CN117911705A - 一种基于GAN-UNet变体网络的脑部MRI肿瘤分割方法 - Google Patents
一种基于GAN-UNet变体网络的脑部MRI肿瘤分割方法 Download PDFInfo
- Publication number
- CN117911705A CN117911705A CN202410313700.XA CN202410313700A CN117911705A CN 117911705 A CN117911705 A CN 117911705A CN 202410313700 A CN202410313700 A CN 202410313700A CN 117911705 A CN117911705 A CN 117911705A
- Authority
- CN
- China
- Prior art keywords
- information
- layer
- convolution
- block
- unet
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 40
- 230000011218 segmentation Effects 0.000 title claims abstract description 40
- 210000004556 brain Anatomy 0.000 title claims abstract description 22
- 238000002595 magnetic resonance imaging Methods 0.000 title abstract description 25
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 208000032612 Glial tumor Diseases 0.000 claims abstract description 21
- 206010018338 Glioma Diseases 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 239000000084 colloidal system Substances 0.000 claims description 3
- 210000004767 rumen Anatomy 0.000 claims description 3
- 238000002759 z-score normalization Methods 0.000 claims description 3
- 208000003174 Brain Neoplasms Diseases 0.000 abstract description 14
- 238000012545 processing Methods 0.000 abstract description 3
- 230000008485 antagonism Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000012795 verification Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000002679 ablation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 201000007983 brain glioma Diseases 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种基于GAN‑UNet变体网络的脑部MRI肿瘤分割方法，属于医学图像处理技术领域，包括：通过生成器对四个模态数据进行处理，从而生成脑部肿瘤区域的预测结果；通过生成器网络结构中的编码器对胶质瘤的多模态MRI图像从低水平像素信息进行高阶维度的胶质瘤语义特征信息提取；通过生成器网络结构中的解码器对高阶维度的特征信息进行降维解析；通过判别器修正生成器预测的肿瘤区域的位置。本发明借助生成对抗网络提高肿瘤区域分割精度；添加了多尺度金字塔融合模块，提高整个网络的特征提取能力；添加了细化通道注意力模块，使整个网络具有多角度的注意力，提高了网络的肿瘤区域定位分割能力。
Description
技术领域
本发明涉及医学图像处理技术领域，尤其涉及一种基于GAN-UNet变体网络的脑部MRI肿瘤分割方法。
背景技术
计算机辅助的肿瘤分割技术对临床医生诊断和患者治疗有着重要作用，然而，每个患者的脑肿瘤病变程度通常是不一致的，且肿瘤位置、大小和形状等存在较大差异，此外MRI脑部影像也存在低对比度问题。如何为患者节约治疗时间，及时得到一份完善的治疗方案，精准分割脑部肿瘤区域是十分重要的。
