型是基于U-Net模型和CNN模型构建的。
2.根据权利要求1所述的脑肿瘤MRI图像分割方法,其特征在于,
所述预处理包括:图像尺寸归一化和灰度归一化。
3.根据权利要求2所述的脑肿瘤MRI图像分割方法,其特征在于,
所述图像尺寸归一化和灰度归一化具体为:将原始图像大小512*512减小到128*128;去除不参与分割操作的黑色背景区域,得到尺寸为128*128的脑肿瘤图像;将图像以50%的概率在左右和前后方向上随机翻转,并在X方向或Y方向平移图像,将图像划分为多个大小相似的非重叠区域,并将直方图均衡应用于图像的每个部分。
4.根据权利要求1所述的脑肿瘤MRI图像分割方法,其特征在于,
所述S2具体为:
使用U-Net模型对预处理后的数据进行分割;
使用CNN模型模型对分割后的数据进行分类,得到分类结果。
5.根据权利要求4所述的脑肿瘤MRI图像分割方法,其特征在于,
在使用U-Net模型对预处理后的数据进行分割时,将U-Net模型中的卷积层的通道数以2次幂递增,从第1层的64开始,到顶层的1024结束;在每个最大池化层之后添加Dropout层,以防止过拟合;在U-Net模型的顶层增加一个卷积层;在上采样时将转置卷积层的核大小设置为(2,2),步幅为2;在合并特征图时,采用级联的方式对上采样和下采样路径进行合并;最终输出层设置为一个1x1内核大小卷积层用于分类。
6.根据权利要求4所述的脑肿瘤MRI图像分割方法,其特征在于,
所述CNN模型包括三个卷积块,每个卷积块均包括卷积层和最大池化层,并且采用标准步幅。
7.一种脑肿瘤MRI图像分割系统,其特征在于,包括:
数据处理模块,用于获取原始数据集,并对原始数据集进行预处理;
分割模块,用于使用改进的U-Net模型对预处理后的数据进行分割;
分类模块,用于使用MRI分类模型对分割后的数据进行分类,得到分类结果。
8.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1-6中所述的脑肿瘤MRI图像分割方法。
9.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-6中所述的脑肿瘤MRI图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310758898.8A CN116645381A (zh) | 2023-06-26 | 2023-06-26 | 一种脑肿瘤mri图像分割方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310758898.8A CN116645381A (zh) | 2023-06-26 | 2023-06-26 | 一种脑肿瘤mri图像分割方法、系统、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116645381A true CN116645381A (zh) | 2023-08-25 |
Family
ID=87640138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310758898.8A Pending CN116645381A (zh) | 2023-06-26 | 2023-06-26 | 一种脑肿瘤mri图像分割方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116645381A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296699A (zh) * | 2016-08-16 | 2017-01-04 | 电子科技大学 | 基于深度神经网络和多模态mri图像的脑肿瘤分割方法 |
CN110689543A (zh) * | 2019-09-19 | 2020-01-14 | 天津大学 | 基于注意机制的改进卷积神经网络脑肿瘤图像分割方法 |
CN111047589A (zh) * | 2019-12-30 | 2020-04-21 | 北京航空航天大学 | 一种注意力增强的脑肿瘤辅助智能检测识别方法 |
CN111833352A (zh) * | 2020-06-28 | 2020-10-27 | 杭州电子科技大学 | 一种基于八度卷积改进U-net网络的图像分割方法 |
CN113256605A (zh) * | 2021-06-15 | 2021-08-13 | 四川大学 | 一种基于深度神经网络的乳腺癌图像识别分类方法 |
CN114240961A (zh) * | 2021-11-15 | 2022-03-25 | 西安电子科技大学 | 一种U-Net++细胞分割网络系统、方法、设备及终端 |
CN114372988A (zh) * | 2021-12-03 | 2022-04-19 | 山东师范大学 | 基于Unet变体网络的脑肿瘤图像分割系统 |
CN116152560A (zh) * | 2023-02-24 | 2023-05-23 | 复旦大学 | 一种基于多任务学习的胶质瘤图像分类方法及系统 |
-
2023
- 2023-06-26 CN CN202310758898.8A patent/CN116645381A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296699A (zh) * | 2016-08-16 | 2017-01-04 | 电子科技大学 | 基于深度神经网络和多模态mri图像的脑肿瘤分割方法 |
CN110689543A (zh) * | 2019-09-19 | 2020-01-14 | 天津大学 | 基于注意机制的改进卷积神经网络脑肿瘤图像分割方法 |
CN111047589A (zh) * | 2019-12-30 | 2020-04-21 | 北京航空航天大学 | 一种注意力增强的脑肿瘤辅助智能检测识别方法 |
