CN117315244A - 融合多尺度特征的医学图像分割方法、设备、存储介质 - Google Patents
融合多尺度特征的医学图像分割方法、设备、存储介质 Download PDFInfo
- Publication number
- CN117315244A CN117315244A CN202311169956.XA CN202311169956A CN117315244A CN 117315244 A CN117315244 A CN 117315244A CN 202311169956 A CN202311169956 A CN 202311169956A CN 117315244 A CN117315244 A CN 117315244A
- Authority
- CN
- China
- Prior art keywords
- medical image
- module
- image segmentation
- blocks
- scale features
- 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 48
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000004927 fusion Effects 0.000 claims abstract description 24
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 7
- 238000012360 testing method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000002307 prostate Anatomy 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000000968 intestinal effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
-
- 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)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种融合多尺度特征的医学图像分割方法、设备、存储介质,方法利用预训练好的医学图像分割模型进行分割,其中,医学图像分割模型包括:编码器模块,包括基于transformer和基于卷积神经网络的两组不同编码块,用于从待分割图像中提取多尺度特征;特征融合模块,分别与各个编码块连接,用于基于交叉注意力机制,对多尺度特征进行编码和融合;解码器模块,分别于编码器模块和特征融合模块连接,包括多个解码块,用于基于融合后的特征输出最终的分割图。本发明将transformer作为主干网络,同时借助于CNN提取低尺度特征,再对特征进行融合,使得模型具有更强的特征提取和特征融合能力,实现更准确的分割。
Description
技术领域
本发明涉及医学图像分割技术领域,尤其是涉及一种融合多尺度特征的医学图像分割方法、设备、存储介质。
背景技术
医疗辅助系统逐渐成为现实,通过对医学图像进行处理和只能分析能够为医生进行诊断和治疗提供帮助。在医学图像处理过程中,图像分割又是尤为关键的一步,是后续进行辅助诊断和治疗的工作基础。同时医学图像本身就具有很高的复杂性,因此想从医学图像中自动分割出目标是个艰巨的任务。现有的分割方法主要都是利用单一纬度的特征提取方式,不能够很好的利用多尺度的特征信息。
中国专利申请公开号CN116563204A公开了一种融合多尺度残差注意力的医学图像分割方法,步骤是:对采集的数据集预处理后进行训练集、验证集、测试集划分;数据增强,在训练过程中采用0.5的概率对数据进行随机垂直翻转、随机水平翻转和随机旋转;构建多尺度残差注意力网络,在编码器部分,网络减少双卷积中间部分的通道数,适度减小网络参数;在解码器设计多尺度残差注意力模块来捕捉不同尺度下医学图像的细节特征,提高图像特征图的利用率,缓解由于网络过深引起的梯度消失问题和退化问题,进一步提高网络的稳定性;在测试集测试模型,得到模型的分割结果。
上述申请克服了医学图像目标区域与背景边界模糊的问题,但是,上述申请仍然存在多尺度特征提取不充分的问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种融合多尺度特征的医学图像分割方法、设备、存储介质,通过对图像的多尺度特征进行提取和融合,提高模型学习能力。
本发明的目的可以通过以下技术方案来实现:
本发明的一个方面,提供了一种融合多尺度特征的医学图像分割方法,利用预训练好的医学图像分割模型对获取到的医学图像进行分割,其中,所述的医学图像分割模型包括:
编码器模块,包括基于transformer和基于卷积神经网络的两组不同编码块,用于从待分割图像中提取多尺度特征;
特征融合模块,分别与各个编码块连接,用于基于交叉注意力机制,对多尺度特征进行编码和融合;
解码器模块,分别于所述编码器模块和特征融合模块连接,包括多个解码块,用于基于融合后的特征输出最终的分割图。
作为优选的技术方案,所述的两组不同编码块包括多层基于卷积神经网络的编码块以及多层基于transformer的编码块,所述的基于transformer的编码块包括多个CSWinTransformer块,所述的基于卷积神经网络的编码块包括多个卷积块。
作为优选的技术方案,所述的特征融合块包括:
特征编码子模块,用于将所述编码器模块输出的多尺度特征映射到同一区域并在通道维度进行拼接;