传统的方法是由富有经验的放射科医生根据患者的核磁共振图像手工检测和分割，但这是一个耗时费力的工作，随着医生的工作强度，难免会出现疲劳导致失误的情况。随着，深度学习的快速发展和GPU等算力硬件的崛起，深度学习逐渐应用在机器视觉的各个领域，越来越多的研究人员开始应用深度学习在肿瘤分割任务当中。脑肿瘤图像中的大部分肿瘤区域是左右不对称的，为了克服这个困难，现有方法提出了一种结合对称性的新型深度卷积神经网络来自动分割脑肿瘤。脑肿瘤分割的医学图像数据在不同的模态上包含了不同的信息，现有方法提出了一种新的跨模态深度特征学习网络，能够从多模态MRI数据中分割脑肿瘤，也有方法提出一种新型端到端模态配对学习方法，并利用一系列层连接来捕获模态之间的复杂关系和丰富的信息。为了消除配对脑部肿瘤图像大规模标记数据的需求，受使用残差和镜像原理启发，又有方法提出了一种名为残差循环不成对编码器-解码器网络的网络架构。为了减少参数和计算复杂度的限制，有人提出了一种用于脑肿瘤分割的高效3D残差神经网络，它具有较少的计算复杂度和GPU内存消耗。为了可克服检测神经系统疾病的障碍，又有人提出了一种改进的U-Net和VGG-16来分割脑部MRI图像并识别感兴趣区域的方法。
上述现有方法虽然能够完成脑部肿瘤区域的分割任务，但是无法达到更准确的分割效果，同时，在脑部肿瘤更细致的区域划分上仍然存在不足。其次，模态配对学习增加了模型的计算复杂度，残差循环网络结构相对复杂，训练收敛较慢。最后U-Net和VGG-16作为通用框架，效果依赖特定任务的优化，部分方法缺乏足够的验证，应用中鲁棒性有待提高，且泛化能力有限，可能需要重新训练以适应新数据集，对细化或者不规则形状肿瘤的分割效果仍需提高。
发明内容
本发明的目的在于克服现有技术的缺点，提供了一种基于GAN-UNet变体网络的脑部MRI肿瘤分割方法，解决了现有技术存在的不足。
本发明的目的通过以下技术方案来实现：一种基于GAN-UNet变体网络的脑部MRI肿瘤分割方法，所述分割方法包括：
通过训练好的GAN-UNet变体网络结构的生成器中的编码器对胶质瘤的多模态MRI图像从低水平像素信息进行高阶维度的胶质瘤语义特征信息提取；
通过训练好的GAN-UNet变体网络结构的生成器中的解码器对高阶维度的特征信息进行降维解析：解码器的每一层经过上采样后对底层信息进行尺寸扩张，丰富分析内容，将细化通道注意力块放置在两种特征信息融合的两条路径上，分别进行一个前置预处理，细化通道注意力块对不同源信息进行重提炼，对信息在通道级上进行关注度划分，降低特征拼接后的计算量，对胶质瘤信息进行精准的通道级定位，并在特征拼接后由两个卷积核为3×3×3的卷积块与一个多尺度金字塔融合块进行特征降维解析；
通过卷积核为1×1×1的卷积块对输入的胶质瘤多模态MRI图像进行肿瘤区域的分割预测得到预测图片，并通过判别器输出结果。
所述编码器的每一层都由两个卷积核为3×3×3的卷积块和一个多尺度金字塔融合块构成，每层通过特征分析后都经过一个最大池化进行下采样后再传入下一层，并通过残差连接的方式，最大化保留特征信息；通过多尺度金字塔融合块进行抽象化信息分析，以减少胶质瘤特征信息的损失。
所述GAN-UNet变体网络结构的生成器中，每层增加一个第二卷积层来进行图像信息特征的提取。编码器每次下采样后将信息传递给下一层的输入和第二卷积层提取后的输入。解码器的每一层经过上采样后，第二卷积层提取信息特征，特征拼接后，信息同时传递给下一层的输入和第二卷积层提取后的输入。
所述多尺度金字塔融合块包括四层结构，第一层将输入信息分别经过4个卷积核为1×1×1的卷积块，使输入信息以多角度进行重塑，4个卷积块输出的信息再分别通过ReLu激活函数加组正则化的方式对数据进行非线性和归一化，选择其中一个卷积块作为第一层输出；第二层将第一层的第三和第四卷积块输出的信息融合，再经过一个卷积核为5×5×5的卷积块进行更广的局部特征提取；第三层将第一层的第二卷积块输出的信息与第二层输出的信息融合，再经过一个卷积核为3×3×3的卷积块进行常规特征提取；第四层将第三层输出的信息与第一层的第一卷积块输出的信息进行特征求和，最后将这四层的输出特征进行拼接融合，再经过一个卷积核为1×1×1的卷积块，将重塑后的特征信息作为卷积核为1×1×1的卷积块的输出。
所述细化通道注意力块分别放置在两种不同源信息融合路径上，其中一条路径是带有残差连接的特征信息提取块，另一条路径先经过一个卷积核为3×3×3的卷积块，然后转置经过全局平均池化处理，并计算通道级别的注意力权重，最后将计算好的通道注意力权重与细化后的特征信息相乘，从而得到带有通道级注意力的胶质瘤特征信息。
所述GAN-UNet变体网络结构还包括判别器，所述判别器将通过编码器和解码器生成的预测图片与真实标签图像经过由3D卷积层以及Relu激活函数，进行特征初次提取。然后逐次经过三个由3D卷积层、组正则化层和Relu激活函数堆叠的块，最后再通过由3D卷积层和Relu激活函数组成的块，输出判别结果。
所述分割方法还包括脑部MRI肿瘤数据预处理步骤，对训练数据集中的MRI图像进行标记，将每张MRI图像中为肿瘤信息的数据通过Z-score归一化方法进行预处理，并将图像的尺寸进行调整以适应GAN-UNet变体网格结构的分割要求。
