CN117095395B - 用于心脏超声图像分割的模型训练方法、装置和分割方法 - Google Patents

用于心脏超声图像分割的模型训练方法、装置和分割方法 Download PDF

Info

Publication number
CN117095395B
CN117095395B CN202311359000.6A CN202311359000A CN117095395B CN 117095395 B CN117095395 B CN 117095395B CN 202311359000 A CN202311359000 A CN 202311359000A CN 117095395 B CN117095395 B CN 117095395B
Authority
CN
China
Prior art keywords
segmentation
model
training
image
segmentation mask
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
Application number
CN202311359000.6A
Other languages
English (en)
Other versions
CN117095395A (zh
Inventor
孙宇
贾宁
李蒙
孙振国
罗莎祁
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 Zhiyuan Artificial Intelligence Research Institute
Original Assignee
Beijing Zhiyuan Artificial Intelligence Research Institute
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 Zhiyuan Artificial Intelligence Research Institute filed Critical Beijing Zhiyuan Artificial Intelligence Research Institute
Priority to CN202311359000.6A priority Critical patent/CN117095395B/zh
Publication of CN117095395A publication Critical patent/CN117095395A/zh
Application granted granted Critical
Publication of CN117095395B publication Critical patent/CN117095395B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • G06V10/774—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
    • G06V10/77—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
    • 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)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了用于心脏超声图像分割的模型训练方法、装置和分割方法，属于智能医疗技术领域。该方法对用于心脏超声图像分割的模型依次进行一次初步训练和多次深入训练，初步训练中利用少量的原始的心脏超声图像及其对应的分割掩码图像；深入训练中，利用上次训练好的分割模型或风格迁移模型对扩充的对应的训练数据进行推理，并将推理得到的结果与上次的训练数据混合形成新的训练数据，用于分割模型或风格迁移模型的下一次重新训练中。而且分割模型与风格迁移模型互补式交替训练，分割模型的推理结果用于风格迁移模型的重新训练，风格迁移模型的推理结果用于分割模型的重新训练。最终同时提升了分割模型和风格迁移模型的精度。