通道注意力计算子模块,用于针对拼接后的输出进行交叉注意力计算;
融合子模块,用于针对交叉注意力计算结果进行融合处理。
作为优选的技术方案,所述的通道注意力计算子模块包括第一计算子模块和第二计算子模块,其中,将Ti c作为query,作为key和value作为所述第一计算子模块的输入,将Ti t作为query,/>作为key和value作为所述第二计算子模块的输入,其中,Ti c、Ti t为所述特征编码子模块中映射到同一区域后的两个通道的特征向量,/>为所述特征编码子模块中在通道维度进行拼接后的两个通道的特征向量。
作为优选的技术方案,所述的特征融合模块包括多个解码块,每个所述解码块包括多个CSWin Transformer块。
作为优选的技术方案,所述的编码器模块通过中间层与所述解码器模块连接。
作为优选的技术方案,所述的中间层包括CSWin Transforemer块。
作为优选的技术方案,基于损失函数对所述医学图像分割模型进行训练,得到所述的预训练好的医学图像分割模型,其中,所述损失函数包括Dice函数和交叉熵函数。
本发明的另一个方面,提供了一种电子设备,包括:一个或多个处理器以及存储器,所述存储器内储存有一个或多个程序,所述一个或多个程序包括用于执行上述融合多尺度特征的医学图像分割方法的指令。
本发明的另一个方面,提供了一种计算机可读存储介质,包括供电子设备的一个或多个处理器执行的一个或多个程序,所述一个或多个程序包括用于执行上述融合多尺度特征的医学图像分割方法的指令。
与现有技术相比,本发明具有以下优点:
(1)采用两种网络进行特征提取,提高模型训练能力:不同于部分现有方法使用单类网络进行特征提取,本申请采用基于transformer和卷积神经网络的医学图像分割模型,将transformer作为主干网络,同时借助于CNN提取低尺度特征,再对特征进行融合,使得模型具有更强的特征提取和特征融合能力,实现更准确的分割。
(2)能够快速建立全局关系:传统的transformer结构一定程度上缺少了对于全局关系的归纳,本申请采用采用的是CSWin Transformer块构建模型,通过十字窗口注意力机制的计算,经过两层计算就可以建立全局的关系。
(3)能够有效建立不同尺度特征间的联系:本申请两个通道注意力计算模块,分别对CNN和Transformer提取的特征进行计算,并且采用交叉通道注意力,更好的建立不同尺度特征之间的联系。
附图说明
图1为融合多尺度特征的医学图像分割模型示意图;
图2为融合多尺度特征的医学图像分割模型中特征融合模块(CMT)示意图
图3为图2中融合多尺度特征的医学图像分割模型中特征融合模块中特征拼接模块(MFB)示意图
图4为融合多尺度特征的医学图像分割模型中CSWin Transformer块的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例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的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例1
针对前述现有技术存在的问题,本实施例提供了一种融合多尺度特征的医学图像分割方法,利用预训练好的医学图像分割模型对获取到的医学图像进行分割,方法包括如下步骤:
S1、获取待分割的医学图像,对目标区域进行标注;
S2、对原始数据进行预处理;
S3、按照预设比例将图像数据集分为训练集和测试集;
S4、生成一个医学图像分割模型,将数据集的训练集输入所述医学图像分割模型,以训练所述医学图像分割模型;
S5:将数据集的测试集输入训练好的图像分割模型中,获取分割图像。
具体的,医学图像分割模型的结构如图1所述,模型基于transformer和CNN设计的,结构如下:
①构建编码模块,编码模块主要包括两个部分,结构如下:
基于卷积神经网络的编码块,在网络的编码结构采用了三层编码块,其中每层编码块包括两个卷积层,一个ReLU激活层以及最大池化层(MaxPooling)。
基于transformer的编码块,在网络的编码结构采用了三层编码块,其中每层编码块都是由CSWin Transformer块构成,其中CSWin Transformer块的数目分别为1、2、21。
②构建特征融合块(CMT),参见图2,特征融合模块主要包括特征编码模块、注意力计算模块和融合模块三个部分,结构如下:
特征编码模块。给定每个阶段的CNN和transformer分别输出和首先需要将每个尺度的编码器特征映射到相同的区域,每个阶段的编码器输出分别用大小为/>重塑为/>和/>然后将他们分别拼接为/>和/>
其中Contact为通道拼接操作。
两个通道注意力计算模块。将作为query,/>作为key和value作为其中一个通道注意力模块的输入,同理/>作为query,/>作为key和value输入另一通道注意力模块进行注意力计算:
其中 分别表示两个注意力模块的不同输入的权重参数矩阵,d表示输入序列的长度,Ci(i=1,2,3)表示不同阶段的通道数。
和/>用来分别进行交叉注意力计算(CA):
其中ψ(·)表示归一化操作,σ(·)表示softmax函数。在N头的情况下,经过多头交叉注意力计算为:
融合模块。将输出的和/>分别对应输入特征融合模块(MFB)。特征融合模块的结构如图3所述。首先将/>和/>转化为/>和/>然后进行特征融合操作计算得到输出Si:
其中最后进行下采样和RELU得到输出/>最后将Oi与第i级的解码器的上采样特征进行连接。
③中间层。主要包含一个CSWin Transformer模块。