本发明具有以下优点：一种基于GAN-UNet变体网络的脑部MRI肿瘤分割方法，利用博弈论思想，借助生成对抗网络提高肿瘤区域分割精度；添加了多尺度金字塔融合模块，提高整个网络的特征提取能力；添加了细化通道注意力模块，使整个网络具有多角度的注意力。从而，提高了网络的肿瘤区域定位分割能力。此外在两个数据集上验证效果表现较好，体现了网络的泛化性。同时，优化了各个模块之间的堆叠效果，加快了推理时间。
附图说明
图1为本发明的GAN-UNet变体网络结构示意图；
图2为生成器的结构示意图；
图3为原始GAN-UNet的网络结构示意图；
图4为本发明GAN-UNet变体网络结构中UNet的示意图；
图5为多尺度金字塔融合块的结构示意图；
图6为细化通道注意力块的结构示意图；
图7为判别器的结构示意图；
图8为消融实验可视化结果示意图；
图9为有无细化通道注意力块的特征映射比较图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下结合附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的保护范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域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，都属于本申请保护的范围。下面结合附图对本发明做进一步的描述。
如图1所示，本发明具体涉及一种基于GAN-UNet变体网络的脑部MRI肿瘤分割方法，整个网络分为生成器和判别器两部分。预处理后的3D数据先经过生成器生成预测肿瘤的3D数据，预测图像与真实图像进行相应计算得出Dice损失。然后，由生成器生成的图像再经过判别器，注意这里过滤后，判别器仅仅判别整个肿瘤区域图像是真实标签还是预测生成的，其目的在于通过判别器修正生成器预测的肿瘤区域的位置，然后通过二分类交叉熵函数计算得出WT损失。最后Dice损失和WT损失相加后，进行反向传播，不断迭代更新网络参数，优化网络对脑部肿瘤的分割精度。其具体包括以下内容：
脑部MRI肿瘤数据预处理：对于训练数据集当中的MRI图像，进行额外的归一化处理，使用 Z-score归一化方法，对每张图像进行预处理，这个过程我们将标记为0的像素除外。归一化后，将图像从240 × 240 × 155调整到128 × 128 × 128，以适应GAN-UNet变体网络的分割要求。
如图2所示，生成器由一个编码器和一个解码器构成，图中，通用卷积由3×3×3的卷积块、ReLU激活函数和组正则化三部分组成；其中，编码器对胶质瘤的多模态MRI图像从低水平像素信息进行高维度的胶质瘤语义特征信息提取。编码器的每一层都由2个卷积核为3×3×3的卷积块与一个多尺度金字塔融合块构成，每层通过特征分析后都会经历一个最大池化层，减少信息尺寸，随后传入下一层，并且通过残差连接的方式，提高特征信息的最大化保留。使用ReLu激活函数和组正则化的搭配使得特征提取效果更好，在生成器卷积核为3×3×3的卷积层之后、多尺度金字塔融合模块内、细化通道注意力模块内和判别器当中都用到了这种组合的搭配，分别对应于图2、图5、图6和图7。同时，提出的多尺度金字塔融合块能够更好的分析抽象化的信息，通过其新颖的特征融合方式，极大化减少脑胶质瘤特征信息的损失。
解码器对高阶维度的特征信息进行降维解释。每一层解码器需要对底层编码器的特征信息进行卷积核为2×2×2的反卷积操作（即上采样），对底层信息进行尺寸扩张，丰富分析内容。这个过程也需要当前层编码器的特征信息，来解决训练当中的梯度爆炸和消失问题。因此为了精炼不同来源的信息，我们提出细化通道注意力块。将细化通道注意力块放置在两种特征信息融合的两条路径上，分别进行一个前置预处理，细化通道注意力块对不同源信息进行重提炼，对信息在通道级上进行关注度划分，降低特征拼接后的计算量，对胶质瘤信息实施精准的通道级定位。同样地，特征拼接后，仍然由两个卷积核为3×3×3的卷积块与一个多尺度金字塔融合块进行特征降维解析，一步步从深层高维度信息走到浅层低维度信息。
最后，通过卷积核为1×1×1的卷积块，对输入的胶质瘤多模态MRI图像进行肿瘤区域的预测。
总体上，本发明的生成器网络结构设置了5层深度的U型网络，随着编码器每层的深度增加，提取的胶质瘤信息更加抽象，通过解码器不断的解析，将高阶特征信息逐渐映射到低维度特征上，完成脑部肿瘤分割任务。
进一步地，如图3和图4所示，由于GAN-UNet网络中原始UNet的特征提取能力不足，且不易提高网络分割能力。因此，本发明在此基础上进行了4部分的修改，包括：1、在每层增加一个第二卷积层来提取图像信息特征；2、编码器每次下采样后，将信息传递给下一层的输入和第二卷积层提取后的输入；3、解码器的每一层经过上采样后，第二卷积层，提取信息特征；4、特征拼接后，信息不仅传给后面的输入，还传给第二卷积层提取的输入。其中，第二卷积层为一个3×3×3的卷积块。
进一步地，如图5所示，受金字塔结构的特征信息融合方式激励，本发明提出多尺度金字塔融合模块，增强网络细粒度信息的分析和提取能力，图中，Ci表示输入通道数，D表示深度，W表示宽度，Co表示输出通道数，H表示高度。