Description

用于心脏超声图像分割的模型训练方法、装置和分割方法
技术领域
本发明涉及智能医疗技术领域，尤其涉及一种用于心脏超声图像分割的模型训练方法、装置和分割方法。
背景技术
心脏超声检查是一种非侵入性的医学检查方法，用于评估心脏结构、功能和血流动力学等指标，它利用超声波的原理来生成实时图像，帮助医生诊断和监测心脏疾病。医生在对心脏超声图像进行诊断时，会结合多种图像特征、临床信息和医学知识，进行综合分析和判断，包括心腔、瓣膜、心肌等，同时观察血流动力学特征，并将图像特征与患者的临床病史和症状结合，运用医学知识和经验，从而做出准确的诊断。然而在这一过程中，衡量图像特征一般由医生主观判断，没有统一的标准，例如：如何划分心脏瓣膜边界以便更准确的测量瓣膜大小，如何确定心腔墙壁的厚度等。因此，如何帮助医生更高效、更准确的分析心脏超声图像，从而提高诊断的精确性和临床决策的可靠性具有重要的研究意义和应用价值。
近年来，人工智能在图像分类、目标检测、图像分割等领域取得了重大突破，在医学领域辅助病理图像诊断也有较大进展。其中，语义分割在医学图像分析中起到重要作用，其目的是将医学图像中具有特殊含义的部分提取并分割出来，为临床诊疗和病理学研究提供可靠依据，辅助医生做出更为准确的诊断，它可广泛应用于细胞提取、病理区域的分割、病灶面积计算、辅助诊断等任务场景。因此，越来越多的学者将深度学习模型用于医学图像分割任务，并专注于改进模型结构使得模型更加适用于提取医学图像浅层的纹理特征和深层的语义特征，从而获得更高的分割精度和更快的分割速度。
然而，超声图像不同于其他静态医学图像（例如MRI、CT等），它是由高频声波产生的动态实时影像。因此，可被用于深度学习模型训练的高质量超声图像较难获得，特别是心脏超声图像，由于心脏超声的特殊性和心脏超声医师的稀缺性，导致高质量的心脏超声图像紧缺。并且，相比于其他深度学习任务，针对图像的语义分割需要对图像进行像素级别的标注，这使得高质量的分割标签标注成本极高。因此，限制心脏超声图像分割精度的不再是深度学习模型结构，而是稀缺的高质量图像和其对应的标注掩码，如何在少量可训练数据下提高心脏超声图像的分割精度成为亟待解决的关键问题。
发明内容
为了解决现有技术中存在的问题，本发明提供了如下技术方案。
本发明第一方面提供了一种用于心脏超声图像分割的模型训练方法，包括：
所述用于心脏超声图像分割的模型包括分割模型和风格迁移模型，所述用于心脏超声图像分割的模型的训练依次包括一次初步训练和多次深入训练，在每次深入训练中，先进行分割模型的训练，再进行风格迁移模型的训练；利用初步训练数据进行初步训练，利用深入训练数据进行深入训练；在所述分割模型的训练中，以对应使用的训练数据中的心脏超声图像为输入，输出生成的分割掩码；在所述风格迁移模型的训练中，以对应使用的训练数据中的分割掩码图像为输入，输出生成的心脏超声图像；通过最小化损失函数值对所述分割模型和风格迁移模型的参数进行优化；
所述初步训练数据包括原始的心脏超声图像以及利用人工标注的分割掩码生成的原始的分割掩码图像，人工标注的分割掩码是对所述原始的心脏超声图像进行人工标注产生的；
在分割模型的当前次深入训练中，使用的深入训练数据包括上一次的训练数据、推理得到的心脏超声图像及其对应的分割掩码图像，其中，该推理得到的心脏超声图像为利用上一次训练好的风格迁移模型根据输入的分割掩码图像进行推理得到的，该推理得到的心脏超声图像对应的分割掩码图像为利用分割掩码数据增强后生成的，此处的分割掩码为人工标注的分割掩码或利用上一次训练好的分割模型进行推理得到的；
在风格迁移模型的当前次深入训练中，使用的所述深入训练数据包括上一次的训练数据、推理得到的分割掩码图像及其对应的心脏超声图像，其中，该推理得到的分割掩码图像为利用分割掩码数据增强后生成的，此处的分割掩码为利用当前次训练好的分割模型根据输入的心脏超声图像进行推理得到的，该推理得到的分割掩码图像对应的心脏超声图像为利用上一次训练好的风格迁移模型进行推理得到的。
优选地，在分割模型的第一次深入训练中，推理得到的心脏超声图像为通过初步训练好的风格迁移模型利用分割掩码图像推理得到的；分割掩码图像为人工标注的分割掩码数据增强后生成的分割掩码图像；在分割模型的第二次及以上的深入训练中，推理得到的心脏超声图像为通过上一次深入训练好的风格迁移模型利用上一次深入训练好的分割模型生成的分割掩码数据增强后生成的分割掩码图像推理得到的；
在风格迁移模型的第一次深入训练中，推理得到的分割掩码图像为利用分割掩码数据增强后生成的分割掩码图像，其中，此处的分割掩码为利用当前次深入训练好的分割模型根据输入的心脏超声图像进行推理得到的，此处输入的心脏超声图像为利用初步训练好的风格迁移模型进行推理得到的；
在风格迁移模型的第二次及以上的深入训练中，推理得到的分割掩码图像为利用分割掩码数据增强后生成的，此处的分割掩码为利用当前次深入训练好的分割模型根据输入的心脏超声图像进行推理得到的，此处输入的心脏超声图像为利用上一次深入训练好的风格迁移模型进行推理得到的。
优选地，所述分割模型包括第一编码模块和第一解码模块，所述第一编码模块用于将输入的心脏超声图像编码为图像特征向量，所述第一解码模块用于将图像特征向量解码为分割掩码，所述第一编码模块和第一解码模块通过横向连接进行信息融合。
优选地，所述风格迁移模型包括第二编码模块和第二解码模块，所述第二编码模块用于将输入的分割掩码图像编码为掩码特征向量，所述第二解码模块用于将掩码特征向量解码为心脏超声图像，所述第二编码模块和第二解码模块通过横向连接进行信息融合。