④解码器块。在网络的解码结构,与编码器块相对应,使用了四层编码块,其中包括三层与编码器相对应的解码块,每层解码块都是由CSWin Transformer块构成,其中CSWin Transformer块的数目分别为1、2、21;一层扩张块,包括一个线性层和一个卷积层。
参见图4为本实施例中CSWin Transformer的示意图,包括顺次连接的第一LN层、具有十字形窗口的视觉Transformer主干网络、第二LN层和多层感知器。
本实施例中医学图像分割模型中卷积神经网络编码块的具体结构参数如表1所述。
表1卷积神经网络编码块结构参数
在模型的训练过程中,损失函数定义为Dice函数和交叉熵函数构成的新的损失Lseg表达式如下:
Lseg=0.6*Ldice+0.4*Lce
其中,y为标准分割,表示解码器块输出的分割图,Lce为多分类交叉熵损失函数,Ldice为Dice损失函数。
下面以实际应用为例进行说明,包括如下步骤:
Step1,获取待分割的医学图像,对目标区域进行标注,形成数据集;
其中,以前列腺器官分割为例,实验所用的所器官分割数据集包括150个病人,每个样本包含4个标签,标签器官分别为前列腺、肠和囊泡。
Step2,对原始数据进行预处理,在数据预处理过程中,为保证图像具有相同的尺寸和分辨率,本文将原始切片图像与标注图像的空间分辨率统一采样为224×224;
Step3,按照预设比例将图像数据集划分为训练集和测试集,训练集为120例,测试集为30例。
Step4,生成医学图像分割模型,将数据集的训练集输入所述医学图像分割模型,以训练所述医学图像分割模型;
网络采用SGD算法对损失函数进行优化,batch size大小设置为24,epoch为250,学习率设置为0.05。
Step5,将数据集的测试集输入训练好的图像分割模型中,获取分割图像。
其中分割结果通过Dice相似系数(DSC)以及平均Hausdorff距离(HD)。
经过多轮实验,如表2所示,在前列腺器官分割数据集上,DSC达到了84.41%,HD达到了3.11。
表2实验结果
本发明融合transformer和CNN特征,在传统U型结构的基础上进行改进,将transformer作为主干网络,同时借助于CNN提取低尺度特征,再对特征进行融合,使得模型具有更强的特征提取和特征融合能力,实现更准确的分割。
实施例2
本实施例提供了一种电子设备,包括:一个或多个处理器以及存储器,所述存储器内储存有一个或多个程序,所述一个或多个程序包括用于执行如实施例1所述融合多尺度特征的医学图像分割方法的指令。
实施例3
本实施例提供了一种计算机可读存储介质,包括供电子设备的一个或多个处理器执行的一个或多个程序,所述一个或多个程序包括用于执行如实施例1所述融合多尺度特征的医学图像分割方法的指令。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,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,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种融合多尺度特征的医学图像分割方法,其特征在于,利用预训练好的医学图像分割模型对获取到的医学图像进行分割,其中,所述的医学图像分割模型包括:
编码器模块,包括基于transformer和基于卷积神经网络的两组不同编码块,用于从待分割图像中提取多尺度特征;
特征融合模块,分别与各个编码块连接,用于基于交叉注意力机制,对多尺度特征进行编码和融合;
解码器模块,分别于所述编码器模块和特征融合模块连接,包括多个解码块,用于基于融合后的特征输出最终的分割图。
2.根据权利要求1所述的一种融合多尺度特征的医学图像分割方法,其特征在于,所述的两组不同编码块包括多层基于卷积神经网络的编码块以及多层基于transformer的编码块,所述的基于transformer的编码块包括多个CSWin Transformer块,所述的基于卷积神经网络的编码块包括多个卷积块。
3.根据权利要求1所述的一种融合多尺度特征的医学图像分割方法,其特征在于,所述的特征融合块包括:
特征编码子模块,用于将所述编码器模块输出的多尺度特征映射到同一区域并在通道维度进行拼接;
通道注意力计算子模块,用于针对拼接后的输出进行交叉注意力计算;
融合子模块,用于针对交叉注意力计算结果进行融合处理。
4.根据权利要求3所述的一种融合多尺度特征的医学图像分割方法,其特征在于,所述的通道注意力计算子模块包括第一计算子模块和第二计算子模块,其中,将作为query,作为key和value作为所述第一计算子模块的输入,将/>作为query,/>作为key和value作为所述第二计算子模块的输入,其中,/>为所述特征编码子模块中映射到同一区域后的两个通道的特征向量,/>为所述特征编码子模块中在通道维度进行拼接后的两个通道的特征向量。
5.根据权利要求1所述的一种融合多尺度特征的医学图像分割方法,其特征在于,所述的特征融合模块包括多个解码块,每个所述解码块包括多个CSWin Transformer块。
6.根据权利要求1所述的一种融合多尺度特征的医学图像分割方法,其特征在于,所述的编码器模块通过中间层与所述解码器模块连接。
7.根据权利要求6所述的一种融合多尺度特征的医学图像分割方法,其特征在于,所述的中间层包括CSWin Transforemer块。
8.根据权利要求1所述的一种融合多尺度特征的医学图像分割方法,其特征在于,基于损失函数对所述医学图像分割模型进行训练,得到所述的预训练好的医学图像分割模型,其中,所述损失函数包括Dice函数和交叉熵函数。
9.一种电子设备,其特征在于,包括:一个或多个处理器以及存储器,所述存储器内储存有一个或多个程序,所述一个或多个程序包括用于执行如权利要求1-8任一所述融合多尺度特征的医学图像分割方法的指令。