多尺度金字塔融合模块的第一层将输入信息分别经过4个卷积核为1×1×1的卷积块，使输入信息以多角度进行重塑，4个卷积块输出的信息再分别通过ReLu激活函数加组正则化的方式对数据进行非线性和归一化，选择其中一个卷积块作为第一层输出。第二层将第一层其中两个卷积块输出的信息融合，再经过一个卷积核为5×5×5的卷积块进行更广的局部特征提取。第三层将将第二层输出的融合信息和第一层其中一个卷积块输出的信息经过一个卷积核为3×3×3的卷积块进行常规特征提取。第四层将第三层的输出信息与第一层最后一个卷积块输出的信息进行特征求和。最后将这四层的输出特征进行拼接融合，再经过一个卷积核为1×1×1的卷积块，将重塑后的特征信息作为该块的输出。
进一步地，如图6所示，在解码的过程中，需要前一层编码器输出和当前层编码器输出拼接。为了能够减少后续的计算量，提高脑部胶质瘤区域的关注度，提出了细化通道注意力块，细化通道注意力块分别放置在两种不同源信息融合路径上，对每条路径上的信息进行通道级的关注度，提炼出胶质瘤区域通道相关度高的位置，改善融合信息的杂糅情况。
输入特征图会在细化通道注意力块内部经历两条路径，一条路径是带有残差连接的特征信息提取块，另一条路径先经过一个卷积核为3×3×3的卷积块，然后转置经过全局平均池化处理，并计算通道级别的注意力权重，最后将计算好的通道注意力权重与细化后的特征信息相乘，从而得到带有通道级注意力的胶质瘤特征信息。
如图7所示，生成器生成的预测图片和真实标签图片先经过由3D卷积层和Relu激活函数，进行特征初次提取。然后，经过三个由3D卷积层、组正则化和Relu激活函数堆叠的块。最后，再通过由3D卷积层和Relu激活函数组成的块，输出判别结果。
本发明的算法在BraTS2020数据集上训练得到，并且在BraTS2020和BraTS2019两个数据集上，对本发明提出的算法进行验证。此外，对各个模块是否存在冗余进行了消融实验，其可视化结果如图8所示。
结果表明，本发明提出的算法中各个模块之间，并未存在冗余，反而各自都提高了网络的肿瘤区域定位分割能力。与此同时，将网络最顶层的映射图像展示出来，强调细化通道注意力模块的作用。其效果图如图9所示。
在没有细化通道注意力模块的网络中，网络以单一方式提取有关脑肿瘤的信息，并出现多个相似的特征图。相比之下，添加了细化通道注意力模块的网络特征图具有多种注意力方法，特征图重复率更少，提取的特征信息更丰富。
因此，本发明具有以下优势：
肿瘤分割区域更高准确率：相比于之前的方法，本发明的方法提高了肿瘤区域的准确性。在BraTS20数据集上，骰子系数和豪斯多夫系数分别达到了0.827和3.757。在BraTS2019数据集上，骰子系数和豪斯多夫系数分别达到了0.829和3.577。这个验证效果已经超过现有的大部分的算法呈现的结果。
网络模型有更强的泛化性：本发明的网络是在BraTS2020上训练的，但是在BraTS2019上验证也能得到很好的结果，这足以说明我们的网络有更强的泛化性。
推理时间更快：为了提高推理时间，本发明精心优化了各个模块之间的堆叠效果和运行时间。本设计提出的算法能够达到平均0.8s分析出一个3D脑部MRI肿瘤数据，极大地提高了临床医生诊断的效率。从时间上，为患者争取更多的治疗方案设计时间。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和完善，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (7)
1.一种基于GAN-UNet变体网络的脑部MRI肿瘤分割方法，其特征在于：所述分割方法包括：
通过GAN-UNet变体网络结构的生成器中的编码器对胶质瘤的多模态MRI图像从低水平像素信息进行高阶维度的胶质瘤语义特征信息提取；
通过GAN-UNet变体网络结构的生成器中的解码器对高阶维度的特征信息进行降维解析：解码器的每一层经过上采样对底层信息进行尺寸扩张，丰富分析内容，将细化通道注意力块放置在两种特征信息融合的两条路径上，分别进行一个前置预处理，细化通道注意力块对不同源信息进行重提炼，对信息在通道级上进行关注度划分，降低特征拼接后的计算量，对胶质瘤信息进行精准的通道级定位，并在特征拼接后由两个卷积核为3×3×3的卷积块与一个多尺度金字塔融合块进行特征降维解析；
通过卷积核为1×1×1的卷积块对输入的胶质瘤多模态MRI图像进行肿瘤区域的分割预测，得到预测图片，并通过生成器输出结果。
2.根据权利要求1所述的一种基于GAN-UNet变体网络的脑部MRI肿瘤分割方法，其特征在于：所述编码器的每一层都由两个卷积核为3×3×3的卷积块和一个多尺度金字塔融合块构成，每层通过特征分析后都经过一个最大池化层进行下采样以减少信息尺寸后再传入下一层，并通过残差连接的方式，最大化保留特征信息；通过多尺度金字塔融合块进行抽象化信息分析，以减少胶质瘤特征信息的损失。
3.根据权利要求2所述的一种基于GAN-UNet变体网络的脑部MRI肿瘤分割方法，其特征在于：所述GAN-UNet变体网络结构的生成器中，每层增加一个第二卷积层来进行图像信息特征的提取，编码器每次下采样后将信息传递给下一层的输入和第二卷积层提取后的输入，解码器的每一层经过上采样后，通过第二卷积层提取特征信息，特征拼接后，信息同时传递给下一层的输入和第二卷积层提取后的输入。