优选地，在所述分割模型的训练中，利用生成的分割掩码与对应使用的训练数据中的分割掩码计算交叉熵损失值，通过最小化交叉熵损失值来优化所述分割模型的参数。
优选地，在所述风格迁移模型的训练中，利用生成的心脏超声图像与对应使用的训练数据中的心脏超声图像计算均方差损失值，通过最小化均方差损失值来优化所述风格迁移模型的参数。
本发明第二方面提供了一种心脏超声图像的分割方法，包括：
将待分割的心脏超声图像输入至模型中，输出分割掩码；
其中，所述模型为利用如第一方面所述的用于心脏超声图像分割的模型训练方法预先训练得到的。
本发明第三方面提供了一种用于心脏超声图像分割的模型训练装置，包括：
模型训练模块，用于训练用于心脏超声图像分割的模型，所述用于心脏超声图像分割的模型包括分割模型和风格迁移模型，所述用于心脏超声图像分割的模型的训练依次包括一次初步训练和多次深入训练，所述模型训练模块包括模型初步训练模块和模型深入训练模块，所述模型初步训练模块用于进行一次初步训练，所述模型深入训练模块用于进行多次深入训练，在每次深入训练中，先进行分割模型的训练，再进行风格迁移模型的训练；利用初步训练数据进行初步训练，利用深入训练数据进行深入训练；在所述分割模型的训练中，以对应使用的训练数据中的心脏超声图像为输入，输出生成的分割掩码；在所述风格迁移模型的训练中，以对应使用的训练数据中的分割掩码图像为输入，输出生成的心脏超声图像；通过最小化损失函数值对所述分割模型和风格迁移模型的参数进行优化；
初步训练数据获取模块，用于获取初步训练数据，所述初步训练数据包括原始的心脏超声图像以及利用人工标注的分割掩码生成的原始的分割掩码图像，人工标注的分割掩码是对所述原始的心脏超声图像进行人工标注产生的；
深入训练数据获取模块，用于获取深入训练数据，在分割模型的当前次深入训练中，使用的深入训练数据包括上一次的训练数据、推理得到的心脏超声图像及其对应的分割掩码图像，其中，该推理得到的心脏超声图像为利用上一次训练好的风格迁移模型根据输入的分割掩码图像进行推理得到的，该推理得到的心脏超声图像对应的分割掩码图像为利用分割掩码数据增强后生成的，此处的分割掩码为人工标注的分割掩码或利用上一次训练好的分割模型进行推理得到的；在风格迁移模型的当前次深入训练中，使用的所述深入训练数据包括上一次的训练数据、推理得到的分割掩码图像及其对应的心脏超声图像，其中，该推理得到的分割掩码图像为利用分割掩码数据增强后生成的，此处的分割掩码为利用当前次训练好的分割模型根据输入的心脏超声图像进行推理得到的，该推理得到的分割掩码图像对应的心脏超声图像为利用上一次训练好的风格迁移模型进行推理得到的。
本发明还提供了一种存储器，存储有多条指令，所述指令用于实现第一方面所述的用于心脏超声图像分割的模型训练方法，以及第二方面所述的心脏超声图像的分割方法。
本发明还提供了一种电子设备，包括处理器和与所述处理器连接的存储器，所述存储器存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行第一方面所述的用于心脏超声图像分割的模型训练方法，以及第二方面所述的心脏超声图像的分割方法。
本发明的有益效果是：本发明提供的用于心脏超声图像分割的模型训练方法、装置和分割方法，对用于心脏超声图像分割的模型依次进行一次初步训练和多次深入训练，初步训练中利用少量的原始的心脏超声图像及其对应的分割掩码图像；深入训练中，利用上次训练好的分割模型或风格迁移模型对扩充的对应的训练数据进行推理，并将推理得到的结果与上次的训练数据混合形成新的训练数据，用于分割模型或风格迁移模型的下一次重新训练中。而且分割模型与风格迁移模型互补式交替训练，分割模型的推理结果用于风格迁移模型的重新训练，风格迁移模型的推理结果用于分割模型的重新训练。最终使得风格迁移模型可以通过分割掩码图像生成更逼真的心脏超声图像，分割模型的分割效果更加准确，同时提升了分割模型和风格迁移模型的精度，解决了现有技术在少量心脏超声图像的训练数据下对心脏超声图像分割精度不足的问题。
附图说明
图1为本发明所述用于心脏超声图像分割的模型训练方法流程示意图；
图2为本发明所述用于心脏超声图像分割的模型训练装置功能结构示意图。
具体实施方式
为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
本发明提供的方法可以在如下的终端环境中实施，该终端可以包括一个或多个如下部件：处理器、存储器和显示屏。其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分，通过运行或执行存储在存储器内的指令、程序、代码集或指令集，以及调用存储在存储器内的数据，执行终端的各种功能和处理数据。
存储器可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory，ROM)。存储器可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
除此之外，本领域技术人员可以理解，上述终端的结构并不构成对终端的限定，终端可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件，在此不再赘述。
实施例一
如图1所示，本发明实施例提供了一种用于心脏超声图像分割的模型训练方法，包括：