CN111833352A (zh) * | 2020-06-28 | 2020-10-27 | 杭州电子科技大学 | 一种基于八度卷积改进U-net网络的图像分割方法 |
CN113256605A (zh) * | 2021-06-15 | 2021-08-13 | 四川大学 | 一种基于深度神经网络的乳腺癌图像识别分类方法 |
CN114240961A (zh) * | 2021-11-15 | 2022-03-25 | 西安电子科技大学 | 一种U-Net++细胞分割网络系统、方法、设备及终端 |
CN114372988A (zh) * | 2021-12-03 | 2022-04-19 | 山东师范大学 | 基于Unet变体网络的脑肿瘤图像分割系统 |
CN116152560A (zh) * | 2023-02-24 | 2023-05-23 | 复旦大学 | 一种基于多任务学习的胶质瘤图像分类方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Faragallah et al. | A comprehensive survey analysis for present solutions of medical image fusion and future directions | |
Bhateja et al. | Multimodal medical image sensor fusion framework using cascade of wavelet and contourlet transform domains | |
Chan et al. | Texture-map-based branch-collaborative network for oral cancer detection | |
Zhang et al. | Deep convolutional neural networks for multi-modality isointense infant brain image segmentation | |
CN109978037B (zh) | 图像处理方法、模型训练方法、装置、和存储介质 | |
CN111368849B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
Kong et al. | Multi-modal data Alzheimer’s disease detection based on 3D convolution | |
Shi et al. | Survey on neural networks used for medical image processing | |
CN111369562B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN110444277B (zh) | 一种基于多生成多对抗的多模态脑部mri图像双向转换方法 | |
CN109035261A (zh) | 医疗影像处理方法及装置、电子设备及存储介质 | |
CN112950644B (zh) | 基于深度学习的新生儿大脑图像分割方法及模型构建方法 | |
CN117058307A (zh) | 心脏三维核磁共振图像生成方法、系统、设备及储存介质 | |
Tawfik et al. | Multimodal medical image fusion using stacked auto-encoder in NSCT domain | |
CN116563189B (zh) | 一种基于深度学习的医学图像跨对比度合成方法及系统 | |
CN115984257A (zh) | 一种基于多尺度transformer的多模态医学图像融合方法 | |
CN115965785A (zh) | 图像分割方法、装置、设备、程序产品及介质 | |
Guo et al. | Thyroid nodule ultrasonic imaging segmentation based on a deep learning model and data augmentation | |
CN116645381A (zh) | 一种脑肿瘤mri图像分割方法、系统、电子设备及存储介质 | |
Zhong et al. | PMFSNet: Polarized Multi-scale Feature Self-attention Network For Lightweight Medical Image Segmentation | |
Mandour | An Exhaustive Review of Neutrosophic Logic in Addressing Image Processing Issues | |
Tripathi et al. | A dilated convolution-based denoising network for magnetic resonance images | |
Yang et al. | Adaptive zero-learning medical image fusion | |
Arya et al. | Boosting X-Ray Scans Feature for Enriched Diagnosis of Pediatric Pneumonia using Deep Learning Models | |
Huo et al. | Multistage diagnosis of alzheimer’s disease based on slice attention network |
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 |