4.根据权利要求1所述的一种基于GAN-UNet变体网络的脑部MRI肿瘤分割方法，其特征在于：所述多尺度金字塔融合块包括四层结构，第一层将输入信息分别经过4个卷积核为1×1×1的卷积块，使输入信息以多角度进行重塑，4个卷积块输出的信息再分别通过ReLu激活函数加组正则化的方式对数据进行非线性和归一化，选择其中一个卷积块作为第一层输出；第二层将第一层的第三和第四卷积块输出的信息融合，再经过一个卷积核为5×5×5的卷积块进行更广的局部特征提取；第三层将第一层的第二卷积块输出的信息与第二层输出的信息融合，再经过一个卷积核为3×3×3的卷积块进行常规特征提取；第四层将第三层输出的信息与第一层的第一卷积块输出的信息进行特征求和，最后将这四层的输出特征进行拼接融合，再经过一个卷积核为1×1×1的卷积块，将重塑后的特征信息作为卷积核为1×1×1的卷积块的输出。
5.根据权利要求1所述的一种基于GAN-UNet变体网络的脑部MRI肿瘤分割方法，其特征在于：所述细化通道注意力块分别放置在两种不同源信息融合路径上，其中一条路径是带有残差连接的特征信息提取块，另一条路径先经过一个卷积核为3×3×3的卷积块，然后转置经过全局平均池化处理，并计算通道级别的注意力权重，最后将计算好的通道注意力权重与细化后的特征信息相乘，从而得到带有通道级注意力的胶质瘤特征信息。
6.根据权利要求1所述的一种基于GAN-UNet变体网络的脑部MRI肿瘤分割方法，其特征在于：所述GAN-UNet变体网络结构还包括判别器，所述判别器将生成器生成的预测图片与真实标签图像经过由3D卷积层以及Relu激活函数，进行特征初次提取，然后逐次经过三个由3D卷积层、组正则化层和Relu激活函数堆叠的块，最后再通过由3D卷积层和Relu激活函数组成的块，输出判别结果。
7.根据权利要求1-6中任意一项所述的一种基于GAN-UNet变体网络的脑部MRI肿瘤分割方法，其特征在于：所述分割方法也包括脑部MRI肿瘤数据预处理步骤，对训练数据集中的MRI图像进行标记，将每张MRI图像中为肿瘤信息的数据通过Z-score归一化方法进行预处理，并将图像的尺寸进行调整以适应GAN-UNet变体网格结构的分割要求。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410313700.XA CN117911705B (zh) | 2024-03-19 | 2024-03-19 | 一种基于GAN-UNet变体网络的脑部MRI肿瘤分割方法 |
| NL2037705A NL2037705A (en) | 2024-03-19 | 2024-05-15 | Method for brain mri tumor segmentation based on cn-unet variant network |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410313700.XA CN117911705B (zh) | 2024-03-19 | 2024-03-19 | 一种基于GAN-UNet变体网络的脑部MRI肿瘤分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117911705A true CN117911705A (zh) | 2024-04-19 |
| CN117911705B CN117911705B (zh) | 2024-05-28 |
Family
ID=90687564
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410313700.XA Active CN117911705B (zh) | 2024-03-19 | 2024-03-19 | 一种基于GAN-UNet变体网络的脑部MRI肿瘤分割方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN117911705B (zh) |
| NL (1) | NL2037705A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685813A (zh) * | 2018-12-27 | 2019-04-26 | 江西理工大学 | 一种自适应尺度信息的u型视网膜血管分割方法 |
| CN111833359A (zh) * | 2020-07-13 | 2020-10-27 | 中国海洋大学 | 基于生成对抗网络的脑瘤分割数据增强方法 |
| WO2021104056A1 (zh) * | 2019-11-27 | 2021-06-03 | 中国科学院深圳先进技术研究院 | 一种肿瘤自动分割系统、方法及电子设备 |
| CN113160234A (zh) * | 2021-05-14 | 2021-07-23 | 太原理工大学 | 基于超分辨率和域自适应的无监督遥感图像语义分割方法 |