所述用于心脏超声图像分割的模型包括分割模型和风格迁移模型，所述用于心脏超声图像分割的模型的训练依次包括一次初步训练和多次深入训练，在每次深入训练中，先进行分割模型的训练，再进行风格迁移模型的训练；利用初步训练数据进行初步训练，利用深入训练数据进行深入训练；在所述分割模型的训练中，以对应使用的训练数据中的心脏超声图像为输入，输出生成的分割掩码；在所述风格迁移模型的训练中，以对应使用的训练数据中的分割掩码图像为输入，输出生成的心脏超声图像；通过最小化损失函数值对所述分割模型和风格迁移模型的参数进行优化；
所述初步训练数据包括原始的心脏超声图像以及利用人工标注的分割掩码生成的原始的分割掩码图像，人工标注的分割掩码是对所述原始的心脏超声图像进行人工标注产生的；
在分割模型的当前次深入训练中，使用的深入训练数据包括上一次的训练数据、推理得到的心脏超声图像及其对应的分割掩码图像，其中，该推理得到的心脏超声图像为利用上一次训练好的风格迁移模型根据输入的分割掩码图像进行推理得到的，该推理得到的心脏超声图像对应的分割掩码图像为利用分割掩码数据增强后生成的，此处的分割掩码为人工标注的分割掩码或利用上一次训练好的分割模型进行推理得到的；
在风格迁移模型的当前次深入训练中，使用的所述深入训练数据包括上一次的训练数据、推理得到的分割掩码图像及其对应的心脏超声图像，其中，该推理得到的分割掩码图像为利用分割掩码数据增强后生成的，此处的分割掩码为利用当前次训练好的分割模型根据输入的心脏超声图像进行推理得到的，该推理得到的分割掩码图像对应的心脏超声图像为利用上一次训练好的风格迁移模型进行推理得到的。
上述方法中提到的训练数据包括初步训练数据和深入训练数据，训练包括初步训练和深入训练，其中，在初步训练中用到的是初步训练数据，在深入训练中用到的是深入训练数据，即训练数据是与训练对应的。初步训练和深入训练是顺次进行的。对于整个训练过程而言，初步训练为模型的第一次训练，之后进行模型的第一次深入训练，即整个训练的第二次训练，所以，第一次深入训练的上一次训练为初步训练。由于深入训练要进行多次，而且分割模型和风格迁移模型的深入训练是交替进行，同时模型的每次训练用到的训练数据，都是经过扩充的，扩充的部分来自于上次训练好的模型的推理结果，其中，分割模型的推理结果用于风格迁移模型的重新训练，风格迁移模型的推理结果用于分割模型的重新训练。
在本发明的一个实施例中，在分割模型的第一次深入训练中，推理得到的心脏超声图像为通过初步训练好的风格迁移模型，利用分割掩码图像推理得到的；分割掩码图像为人工标注的分割掩码数据增强后生成的分割掩码图像；在分割模型的第二次及以上的深入训练中，推理得到的心脏超声图像为通过上一次深入训练好的风格迁移模型，利用上一次深入训练好的分割模型生成的分割掩码数据增强后生成的分割掩码图像推理得到的；
在风格迁移模型的第一次深入训练中，推理得到的分割掩码图像为利用分割掩码数据增强后生成的分割掩码图像，其中，该分割掩码为利用当前次深入训练好的分割模型根据输入的心脏超声图像进行推理得到的，该心脏超声图像为利用初步训练好的风格迁移模型进行推理得到的；在风格迁移模型的第二次及以上的深入训练中，推理得到的分割掩码图像为利用分割掩码数据增强后生成的，该分割掩码为利用当前次深入训练好的分割模型根据输入的心脏超声图像进行推理得到的，该心脏超声图像为利用上一次深入训练好的风格迁移模型进行推理得到的。
在本发明实施例中，所述分割模型包括第一编码模块和第一解码模块，所述第一编码模块用于将输入的心脏超声图像编码为图像特征向量，所述第一解码模块用于将图像特征向量解码为分割掩码，所述第一编码模块和第一解码模块通过横向连接进行信息融合。
在本发明的另一个实施例中，所述风格迁移模型包括第二编码模块和第二解码模块，所述第二编码模块用于将输入的分割掩码图像编码为掩码特征向量，所述第二解码模块用于将掩码特征向量解码为心脏超声图像，所述第二编码模块和第二解码模块通过横向连接进行信息融合。
其中，在所述分割模型的训练中，利用生成的分割掩码与对应使用的训练数据中的分割掩码计算交叉熵损失值，通过最小化交叉熵损失值来优化所述分割模型的参数。在所述风格迁移模型的训练中，利用生成的心脏超声图像与对应使用的训练数据中的心脏超声图像计算均方差损失值，通过最小化均方差损失值来优化所述风格迁移模型的参数。
具体的，本发明中的模型训练可以包括分割模型的初步训练、风格迁移模型的初步训练以及分割模型和风格迁移模型的互补式交替深入训练。下面分别进行详细的介绍。
一、分割模型的初步训练方法包括：获取少量的初步训练数据、初步训练分割模型并获得分割掩码、根据初步训练数据中的分割掩码和生成的分割掩码计算损失值并使其最小化。
第一步：获取少量的初步训练数据。
获取少量的高质量心脏超声图像，并人工对心脏超声图像进行像素级别的分割掩码标注，标注超声图像中感兴趣区域，将感兴趣区域属于同一类别的像素标注为一类，构成可被模型训练的标签数据。
第二步：初步训练分割模型并得到分割掩码。
分割模型由编码模块和解码模块构成，编码模块用于将输入的心脏超声图像编码为特征向量，解码模块将特征向量解码为分割掩码，编码模块和解码模块通过横向连接进行信息融合，避免编码和解码过程中的信息丢失，最终得到的分割掩码与初步训练数据中的人工标注的分割掩码计算损失值，通过最小化损失值来优化模型参数。
具体的，编码模块由4组卷积单元和下采样层构成，其中，卷积单元由两个3 × 3的卷积，批归一化和ReLU激活函数构成，下采样层由平均池化构成；解码模块由4组卷积单元和上采样层构成，其中，卷积单元由两个3 × 3的卷积，批归一化和ReLU激活函数构成，上采样层由双线性插值算法构成。对于输入分辨率为512 × 512 × 3的心脏超声图像，经过编码器编码后特征向量的维度为32 × 32 × 512，并输入到解码器进行解码，最终生成的分割掩码为512 × 512 ×nums，其中，nums表示感兴趣区域类别数量。