10.一种计算机可读存储介质,其特征在于,包括供电子设备的一个或多个处理器执行的一个或多个程序,所述一个或多个程序包括用于执行如权利要求1-8任一所述融合多尺度特征的医学图像分割方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311169956.XA CN117315244A (zh) | 2023-09-12 | 2023-09-12 | 融合多尺度特征的医学图像分割方法、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311169956.XA CN117315244A (zh) | 2023-09-12 | 2023-09-12 | 融合多尺度特征的医学图像分割方法、设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117315244A true CN117315244A (zh) | 2023-12-29 |
Family
ID=89285707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311169956.XA Pending CN117315244A (zh) | 2023-09-12 | 2023-09-12 | 融合多尺度特征的医学图像分割方法、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117315244A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117746045A (zh) * | 2024-02-08 | 2024-03-22 | 江西师范大学 | 一种Transformer和卷积融合的医学图像分割方法及系统 |
-
2023
- 2023-09-12 CN CN202311169956.XA patent/CN117315244A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117746045A (zh) * | 2024-02-08 | 2024-03-22 | 江西师范大学 | 一种Transformer和卷积融合的医学图像分割方法及系统 |
CN117746045B (zh) * | 2024-02-08 | 2024-05-28 | 江西师范大学 | 一种Transformer和卷积融合的医学图像分割方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2019213369B2 (en) | Non-local memory network for semi-supervised video object segmentation | |
WO2023231329A1 (zh) | 一种医学图像的语义分割方法及装置 | |
CN111369565A (zh) | 一种基于图卷积网络的数字病理图像的分割与分类方法 | |
CN114359283B (zh) | 基于Transformer的缺陷检测方法和电子设备 | |
CN113159056B (zh) | 图像分割方法、装置、设备及存储介质 | |
CN110930378B (zh) | 基于低数据需求的肺气肿影像处理方法及系统 | |
CN112396605B (zh) | 网络训练方法及装置、图像识别方法和电子设备 | |
CN113836992B (zh) | 识别标签的方法、训练标签识别模型的方法、装置及设备 | |
CN113393469A (zh) | 基于循环残差卷积神经网络的医学图像分割方法和装置 | |
CN117315244A (zh) | 融合多尺度特征的医学图像分割方法、设备、存储介质 | |
CN116228792A (zh) | 一种医学图像分割方法、系统及电子装置 | |
CN110648331A (zh) | 用于医学图像分割的检测方法、医学图像分割方法及装置 | |
TWI803243B (zh) | 圖像擴增方法、電腦設備及儲存介質 | |
CN114283352A (zh) | 一种视频语义分割装置、训练方法以及视频语义分割方法 | |
CN110633706B (zh) | 一种基于金字塔网络的语义分割方法 | |
CN117421591A (zh) | 一种基于文本引导图像块筛选的多模态表征学习方法 | |
CN113159053A (zh) | 图像识别方法、装置及计算设备 | |
WO2024104035A1 (zh) | 基于长短期记忆自注意力模型的三维医学图像分割方法及系统 | |
CN113191355A (zh) | 文本图像合成方法、装置、设备及存储介质 | |
CN113724185A (zh) | 用于图像分类的模型处理方法、装置及存储介质 | |
CN116433654A (zh) | 一种改进的U-Net网络实现脊柱整体分割方法 | |
CN116580013A (zh) | 一种肝脏肿瘤分割方法 | |
CN113962990B (zh) | 胸部ct图像识别方法、装置、计算机设备和存储介质 | |
CN114549992A (zh) | 一种跨分辨率的建筑物影像提取方法及装置 | |
CN117974693B (zh) | 图像分割方法、装置、计算机设备和存储介质 |
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 |