| CN113298830A (zh) * | 2021-06-22 | 2021-08-24 | 西南大学 | 一种基于自监督的急性颅内ich区域图像分割方法 |
| CN115689961A (zh) * | 2022-11-03 | 2023-02-03 | 中北大学 | 一种用于胶质瘤spect-mri图像融合的网络模型及方法 |
| CN115760586A (zh) * | 2022-06-16 | 2023-03-07 | 广州大学 | 一种基于多尺度注意力生成对抗网络的医学图像增强方法 |
| US20230177678A1 (en) * | 2021-11-03 | 2023-06-08 | Tata Consultancy Services Limited | Method and system for domain knowledge augmented multi-head attention based robust universal lesion detection |
| CN116309615A (zh) * | 2023-01-09 | 2023-06-23 | 西南科技大学 | 一种多模态mri脑肿瘤图像分割方法 |
| KR20230147492A (ko) * | 2022-04-14 | 2023-10-23 | 한국교통대학교산학협력단 | 딥러닝 기반으로 브레인 mr 이미지에서 뇌종양 영역을 분할하는 방법 및 이를 위한 장치 |
| WO2024000161A1 (zh) * | 2022-06-28 | 2024-01-04 | 中国科学院深圳先进技术研究院 | Ct胰腺肿瘤自动分割方法、系统、终端以及存储介质 |
-
2024
- 2024-03-19 CN CN202410313700.XA patent/CN117911705B/zh active Active
- 2024-05-15 NL NL2037705A patent/NL2037705A/en unknown
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685813A (zh) * | 2018-12-27 | 2019-04-26 | 江西理工大学 | 一种自适应尺度信息的u型视网膜血管分割方法 |
| WO2021104056A1 (zh) * | 2019-11-27 | 2021-06-03 | 中国科学院深圳先进技术研究院 | 一种肿瘤自动分割系统、方法及电子设备 |
| CN111833359A (zh) * | 2020-07-13 | 2020-10-27 | 中国海洋大学 | 基于生成对抗网络的脑瘤分割数据增强方法 |
| CN113160234A (zh) * | 2021-05-14 | 2021-07-23 | 太原理工大学 | 基于超分辨率和域自适应的无监督遥感图像语义分割方法 |
| CN113298830A (zh) * | 2021-06-22 | 2021-08-24 | 西南大学 | 一种基于自监督的急性颅内ich区域图像分割方法 |
| US20230177678A1 (en) * | 2021-11-03 | 2023-06-08 | Tata Consultancy Services Limited | Method and system for domain knowledge augmented multi-head attention based robust universal lesion detection |
| KR20230147492A (ko) * | 2022-04-14 | 2023-10-23 | 한국교통대학교산학협력단 | 딥러닝 기반으로 브레인 mr 이미지에서 뇌종양 영역을 분할하는 방법 및 이를 위한 장치 |
| CN115760586A (zh) * | 2022-06-16 | 2023-03-07 | 广州大学 | 一种基于多尺度注意力生成对抗网络的医学图像增强方法 |
| WO2024000161A1 (zh) * | 2022-06-28 | 2024-01-04 | 中国科学院深圳先进技术研究院 | Ct胰腺肿瘤自动分割方法、系统、终端以及存储介质 |
| CN115689961A (zh) * | 2022-11-03 | 2023-02-03 | 中北大学 | 一种用于胶质瘤spect-mri图像融合的网络模型及方法 |
| CN116309615A (zh) * | 2023-01-09 | 2023-06-23 | 西南科技大学 | 一种多模态mri脑肿瘤图像分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘琚;吴强;于璐跃;林枫茗;: "基于深度学习的脑肿瘤图像分割", 山东大学学报(医学版), no. 08, 31 August 2020 (2020-08-31) * |
| 景庄伟;管海燕;彭代峰;于永涛;: "基于深度神经网络的图像语义分割研究综述", 计算机工程, no. 10, 31 August 2020 (2020-08-31) * |