第三步：设计损失函数并最小化损失值。
输入心脏超声图像经过分割模型后得到其对应的分割掩码，利用交叉熵损失对生成的分割掩码与初步训练数据中的人工标注的分割掩码计算损失值Loss，交叉熵损失函数如下所示：
;
其中，nums表示类别数量，表示在(x,y)像素点属于/>类别的标签，/>表示模型预测在(x,y)的特征点属于/>类别的概率。
为最小化损失值，经过分割模型预测的分割掩码最终会逐步拟合人工标注的标签。最终经过初步训练后，利用分割模型可根据输入心脏超声图像获得较为精确的分割掩码。
二、风格迁移模型的初步训练方法包括：获取少量的初步训练数据、初步训练风格迁移模型并生成心脏超声图像、根据初步训练数据中的原始心脏超声图像和生成的心脏超声图像计算损失值并使其最小化。
第一步：对初步训练数据进行处理。
对人工标注的分割掩码数据进行处理。具体的，将感兴趣区域的不同类别合并为一类，并将其像素值设置为255，其余非感兴趣区域当作背景，像素值设为0，转换为人工标注的分割掩码图像，最终将人工标注的分割掩码图像和原始的心脏超声图像用于初步训练风格迁移模型。
第二步：初步训练风格迁移模型并生成心脏超声图像。
风格迁移模型同样由编码模块和解码模块构成，编码模块用于将输入的人工标注的分割掩码图像编码为特征向量，解码模块将特征向量解码为心脏超声图像，编码模块和解码模块通过横向连接进行信息融合，避免编码和解码过程中的信息丢失，最终生成的心脏超声图像与原始的心脏超声图像计算损失值，通过最小化损失值来优化模型参数。
具体的，编码模块由4组卷积单元和下采样层构成，其中，卷积单元由两个3 × 3的卷积，层归一化和ReLU激活函数构成，下采样层由一个3 × 3步长为2的卷积构成；解码模块由4组卷积单元和上采样层构成，其中，卷积单元由两个3 × 3的卷积，层归一化和ReLU激活函数构成，上采样层由转置卷积构成。对于输入分辨率为512 × 512 ×nums的掩码图像（nums表示感兴趣区域类别数量），经过编码器编码后特征向量的维度为32 × 32× 512，并输入到解码器进行解码，最终生成分辨率为512 × 512 × 3的心脏超声图像。
第三步：设计损失函数并最小化损失值。
输入的人工标注的分割掩码图像经过风格迁移模型后得到生成的心脏超声图像，利用均方差损失函数对生成的心脏超声图像和原始的心脏超声图像计算损失值Loss，均方差损失函数如下所示：
；
其中，n表示像素点个数，表示原始的心脏超声图像在(x,y)像素点的像素值，/>表示风格迁移模型生成的心脏超声图像在(x,y)像素点的像素值。
为了最小化损失值，风格迁移模型生成的心脏超声图像最终会逐步逼近对应的原始的心脏超声图像。最终经过初步训练后，利用风格迁移模型可根据输入的人工标注的分割掩码图像获得对应其样式较为逼真的心脏超声图像。
三、分割模型与风格迁移模型的多次深入训练，采用互补式图像-掩码生成方法，用于辅助训练分割模型与风格迁移模型，包括：利用数据增强技术对人工标注的分割掩码图像进行增强以生成新的分割掩码图像、利用初步训练好的风格迁移模型对增强后的分割掩码图像生成心脏超声图像并用于重新训练分割模型、利用重新训练好的分割模型对上一次训练好的风格迁移模型生成的心脏超声图像更新分割掩码并用于重新训练风格迁移模型，重复以上步骤直至分割模型达到精确的分割效果。
第一步：利用数据增强生成新的分割掩码图像。
数据增强在图像分割中起着关键作用，它是一种通过对原始图像进行变换和扩充来增加训练数据量和多样性的技术。在图像分割任务中，数据增强可以引入不同的视角、光照条件、噪声等因素的图像，从而扩充训练集，减少过拟合风险，并且能够提升模型的鲁棒性、泛化能力和性能。然而，心脏超声图像观测视窗小、图像噪声大，包含完整信息的心脏超声图像才具备辅助诊断的意义，对心脏超声图像进行数据增强往往会破坏图像的完整性。因此，传统的图像增强技术并不适用于心脏超声图像。针对此问题，本发明以分割掩码图像作为图像增强的对象，利用平移、缩放、错切等数据增强技术对分割掩码进行增广，从而得到新的分割掩码图像，利用分割掩码图像生成包含完整信息的心脏超声图像。
第二步：利用风格迁移模型生成心脏超声图像并重新训练分割模型。
利用初步训练好的风格迁移模型进行推理，对数据增强后生成的新的分割掩码图像生成其对应的心脏超声图像，从而获得了新的心脏超声图像和其对应增强后的新分割掩码图像，这部分扩充数据与原始的心脏超声图像与其标注掩码数据混合，按照本发明上文提出的分割模型训练方法重新训练分割模型，使其分割性能更精确。
第三步：利用分割模型更新掩码并训练风格迁移模型。
上一步骤描述了如何利用风格迁移模型为增强后的掩码图像生成对应的心脏超声图像。在上一步骤中，风格迁移模型是在少量数据下初步训练完成的，其生成的心脏超声图像会和对应的分割掩码存在一定偏差。因此，本发明中，使用经上一步骤中训练完成的分割模型对生成的心脏超声图像进行推理，从而生成新的分割掩码图像，这个过程是为了对分割掩码图像进行更新校准。利用生成的分割掩码图像（校准后的掩码）和第二步骤生成的心脏超声图像与原始心脏超声图像和其标注掩码数据混合，按照本发明上文中提到的风格迁移模型初步训练方法重新训练风格迁移模型，使风格迁移模型生成的心脏超声图像更加逼真。
重复第一、二、三步中的操作，即利用数据增强技术扩充分割掩码图像、利用扩充的分割掩码图像生成心脏超声图像、重新训练分割模型、利用重新训练的分割模型校准分割掩码图像、重新训练风格迁移模型，并不断重复。
通过本发明提出的互补式图像-掩码生成方法不断对分割模型和风格迁移模型进行深入训练，使分割模型精度不断提高、风格迁移模型生成图像逐渐逼真，最终解决了在少量可训练数据下分割模型分割精度较低的问题。
实施例二
本发明实施例提供了一种心脏超声图像的分割方法，包括：
将待分割的心脏超声图像输入至模型中，输出分割掩码；
其中，所述模型为利用实施例一所述的用于心脏超声图像分割的模型训练方法预先训练得到的。
用于心脏超声图像分割的模型训练方法可参见实施例一的描述，在此不再赘述。
实施例三
如图2所示，本发明的另一方面还包括和前述方法流程完全对应一致的功能模块架构，即本发明实施例还提供了一种用于心脏超声图像分割的模型训练装置，包括：
模型训练模块，用于训练用于心脏超声图像分割的模型，所述用于心脏超声图像分割的模型包括分割模型和风格迁移模型，所述用于心脏超声图像分割的模型的训练依次包括一次初步训练和多次深入训练，所述模型训练模块包括模型初步训练模块和模型深入训练模块，所述模型初步训练模块用于进行一次初步训练，所述模型深入训练模块用于进行多次深入训练，在每次深入训练中，先进行分割模型的训练，再进行风格迁移模型的训练；利用初步训练数据进行初步训练，利用深入训练数据进行深入训练；在所述分割模型的训练中，以对应使用的训练数据中的心脏超声图像为输入，输出生成的分割掩码；在所述风格迁移模型的训练中，以对应使用的训练数据中的分割掩码图像为输入，输出生成的心脏超声图像；通过最小化损失函数值对所述分割模型和风格迁移模型的参数进行优化；
初步训练数据获取模块，用于获取初步训练数据，所述初步训练数据包括原始的心脏超声图像以及利用人工标注的分割掩码生成的原始的分割掩码图像，人工标注的分割掩码是对所述原始的心脏超声图像进行人工标注产生的；
深入训练数据获取模块，用于获取深入训练数据，在分割模型的当前次深入训练中，使用的深入训练数据包括上一次的训练数据、推理得到的心脏超声图像及其对应的分割掩码图像，其中，该推理得到的心脏超声图像为利用上一次训练好的风格迁移模型根据输入的分割掩码图像进行推理得到的，该推理得到的心脏超声图像对应的分割掩码图像为利用分割掩码数据增强后生成的，此处的分割掩码为人工标注的分割掩码或利用上一次训练好的分割模型进行推理得到的；在风格迁移模型的当前次深入训练中，使用的所述深入训练数据包括上一次的训练数据、推理得到的分割掩码图像及其对应的心脏超声图像，其中，该推理得到的分割掩码图像为利用分割掩码数据增强后生成的，此处的分割掩码为利用当前次训练好的分割模型根据输入的心脏超声图像进行推理得到的，该推理得到的分割掩码图像对应的心脏超声图像为利用上一次训练好的风格迁移模型进行推理得到的。
该装置可通过上述实施例一提供的用于心脏超声图像分割的模型训练方法实现，具体的实现方法可参见实施例一中的描述，在此不再赘述。
本发明还提供了一种存储器，存储有多条指令，所述指令用于实现如实施例一所述的用于心脏超声图像分割的模型训练方法，以及如实施例二所述的心脏超声图像的分割方法。
本发明还提供了一种电子设备，包括处理器和与所述处理器连接的存储器，所述存储器存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行如实施例一所述的用于心脏超声图像分割的模型训练方法，以及如实施例二所述的心脏超声图像的分割方法。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种用于心脏超声图像分割的模型训练方法，其特征在于，包括：
所述用于心脏超声图像分割的模型包括分割模型和风格迁移模型，所述用于心脏超声图像分割的模型的训练依次包括一次初步训练和有限次深入训练，在每次深入训练中，先进行分割模型的训练，再进行风格迁移模型的训练；利用初步训练数据进行初步训练，利用深入训练数据进行深入训练；在所述分割模型的训练中，以对应使用的训练数据中的心脏超声图像为输入，输出生成的分割掩码；在所述风格迁移模型的训练中，以对应使用的训练数据中的分割掩码图像为输入，输出生成的心脏超声图像；通过最小化损失函数值对所述分割模型和风格迁移模型的参数进行优化；
所述初步训练数据包括原始的心脏超声图像以及利用人工标注的分割掩码生成的原始的分割掩码图像，人工标注的分割掩码是对所述原始的心脏超声图像进行人工标注产生的；
在分割模型的当前次深入训练中，使用的深入训练数据包括上一次的训练数据、推理得到的心脏超声图像及其对应的分割掩码图像，其中，该推理得到的心脏超声图像为利用上一次训练好的风格迁移模型根据输入的分割掩码图像进行推理得到的，该推理得到的心脏超声图像对应的分割掩码图像为利用分割掩码数据增强后生成的，此处的分割掩码为人工标注的分割掩码或利用上一次训练好的分割模型进行推理得到的；
在风格迁移模型的当前次深入训练中，使用的所述深入训练数据包括上一次的训练数据、推理得到的分割掩码图像及其对应的心脏超声图像，其中，该推理得到的分割掩码图像为利用分割掩码数据增强后生成的，此处的分割掩码为利用当前次训练好的分割模型根据输入的心脏超声图像进行推理得到的，该推理得到的分割掩码图像对应的心脏超声图像为利用上一次训练好的风格迁移模型进行推理得到的。
2.如权利要求1所述的用于心脏超声图像分割的模型训练方法，其特征在于，在分割模型的第一次深入训练中，推理得到的心脏超声图像为通过初步训练好的风格迁移模型利用分割掩码图像推理得到的；分割掩码图像为人工标注的分割掩码数据增强后生成的分割掩码图像；在分割模型的第二次及以上的深入训练中，推理得到的心脏超声图像为通过上一次深入训练好的风格迁移模型利用上一次深入训练好的分割模型生成的分割掩码数据增强后生成的分割掩码图像推理得到的；