| 李希;徐翔;李军;: "面向航空飞行安全的遥感图像小目标检测", 航空兵器, no. 03, 15 June 2020 (2020-06-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| NL2037705A (en) | 2024-06-14 |
| CN117911705B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11861829B2 (en) | Deep learning based medical image detection method and related device | |
| US11887311B2 (en) | Method and apparatus for segmenting a medical image, and storage medium | |
| CN110097550B (zh) | 一种基于深度学习的医学图像分割方法及系统 | |
| CN110517253B (zh) | 基于3d多目标特征学习的肺结节良恶性分类的方法 | |
| CN111932529B (zh) | 一种图像分类分割方法、装置及系统 | |
| US20200210756A1 (en) | 3D Refinement Module for Combining 3D Feature Maps | |
| CN114494296A (zh) | 一种基于Unet和Transformer相融合的脑部胶质瘤分割方法与系统 | |
| WO2022127500A1 (zh) | 基于多个神经网络的mri图像分割方法、装置及设备 | |
| Hui et al. | A partitioning-stacking prediction fusion network based on an improved attention U-Net for stroke lesion segmentation | |
| WO2023207416A1 (zh) | 图像补全方法、装置、设备及存储介质 | |
| CN115330807A (zh) | 一种基于混合卷积网络的脉络膜新生血管图像分割方法 | |
| CN116452618A (zh) | 一种三输入脊柱ct图像分割方法 | |
| Zhang et al. | Attention-guided feature extraction and multiscale feature fusion 3d resnet for automated pulmonary nodule detection | |
| CN112489048B (zh) | 一种基于深度网络的视神经自动分割方法 | |
| Ma et al. | LCAUnet: A skin lesion segmentation network with enhanced edge and body fusion | |
| CN111369564B (zh) | 一种图像处理的方法、模型训练的方法及装置 | |
| CN117911705B (zh) | 一种基于GAN-UNet变体网络的脑部MRI肿瘤分割方法 | |
| WO2023160157A1 (zh) | 三维医学图像的识别方法、装置、设备、存储介质及产品 | |
| CN114463320B (zh) | 一种磁共振成像脑胶质瘤idh基因预测方法及系统 | |
| Yu et al. | 3D convolutional networks based automatic diagnosis of Alzheimer's disease using structural MRI | |
| CN114581459A (zh) | 一种基于改进性3D U-Net模型的学前儿童肺部影像感兴趣区域分割方法 | |
| Huang et al. | Left and right ventricular segmentation based on 3D region-aware U-Net | |
| Zheng et al. | SemicNet: a semicircular network for the segmentation of the liver and its lesions | |
| US20230154009A1 (en) | Systems and methods for automatic segmentation of organs from head and neck tomographic images | |
| Kas et al. | GAN-based paired image generation with dedicated encoding streams and dynamic balancing |
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 |