在风格迁移模型的第一次深入训练中，推理得到的分割掩码图像为利用分割掩码数据增强后生成的分割掩码图像，其中，此处的分割掩码为利用当前次深入训练好的分割模型根据输入的心脏超声图像进行推理得到的，此处输入的心脏超声图像为利用初步训练好的风格迁移模型进行推理得到的；
在风格迁移模型的第二次及以上的深入训练中，推理得到的分割掩码图像为利用分割掩码数据增强后生成的，此处的分割掩码为利用当前次深入训练好的分割模型根据输入的心脏超声图像进行推理得到的，此处输入的心脏超声图像为利用上一次深入训练好的风格迁移模型进行推理得到的。
3.如权利要求1所述的用于心脏超声图像分割的模型训练方法，其特征在于，所述分割模型包括第一编码模块和第一解码模块，所述第一编码模块用于将输入的心脏超声图像编码为图像特征向量，所述第一解码模块用于将图像特征向量解码为分割掩码，所述第一编码模块和第一解码模块通过横向连接进行信息融合。
4.如权利要求1所述的用于心脏超声图像分割的模型训练方法，其特征在于，所述风格迁移模型包括第二编码模块和第二解码模块，所述第二编码模块用于将输入的分割掩码图像编码为掩码特征向量，所述第二解码模块用于将掩码特征向量解码为心脏超声图像，所述第二编码模块和第二解码模块通过横向连接进行信息融合。
5.如权利要求1所述的用于心脏超声图像分割的模型训练方法，其特征在于，在所述分割模型的训练中，利用生成的分割掩码与对应使用的训练数据中的分割掩码计算交叉熵损失值，通过最小化交叉熵损失值来优化所述分割模型的参数。
6.如权利要求1所述的用于心脏超声图像分割的模型训练方法，其特征在于，在所述风格迁移模型的训练中，利用生成的心脏超声图像与对应使用的训练数据中的心脏超声图像计算均方差损失值，通过最小化均方差损失值来优化所述风格迁移模型的参数。
7.一种心脏超声图像的分割方法，其特征在于，包括：
将待分割的心脏超声图像输入至模型中，输出分割掩码；
其中，所述模型为利用如权利要求1-6任一项所述的用于心脏超声图像分割的模型训练方法预先训练得到的。
8.一种用于心脏超声图像分割的模型训练装置，其特征在于，包括：
模型训练模块，用于训练用于心脏超声图像分割的模型，所述用于心脏超声图像分割的模型包括分割模型和风格迁移模型，所述用于心脏超声图像分割的模型的训练依次包括一次初步训练和有限次深入训练，所述模型训练模块包括模型初步训练模块和模型深入训练模块，所述模型初步训练模块用于进行一次初步训练，所述模型深入训练模块用于进行有限次深入训练，在每次深入训练中，先进行分割模型的训练，再进行风格迁移模型的训练；利用初步训练数据进行初步训练，利用深入训练数据进行深入训练；在所述分割模型的训练中，以对应使用的训练数据中的心脏超声图像为输入，输出生成的分割掩码；在所述风格迁移模型的训练中，以对应使用的训练数据中的分割掩码图像为输入，输出生成的心脏超声图像；通过最小化损失函数值对所述分割模型和风格迁移模型的参数进行优化；
初步训练数据获取模块，用于获取初步训练数据，所述初步训练数据包括原始的心脏超声图像以及利用人工标注的分割掩码生成的原始的分割掩码图像，人工标注的分割掩码是对所述原始的心脏超声图像进行人工标注产生的；
深入训练数据获取模块，用于获取深入训练数据，在分割模型的当前次深入训练中，使用的深入训练数据包括上一次的训练数据、推理得到的心脏超声图像及其对应的分割掩码图像，其中，该推理得到的心脏超声图像为利用上一次训练好的风格迁移模型根据输入的分割掩码图像进行推理得到的，该推理得到的心脏超声图像对应的分割掩码图像为利用分割掩码数据增强后生成的，此处的分割掩码为人工标注的分割掩码或利用上一次训练好的分割模型进行推理得到的；在风格迁移模型的当前次深入训练中，使用的所述深入训练数据包括上一次的训练数据、推理得到的分割掩码图像及其对应的心脏超声图像，其中，该推理得到的分割掩码图像为利用分割掩码数据增强后生成的，此处的分割掩码为利用当前次训练好的分割模型根据输入的心脏超声图像进行推理得到的，该推理得到的分割掩码图像对应的心脏超声图像为利用上一次训练好的风格迁移模型进行推理得到的。
9.一种存储器，其特征在于，存储有多条指令，所述指令用于实现如权利要求1-6任一项所述的用于心脏超声图像分割的模型训练方法，以及如权利要求7所述的心脏超声图像的分割方法。
10.一种电子设备，其特征在于，包括处理器和与所述处理器连接的存储器，所述存储器存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行如权利要求1-6任一项所述的用于心脏超声图像分割的模型训练方法，以及如权利要求7所述的心脏超声图像的分割方法。
CN202311359000.6A 2023-10-19 2023-10-19 用于心脏超声图像分割的模型训练方法、装置和分割方法 Active CN117095395B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311359000.6A CN117095395B (zh) 2023-10-19 2023-10-19 用于心脏超声图像分割的模型训练方法、装置和分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311359000.6A CN117095395B (zh) 2023-10-19 2023-10-19 用于心脏超声图像分割的模型训练方法、装置和分割方法

Publications (2)

Publication Number Publication Date
CN117095395A CN117095395A (zh) 2023-11-21
CN117095395B true CN117095395B (zh) 2024-02-09

Family

ID=88772142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311359000.6A Active CN117095395B (zh) 2023-10-19 2023-10-19 用于心脏超声图像分割的模型训练方法、装置和分割方法

Country Status (1)

Country Link
CN (1) CN117095395B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210034462A (ko) * 2019-09-20 2021-03-30 삼성전자주식회사 픽셀 별 주석을 생성하는 생성적 적대 신경망(gan)을 학습시키는 방법
CN112767266A (zh) * 2021-01-11 2021-05-07 之江实验室 一种面向深度学习的显微内窥镜图像数据增强方法
DE102021125234A1 (de) * 2020-09-30 2022-03-31 Nvidia Corporation Datenerweiterung einschliesslich hintergrundmodifikation für robuste vorhersage mit neuronalen netzwerken
CN114387264A (zh) * 2022-01-18 2022-04-22 桂林电子科技大学 一种he染色病理图像数据扩充与增强的方法
CN114897914A (zh) * 2022-03-16 2022-08-12 华东师范大学 基于对抗训练的半监督ct图像分割方法
CN115439650A (zh) * 2022-08-11 2022-12-06 南京工业大学 基于ct图像跨模态迁移学习的肾脏超声图像分割方法
CN115761228A (zh) * 2022-11-11 2023-03-07 北京医准智能科技有限公司 一种冠状动脉钙化斑块分割方法、装置、设备及存储介质
CN116051470A (zh) * 2022-12-16 2023-05-02 鹏城实验室 一种基于数据增强的肝脏ct术后肿瘤分割方法及装置
CN116469103A (zh) * 2023-04-14 2023-07-21 清华大学深圳国际研究生院 一种医学图像分割数据自动标注的方法
CN116843901A (zh) * 2023-07-17 2023-10-03 苏州微创畅行机器人有限公司 医学图像分割模型训练方法和医学图像分割方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210034462A (ko) * 2019-09-20 2021-03-30 삼성전자주식회사 픽셀 별 주석을 생성하는 생성적 적대 신경망(gan)을 학습시키는 방법
DE102021125234A1 (de) * 2020-09-30 2022-03-31 Nvidia Corporation Datenerweiterung einschliesslich hintergrundmodifikation für robuste vorhersage mit neuronalen netzwerken
CN112767266A (zh) * 2021-01-11 2021-05-07 之江实验室 一种面向深度学习的显微内窥镜图像数据增强方法
CN114387264A (zh) * 2022-01-18 2022-04-22 桂林电子科技大学 一种he染色病理图像数据扩充与增强的方法
CN114897914A (zh) * 2022-03-16 2022-08-12 华东师范大学 基于对抗训练的半监督ct图像分割方法
CN115439650A (zh) * 2022-08-11 2022-12-06 南京工业大学 基于ct图像跨模态迁移学习的肾脏超声图像分割方法
CN115761228A (zh) * 2022-11-11 2023-03-07 北京医准智能科技有限公司 一种冠状动脉钙化斑块分割方法、装置、设备及存储介质
CN116051470A (zh) * 2022-12-16 2023-05-02 鹏城实验室 一种基于数据增强的肝脏ct术后肿瘤分割方法及装置
CN116469103A (zh) * 2023-04-14 2023-07-21 清华大学深圳国际研究生院 一种医学图像分割数据自动标注的方法
CN116843901A (zh) * 2023-07-17 2023-10-03 苏州微创畅行机器人有限公司 医学图像分割模型训练方法和医学图像分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Lesion Segmentation in Gastroscopic Images Using Generative Adversarial Networks;Sun, Yaru et al.;《Journal of Digital Imaging》;第35卷(第3期);全文 *
Less is More: Unsupervised Mask-guided Annotated CT Image Synthesis with Minimum Manual Segmentations;Xiaodan Xing et.al;《IEEE Transactions on Medical Imaging 》;第42卷(第9期);全文 *
基于条件生成式对抗网络的情感语音生成模型;崔新明 等;《计算机系统应用》;全文 *

Also Published As

Publication number Publication date
CN117095395A (zh) 2023-11-21

Similar Documents

Publication Publication Date Title
CN111627019A (zh) 一种基于卷积神经网络的肝脏肿瘤分割方法及系统
CN108921851A (zh) 一种基于3d对抗网络的医学ct图像分割方法
CN109003270B (zh) 一种图像处理方法、电子设备及存储介质
CN113674253A (zh) 基于U-Transformer的直肠癌CT影像自动分割方法
CN117274270B (zh) 基于人工智能的消化内镜实时辅助系统及方法
CN117078692B (zh) 一种基于自适应特征融合的医疗超声图像分割方法及系统
CN114897780A (zh) 一种基于mip序列的肠系膜上动脉血管重建方法
CN112634265B (zh) 基于dnn的胰腺全自动分割模型的构建、分割方法及系统
CN112785593A (zh) 一种基于深度学习的脑部图像分割方法
CN114972291B (zh) 基于混合增强智能的医学影像结构化自动标注方法与系统
CN113658201A (zh) 基于增强型多尺度特征的深度学习结直肠癌息肉分割装置
CN114943721A (zh) 一种建立基于改进U-Net网络的颈部超声图像分割方法
KR102436035B1 (ko) 심층신경망을 이용하여 초음파 영상으로부터 골격근의 상태를 진단하기 위한 장치 및 이를 위한 방법
CN113902738A (zh) 一种心脏mri分割方法及系统
CN114387282A (zh) 一种医学影像器官精准自动分割方法及系统
CN117635625A (zh) 基于自动数据增强策略和多注意力辅助UNet的胰腺肿瘤分割方法
CN117523204A (zh) 面向医疗场景的肝脏肿瘤图像分割方法、装置和可读存储介质
CN118015396A (zh) 一种基于无监督的医学图像器官分割模型预训练方法
CN117095395B (zh) 用于心脏超声图像分割的模型训练方法、装置和分割方法
CN117953208A (zh) 一种基于图的边缘注意力门医学影像分割方法及装置
CN117522891A (zh) 一种3d医学图像分割系统及方法
CN116467675A (zh) 一种融合多模态特征的内脏器官属性编码方法及系统
CN116778158A (zh) 基于改进u形网络的多组织成分图像分割方法及系统
CN115375706A (zh) 图像分割模型训练方法、装置、设备及存储介质
CN115908888A (zh) 一种介入手术机器人基于Unet的DSA图像序列的血管介入器械跟踪方法

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
GR01 Patent grant
GR01 Patent grant